2018 年 11 月
第 33 卷，第 11 期
編者小記-運動的感應器：探討應用的機器學習
藉由Michael Desmond |2018 年 11 月
.jpg "Michael Desmond")
年代年 4 月，Microsoft 資深架構設計人員 Kevin Ashley led 和共同著述的標題為雜誌的專題報導 「 運動的感應器：分析與 AI 人體移動 > (msdn.com/magazine/mt846466)。文件探索工作由美國透過紅外線接收器遙測和機器學習 (ML) 應用程式會產生奧運 Ski 小組，以提升訓練技術和競爭。很酷炫的了解如何使用 ML，以改善在實體上的動態環境中的結果。
這個月，Ashley 回到我們的頁面中，瀏覽方式感應器資料和視覺人工智慧 (AI) 來改善效能的運動員，於美國奧運得一頭小組。「 運動的感應器：分析感應器與視覺 AI 奧運一頭栽"Microsoft 教練合作、 與運動員，程式領導者的感應器平台和 smartphone 應用程式部署，可讓教練合作的運作方式的詳細資料擷取和分析資料與運動員的探討。在撰寫本文時，Microsoft 小組剛完成與美國的史丹佛大學的即時練習奧運跳水教練。工作階段中，示範了如何詳細的遙測與高解析度影片的組合讓教練合作，以找出漏洞技術、 精簡訓練制度，並改善競賽的結果。
工作已開始，鼓勵組織整合物聯網 (IoT) 感應器的 microsoft 計畫的一部分，為資料擷取、 ML 及 AI，說 Ashley。
「 我們已啟動感應器運動 microsoft 共同合作以協助我們改善連接的裝置、 技術和運動其整合的合作夥伴，」 Ashley 說明。「 了解人體移動是許多產業的金鑰。我們來分析運動建置的模型非常實用個別的運動員，以及我們的合作夥伴，在許多方面與運動。 」
追蹤運動移動，隨附於其的挑戰。快速動作表示遠端感應器，必須在高頻率，通常在 100 個樣本，每秒，以產生有用的資料上運作。同樣地，IoT 演算法必須是自主並不夠聰明，無法保持一致。實體的感應器本身必須對抗環境因素，例如水、 冰、 雪，以及實體的影響。他們也必須是小型、 輕且能夠在低電源，因此它們的存在，不會中斷訓練課程。
「 過去兩年來使用不同的運動，我建置了解一百個感應器的原型，和現在的 Microsoft 車庫協助我們可以建立的運動，更多的自訂設計 」 Ashley 說指的內部支援的 Microsoft 計劃該公司呼叫 「 hack 文化特性在 Microsoft 」。
運動遙測是年輕和瞬息萬變的專業領域和 Ashley 指出該找出要擷取、 測量和分析的資料是真正的挑戰。
」 這正是為什麼我們使用教練和資料科學家，訓練最佳的運動員，在世界中，"表示 Ashley。「 每個連接埠都不同，而且在此同時，基本上，許多活動都在人體回應挑戰的方式極為相似。我們為運動資料科學家的目標尋找模式，使用 ML 分類及分析移動並尋找每個活動中的可重複使用的方法。 」
Michael Desmond是的總編輯MSDN Magazine。