Vi har udstyret vores bordfodbold-bord med et kamera og nogle sensorer, der er koblet op til en Raspberry Pi og en Mac Mini, som er installeret under selve bordet.
Alle de indsamlede data bliver bearbejdet via machine-learning. Det giver os en masse statistik på vores bordfodboldkampe. Vi kan eksempelvis se, hvilket hold der har haft bolden mest, og hvem der har flest skud på mål. Vi har også installeret en optisk sensor i målet, der registrerer, når der bliver scoret og dermed også holder styr på stillingen.
Jeg fik ideen til et hackathon, og det virkede som en helt åbenlys ting at gøre, når nu jeg er data scientist, og vi i forvejen har en masse sjov med vores bordfodboldbord.
Det er skide sjovt, at vi nu også kan følge med i en masse data under kampene. Men det betyder naturligvis også, at dårlige tabere kan henvise til vores bordfodbold-data og sige ‘Der kan du selv se, det var totalt uretfærdigt, at jeg tabte. Jeg har jo haft bolden hele tiden‘.
Mit håb er, at vi med tiden kan bygge endnu flere machine-learning algoritmer ind i systemet. Eksempelvis forestiller jeg mig, at vi undervejs i en kamp kan forudse, hvem der vinder. Ligesom vi kan føre en løbende statistik over hvem af os, der vinder flest kampe, har højest scoringsprocent eller sender de hårdeste skud af sted.
Jeg leger også med tanken om, at vi kan uploade resultaterne i vores indbyrdes kampe til en blockchain, så vi kan være sikre på, at folk ikke snyder med resultaterne.
Alt det her er jo mest for sjov, men i bund og grund er det også en showcase, der viser hvad billedgenkendelsesteknologi kan anvendes til.
For mere eller mindre samme teknologi kan også anvendes i forbindelse med robotkirurgi, eller når droner skal identificere skader på rør eller ledninger.
Mads Gylling Safeldt, data scientist hos IBM Client Innovation Center
