对R&A及其技术合作伙伴而言,数字化转型是一个由数据驱动的发展过程。
很多人觉得数字化转型就是采用新技术,但R&A公司CTO Steve Otto却不这么看,他认为成功转型的关键其实在技术之外。
“我认为数字化转型代表的是一种文化变革,而其中的数据则是企业所固有的。所谓数据驱动,其本质应该是用数据引导行为,这也是我们公司,乃至整个高尔夫运动实现转型的根本。”
Otto正在R&A公司践行这种以数据为导向的思路。
作为一家高尔夫运动管理机构,R&A最近刚刚在英格兰圣安德鲁斯举办了The Open高尔夫公开赛。
在介绍幕后技术时,Otto专门向至顶网解释了R&A团队及技术合作伙伴NTT Data如何在公开赛期间通过32000个摄像头收集数据,据此建立数字孪生,从而进一步推动数字化转型。
球场数据专员会剪辑并标注每一位高尔夫选手的入洞路线,在为期四天的赛程当中,该团队共捕捉并标了约70小时的视频内容,研究结果令人印象深刻。
在选手挥杆入洞的一分钟内,各家媒体就已经能够拿到完整的球路信息。
其中一部分数据内容会作为提示信息推送至转播画面当中,其他一些则作为洞察见解显示在专门的ShotView网页上,供高尔夫球迷随时查看每位球员在赛场上的实时位置、每个球的统计数据。
ShotView数据也会被推送至NTT数据墙,这是一场伫立在球场上的巨大高清屏幕,可以显示当前球员的入洞进度以及整个球场上的整体视图。
这些实时数据,能够帮助粉丝们快速了解赛场上的态势变化。
而这些高密度信息的最大意义,还在于从The Open公开赛的比拼中提取经验教训,以供运动员和高尔夫球迷们事后查询和参考。
球场结果的可视化功能,由新的数字孪生项目提供全面支持。如果发展顺利,该项目有望在未来几年内全面改善高尔夫运动的观看与比赛方式。
Otto解释道,这个数字孪生副本使用到映射、渲染和算法以支持ShotView技术,而这一切都将为未来的高尔夫运动奠定新的技术基础。
为了建立高尔夫运动的数字孪生,Otto的团队详细绘制了球场元素与球员表现。
球场上开源激光雷达扫描、步行记分员及现场传感器发回的数据被一一合并,共同为球场景观和球员表现建立起图形表示。
所有数据均在云端接受处理,赛事图像则利用虚幻4引擎渲染得出。喜欢玩游戏的朋友可能了解,虚幻4是由Epic Games开发的3D计算机图形游戏引擎。
算法会优先考量每一洞的关键路线,并通过有趣的击球与得分图像将其呈现在ShotView和数据墙上。
Otto表示,数字孪生的稳步发展,也让他得以认真思考数据采集、模拟和实时分析的重要意义。
根据计划,数字化转型的下一阶段就是使用数字孪生推动高尔夫运动的发展,包括使用收集自The Open英国公开赛及其他锦标赛内的数据,帮助业余球员改善训练和运动方式。
Otto提到,“可以想象这样一个场景,爱好者在高尔夫模拟器上打球,并通过沉浸式图像技术把自己的表现跟专业球手做直观比较。”
“未来,这类AR和VR体验一定会出现在高尔夫乃至更多其他运动项目当中。跟顶级选手同台竞技将不再是梦想。”
除了帮助爱好者们完成训练之外,Otto还希望借收集到的洞察见解与顶级高尔夫选手们建立起牢固的数据合作关系。
他认为,“这应该成为贯穿整个职业生涯的体验,从业余阶段起步,持续引导选手们步入职业赛场。”
这样就能收集到更多数据,引入挥杆动力学、高球跟踪以及体态跟踪等信息以充实数字孪生模型,最终为高尔夫赛事及专业选手提供更详尽的数据支撑。
Otto还表示,目前顶级高尔夫选手已经在使用R&A及其他专业数据提供商的服务,不断磨练并提升自己的运动成绩。
“总体来看,职业高尔夫球手很早就接纳了这些技术,希望借此解决自己的问题。他们对技术的接纳也会扩大这种边际收益。看到其他运动员借此提高成绩,他们也希望享受到同样的数据分析支持。”
变革与传统
但对数据和新兴技术的快速应用,也许会让比较老派的传统高尔夫爱好者们一时难以接受。
但请大家不要担心,Otto认为,新技术的引入只会在这项运动的底层设施中引发微妙的变化。
“未来的高尔夫球场在外观上并不会有太大区别,真正的变化其实来自对数据的使用方式。”
“很快,大家就可以体验到一对一专属训练课,用自己的历史数据表达问题、寻求帮助。总而言之,高尔夫球场不会有多大变化,真正改变的是运动体验和用户享受运动的整个过程。”
当然,Otto也承认这种以数据为引导的愿景还有很长的路要走。为了达成最终目标,他的团队必须确保数据内容可用、可信且真实可靠。
虽然The Open公开赛已经展示出以数据为主导的变革力量,但要把信息整合到高尔夫运动中仍有不少亟待克服的复杂挑战。Otto提到,在繁忙的赛事当周,R&A往往需要整理来自230场比赛的数据、应对多种多样的数据格式。
因此,尽管变革的步伐正在加快,但Otto认为真正的回报还需要长时间的沉淀。他建议其他企业领导者也能调整心态,以分段式方法逐步推进数字化转型。
“按部就班、塑造共识,而且要勇于承认数字化转型所对应的高额投入。有了正确的探索态度,我们才能真正建立起可持续发展的强大业务。”
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
杜克大学研究团队开发了MOG-DFM技术,这是首个能够同时优化生物分子多种特性的AI系统。该方法成功解决了传统药物设计中"顾此失彼"的难题,能够设计出既安全又有效的治疗性分子。实验证明,MOG-DFM在肽类药物和DNA序列设计中都表现优异,有望显著加速药物发现进程并推动个性化医疗发展。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
印度理工学院团队开发REFINE-AF框架,让小型AI模型通过强化学习自动生成训练指令,无需大量人工标注。该方法在119项测试任务中,63-66%的表现超越传统方法,证明了小模型也能通过巧妙设计获得优异效果,为降低AI训练成本提供了新思路。