Vom 27. bis 28. November fanden die Sports Hackdays Lucerne statt. Zwei Tage, an welchen Studenten der HSLU (Hochschule Luzern) zusammen mit Challenge-Ownern, der Open-Data-Community und anderen externen Data Scientisten an spannenden Herausforderungen arbeiten konnten.
Mit den Sports Hackdays organisierte die HSLU bereits den vierten Hackathon dieser Art. Damit bietet die Hochschule eine einzigartige Gelegenheit für die Sport-Tech-Industrie, Datenwissenschaftler und die Leiter der „Sports Data Analytics“, sich zu treffen, um herauszufinden, wie sie mit Hilfe von Daten zur Entwicklung des Sports beitragen können.
Puzzle ITC unterstützte die Hackdays als Sponsor in der Rolle als Technology Provider. Ich nahm die Gelegenheit wahr, als Teilnehmer vor Ort mit von der Partie zu sein. Dank meinen Erfahrungen in Frameworks und Technologien konnte ich beim Umsetzen von Ideen mithelfen.
Am Event gab es 10 Challenges, an denen 83 Teilnehmende mitwirkten. Die Challenge-Owners hatten die Gelegenheit, ihre Challenge am Freitag in einem Remote-Kick-Off über Zoom zu pitchen und Teilnehmende zu gewinnen. Zusammen mit fünf weiteren Teilnehmenden habe ich mich für die Challenge #4 ALGORITHMIC COURSE SETTING IN ALPINE SKI mit Swiss-Ski entschieden. Die Aufgabe wurde wie folgt beschrieben: Visualize the athlete data to create an understanding of the athletes‘ skills and profile. Find the optimal run time and time gates before the athlete even needs to put on their skis.
Das Team traf sich am Samstag morgen um 9 Uhr im Laboratorium Luzern und bekam eine Einführung durch Björn Bruhin (Scientific Assistant Swissski). Da die Hackdays für einige der Studenten im Team zum Pflichtprogramm des Studiums gehören, hatten diese im Vorfeld schon einen tieferen Einblick in die Challenge und der zugehörigen Daten erhalten. Für mich hingegen war die Thematik komplett neu.
Die Rohdaten bestanden aus 524 csv-Dateien mit aufgezeichneten Datenpunkten für je eine Fahrt. Pro Sekunde wurden dabei zehn Datenpunkte aufgezeichnet. Der Challenge-Owner hatte schon eine Datenbereinigung sowie verschiedenste Berechnungen durchgeführt und wir erhielten dadurch auch ein Excel-Sheet, welches Daten zu den “characteristic points in a skier’s trajectory and turn phases” (siehe Figure 2 in Giant Slalom: Analysis of Course Setting, Steepness and Performanceof Different Age Groups — A Pilot Study) enthielt. Nun konnten wir mit dem Brainstorming und Hacken starten.
Die Zeit verflog rasch. Zwischen Mittag- und Abendessen wurde mit einigen Trainingsübungen für Auflockerung gesorgt. Dazwischen beschäftigten wir uns in Jupyter Notebooks mit dem Verstehen der Daten und der Datenanalyse mit verschiedensten Möglichkeiten und Algorithmen wie z.B. PCA, t-SNE oder correlation matrix. Auch wurde mit Matplotlib eine Visualisierung der Strecke erstellt, auf welcher farblich ersichtlich war, wie schnell der Athlet an einem bestimmten Punkt fährt. Am Abend wurde auch diskutiert, wie man mit Machine Learning Modellen sinnvolle Vorhersagen umsetzen könnte – dies möglichst noch innerhalb der zur Verfügung stehenden Zeit. Kurz nach Mitternacht war das Laboratorium fast leer und auch unser Team benötigte etwas Ruhe.
Nach dem Frühstück am Sonntag morgen um 8 Uhr wurde das Hacken fortgesetzt. Die Zeit drängte und die Abgabe der Präsentation rückte immer näher. Die aktuell noch losgelösten Teile mussten zusammengefügt werden. Dazu wurde alles in einem mit Streamlit umgesetzten Dashboard aufbereit. Wie so oft wurden in den letzten Sekunden noch Anpassungen umgesetzt und die Abgabe erfolgte fast pünktlich. Schau dir hier ein Video des Dashboards an.
Jedes Team hatte nach dem Mittagessen die Gelegenheit, seine Resultate in fünf Minuten zu präsentieren. Das Resultat unserer Challenge ist unter Challenge 4 Algorithmic Course Setting in Alpine Ski zusammengefasst.
Auf das sehr spannende Wochenende mit intensivem Hacken folgte dann das wohlverdiente Apéro zum Abschluss. Ich konnte am Wochenende mit vielen neuen Gesichtern sehr spannende Gespräche über Sport und Daten führen. Es zeigte sich, dass im Sport zwar viele Daten gesammelt werden, jedoch das Potential, diese Daten auch gewinnbringend auszuwerten, definitiv noch nicht voll ausgeschöpft wird. Durch die Diskussionen, die auch spontan mit Teilnehmenden anderer Challenges geführt wurden, bekam ich einen neuen Eindruck davon, wie man Daten auswerten und anwenden könnte. “Wir bräuchten mehr Daten” war wohl eine der am häufigsten gehörten Aussage an diesem Wochenende.
Die Hackdays und die Möglichkeit, an einem solchen Anlass teilnehmen zu können, sei es nun als Challenge-Owner oder als Teilnehmer, finde ich genial und hoffe sehr auf eine Wiederholung im nächsten Jahr.
Weiterführende Links
Literatur
Giant Slalom: Analysis of Course Setting, Steepness and Performance of Different Age Groups — A Pilot Study