Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

Technologia sportu obiecuje dane, ale trudniejsze pytanie brzmi: kto trzyma klucze

Analitykę sportową wciąż sprzedaje się jako problem danych, który czeka na więcej AI. Ciekawsza debata w dossier jest architektoniczna: czy agentowi podać surowe dane, czy bazę, którą sam przeszuka.

SportAnalizaTomasz LisowskiOpublikowano: 27 września 20265 min czytaniaŹródła 4
Technologia sportu obiecuje dane, ale trudniejsze pytanie brzmi: kto trzyma klucze

Technologia sportu od lat sprzedaje tę samą obietnicę: więcej danych, szybsze odpowiedzi, mądrzejsze decyzje. Nagłówki badań rynkowych, które co tydzień trafiają na biurko, opierają się na tempach wzrostu i skrótowcach. Rzeczywistość inżynierska jest bardziej pogmatwana. Dwa dokumenty z tegorocznego zestawu warto czytać razem, bo opisują przeciwne sposoby podawania agentowi AI liczb, na których organizacje sportowe coraz częściej twierdzą, że pracują.

Starburst opublikował 11 września analizę dwóch architektur analizy danych przez agentów. Tekst jest pisany dla korporacyjnych zespołów danych, nie dla klubów czy lig, ale użyty w nim przykład jest celowo zwyczajny: sklep spożywczy pyta, czy zeszłotygodniowa promocja jajek była opłacalna. Odpowiedź wymaga wiedzy, czy wyprzedaż przyciągnęła klientów, którzy inaczej by nie przyszli, czy nowi klienci wrócili, co jeszcze kupili w tej samej transakcji, gdzie te produkty leżą w sklepie i jak są opłacalne. To łańcuch pytań uzupełniających w więcej niż jednym zbiorze danych. Dokładnie taki sam kształt ma problem organizacji sportowej, która pyta, dlaczego kampania sponsorska ruszyła sprzedaż biletów.

Opcja 0: wyślij dane do modelu

Pierwsze podejście, które Starburst nazywa opcją 0, polega na wyciągnięciu odpowiednich tabel i przesłaniu surowych danych agentowi jako pliku albo bezpośredniego strumienia, żeby agent przetworzył je sam. Firma mówi wprost o kompromisach. Wysłanie terabajtów danych do agenta może być zaporowo drogie, gdy agent pobiera opłatę za każdy otrzymany lub przetworzony element danych. Starburst twierdzi, że wady wydajnościowe ograniczają praktyczność tej opcji do tego stopnia, że nie jest ona dobra, dlatego nosi etykietę opcji 0, a nie opcji 1.

Dla drużyn sportowych arytmetyka i tak jest nieatrakcyjna. Jeden mecz generuje teraz dane śledzenia zawodników, zdarzenia wyprowadzone z wideo, zapisy sprzedaży biletów, transakcje merchandisingowe i telemetrię aplikacji, a osób zadających o to pytania jest niewiele. Płacenie za wiersz, żeby przenieść to do modelu, to pozycja budżetowa, której większość działów analityki nie obroni.

Drugie podejście jest tym, które Starburst poleca. Daj agentowi bezpośredni dostęp do systemu bazy danych i pozwól mu pisać własny SQL, iterując w miarę zawężania celu. Silnik bazy robi to, do czego został zbudowany: przetwarza lokalne dane z zoptymalizowanymi planami zapytań, a agent nadzoruje pracę i wysyła kolejne lub równoległe żądania, aż ma coś wartego zwrócenia. Starburst przyznaje znaną wadę: agenci mogą być znacznie bardziej wymagający niż ludzie i w trakcie pracy potrafią zalać bazę spekulacyjnymi zapytaniami.

Branża baz danych jest w tej chwili maksymalnie skupiona na obsłudze obciążeń agentowych, a nowoczesne systemy baz danych coraz lepiej radzą sobie z wydajnym przetwarzaniem danych na taką skalę.

To argument w jednym zdaniu i jest to argument sprzedażowy w równym stopniu co inżynierski. Starburst sprzedaje systemy baz danych. Mimo to trudno podważyć tezę o tym, gdzie mieszka optymalizacja: agenci się poprawiają, ale nie zaczną przetwarzać terabajtów ustrukturyzowanych danych tak wydajnie jak silniki zbudowane na dekadach badań nad zapytaniami.

Jak wygląda to narzędziowo

Dwa projekty open source z tego zestawu pokazują, jak instalacja jest składana na mniejszym końcu skali. Adaca Analytics, opublikowany na GitHubie 8 września na licencji MIT, odtwarza stare pulpity Google Analytics na danych GA4. Codzienne agregacje z GA4 Data API albo eksportu BigQuery lądują w bazie D1, którą operator ma u siebie, a dane czasu rzeczywistego zostają na Google. Sześć pulpitów jest dostępnych od razu, każda liczba otwiera stronę szczegółów z własnym trendem i podziałami, a całość działa na Cloudflare Workers za Cloudflare Access lub wbudowanym Basic Auth. Nie ma logowania.

Plainoldanalytics, opublikowany na GitHubie 13 września, idzie odwrotną drogą: to analityka webowa wbudowana w aplikację Go. Nie zależy od konkretnego magazynu danych, więc import pakietu rdzeniowego nigdy nie dociąga backendu, a adaptery istnieją dla gin i chi. Ruch jest zapisywany na dysk mniej więcej raz na sekundę, a operatorzy mogą ustawiać właściwości klucza i wartości dla każdego żądania, wyłączać trasy z logowania albo zapisywać dosłowne ścieżki tras zamiast parametrów ścieżki.

Żaden z tych projektów nie jest produktem sportowym. Oba są istotne, bo pokazują zmianę domyślnego założenia: dane zostają tam, gdzie umieścił je operator, a warstwa analityczna jest czymś, co się uruchamia, a nie czymś, co się wynajmuje.

Pytanie o prywatność, którego nikt nie benchmarkuje

DataZen, lokalny klient baz danych zgłoszony na Hacker News 29 sierpnia, stawia problem wprost: gdzie trafiają moje dane? Narzędzie jest wydane na GPLv3, nie wymaga konta i domyślnie obsługuje PostgreSQL, MySQL, SQLite i Redis, z opcjonalnymi sterownikami dla MongoDB, ClickHouse, DuckDB i SQL Server. Zawiera wbudowany serwer MCP, więc agenci tacy jak Claude, Cursor i Cline mogą odpytywać bazy przez Model Context Protocol, a sam może też działać jako klient MCP. Poświadczenia są szyfrowane AES-256-GCM w keychainie systemu operacyjnego, a projekt twierdzi, że z dostawcą AI, którego użytkownik skonfiguruje, dzielony jest tylko schemat i kontekst zapytań.

O to ostatnie rozróżnienie organizacje sportowe powinny pytać. Schemat i kontekst zapytań to nie to samo co surowe dane, ale to też nie nic. Schemat zdradza, co klub mierzy: jakie atrybuty kibiców przechowuje, jak dzieli kupujących bilety, co śledzi w obciążeniu zawodników. W sporcie, gdzie dane o kontuzjach i negocjacje kontraktowe leżą w tym samym gospodarstwie co sprzedaż biletów, metadane są wrażliwe handlowo same w sobie.

Dossier nie mówi, co faktycznie wdrożył jakikolwiek klub czy liga, a materiały dostawców stojące za prognozami rynkowymi nie są dowodem na przyjęcie technologii. Pokazuje natomiast podział. Jeden obóz twierdzi, że agenci powinni sterować bazą danych i że nowoczesne silniki udźwigną obciążenie. Drugi buduje narzędzia, które trzymają dane lokalnie i wysyłają na zewnątrz tylko kontekst. Technologia sportu odziedziczy tę odpowiedź, którą wybiorą jej zespoły danych, a wybór zapada teraz, w repozytoriach open source, nie w komunikatach prasowych.

Komentarze 0

Źródła

4
  1. 01An Analysis of Two Architectures for Agentic Data AnalysisEN
  2. 02We rebuilt the old Google Analytics on top of GA4's dataEN
  3. 03Show HN: Plainoldanalytics: Analytics Middlware for GoEN
  4. 04Show HN: DataZen – a local-first client for cross-database workflowsEN

Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.

Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.

Tomasz Lisowski

Tomasz Lisowski

Sport, motoryzacja i podróże

Tomasz Lisowski w FLASH24 pisze o sporcie, motoryzacji i podróżach, opierając się na protokołach zawodów, danych technicznych i rozkładach jazdy, a nie na doniesieniach z drugiej ręki. Przy wynikach meczów sprawdza strzelców i minuty, a w testach samochodów porównuje zużycie paliwa z deklaracjami producenta. Rozmawia z mechanikami, sędziami i pracownikami kolei, a w kalendarzu czeka na starty sezonu i nowe trasy kolejowe po Europie. Po godzinach naprawia elektryki w garażu i jeździ pociągami po kontynencie, co przekłada się na teksty o motoryzacji i podróżach. Nie publikuje liczb ani terminów, których nie potwierdzi w dwóch źródłach.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.