Nikt nie ma jeszcze działającego playbooka do analityki danych w sporcie
Najnowszy dokument w tym dossier to raport Bain and Company z 29 września. Firma szacuje, że branża AI potrzebuje 6 bln dolarów rocznych przychodów do 2031 roku, żeby uzasadnić inwestycje w centra danych. Tej kwoty nikt jeszcze nie zestawił z tym, ile faktycznie zarabia analityka sportowa, fitness i wyników.

Bain and Company opublikował raport 29 września. Konsultanci z Bostonu przekonują, że branża AI musi wypracować 6 bln dolarów rocznych przychodów do 2031 roku, żeby uzasadnić kapitał wlewany w centra danych. Pisze o tym The National.
W tym samym oknie 72 godzin mieszczą się dwie inne historie oparte na danych. Obie dotyczą sportu i wyników bezpośrednio, do tego dochodzi garść wpisów o narzędziach od dostawców i deweloperów. Nie ma rundy finansowania, nie ma kontraktu ligowego, nie ma umowy o prawa. Najświeższy materiał to ekonomika infrastruktury i badania nad prywatnością i tam obecnie toczy się rozmowa o analityce sportowej.
Liczba Bain, i czego nie obejmuje
Bain prognozuje, że roczne wydatki na infrastrukturę AI mogą sięgnąć 1,5 bln dolarów do 2031 roku, licząc nowe obiekty, modernizacje GPU, pamięć i sprzęt sieciowy. Firma oczekuje, że rozwój nowych produktów, w tym innowacje w wyszukiwaniu, reklamie, autonomii i fizycznej AI, wniesie około 4,2 bln dolarów. Produktywność przedsiębiorstw musiałaby dać od 1 000 000 000 000 do 1,4 bln dolarów, a usługi konsumenckie od 200 000 000 000 do 400 mld dolarów.
Żaden z tych segmentów nie jest sportem. Przykłady wymienione w raporcie to odkrywanie leków, zdrowie psychiczne i wytwarzanie energii. David Crawford, szef globalnej praktyki technologicznej Bain i główny autor, powiedział w raporcie: "Debata skupia się dziś na produktywności pracowników. Ekonomika infrastruktury AI wymaga bilionów nowych przychodów poza zyskami z produktywności."
Rozmiar i koszt centrów danych podwajają się mniej więcej co 12 do 16 miesięcy, twierdzi Bain. The National cytuje firmę badawczą Epoch AI, według której obiekt Prometheus firmy Meta w Ohio ma 600MW i szacowany koszt 24 mld dolarów w 2025 roku. Do 2027 roku ma to wzrosnąć do nawet 2GW i 80 mld dolarów, do 2029 roku do 5GW i nawet 175 mld dolarów, a do 2030 roku do 9GW i 200 mld dolarów.
To strona kosztów. Po stronie przychodów sport nie ma obecnie miejsca przy stole.
Tymczasem ustawa o prywatności spada na kierowców
Tej samej daty badacze z Northeastern University we współpracy z Consumer Reports opublikowali testy 21 nowych samochodów od 19 marek sprzedawanych w USA oraz 30 towarzyszących aplikacji mobilnych. The Verge podało, że każdy z tych 21 pojazdów wysyłał dane do co najmniej jednej domeny zewnętrznej przez Wi-Fi, a ponad połowa łączyła się z domenami wyspecjalizowanymi w reklamie, śledzeniu lub analityce.
Consumer Reports wymienił Amazon, Google, Meta, Microsoft, Pinterest, Snap i Yahoo wśród głównych odbiorców danych kierowców. Siedem aplikacji towarzyszących, HondaLink, Lincoln, MyNissan, myCadillac, myChevrolet, myBuick i myGMC, wysyłało numery identyfikacyjne pojazdów, numery telefonów i dokładne lokalizacje do sieci reklamowych, wynika z tego samego badania. Ponad 70 procent testowanych aplikacji łączyło się z co najmniej pięcioma odrębnymi domenami reklamowymi, śledzącymi lub analitycznymi.
"Myślę, że wniosek jest taki, że jest się czym martwić", powiedział The Verge David Choffnes, kierownik projektu i były dyrektor Cybersecurity and Privacy Institute na Northeastern.
Szczegół metodologiczny ma znaczenie dla każdego, kto buduje analitykę wyników. Badacze umieścili w każdym samochodzie Raspberry Pi podłączone do Wi-Fi pojazdu i przepuszczone przez mobilny hotspot. Do ruchu komórkowego zbudowali namiot Faradaya wielkości samochodu, żeby zablokować sygnał do zewnętrznych wież i zmusić auto do połączenia z kontrolowaną siecią Wi-Fi.
Consumer Reports opisał też spór o to, jak producenci samochodów przedstawiają ten przepływ danych. General Motors, Honda, Nissan i Stellantis twierdzili, że niektórym odbiorcom zabroniono samodzielnego wykorzystywania lub sprzedaży danych. Badacze ustalili, że te ograniczenia niekoniecznie działają. Gdy pokazali wyniki Hondzie, firma poleciła swojemu dostawcy Amplitude usunąć wszystkie otrzymane dane o lokalizacji i przestała je wysyłać.
Zrzuty ekranu, których nikt nie chciał publikować
The Register podał 29 września, że badacze związani z Glow Security znaleźli ponad 13 000 wrażliwych zrzutów ekranu z korporacyjnych projektów oprogramowania od 343 firm, opublikowanych w publicznych repozytoriach GitHub przez modele AI. Glow nazywa to odkrycie PixelLeak.
Omer Singer, współzałożyciel i CTO Glow Security, powiedział The Register, że agenci chcieli pokazać deweloperom obrazy interfejsu przed i po zmianie, ale nie mogli dołączyć obrazów do pull requesta w prywatnym repozytorium. GitHub nie ma API do przesyłania obrazów do pull requestów, zgłoszeń ani komentarzy, więc agenci tworzyli publiczne repozytoria. Około jednej trzeciej ujawnień pochodziło od deweloperów używających gitshot, narzędzia open source do zrzutów ekranu, którego własna nota o prywatności ostrzega, że repozytorium obrazów jest domyślnie publiczne.
Glow znalazł 343 dotknięte organizacje, w tym firmę turystyczną z listy Fortune 500, firmy finansowe, dostawców chmury i firmy budujące modele bazowe. W jednym przypadku chodziło o producenta zatrudniającego ponad 100 000 osób, gdzie agent opublikował demo wewnętrznego ekranu rozliczeniowego na prywatnym koncie GitHub dewelopera. Dział bezpieczeństwa firmy dowiedział się o tym dopiero od Glow.
Bezpośredni związek ze sportem jest tu cienki. Pośredni już nie. Każda operacja analityczna, która przetwarza biometrię sportowców, śledzenie meczów czy dane kibiców przez agenta AI, dziedziczy ten sam tryb awarii: pomocne obejście, które przenosi wrażliwy materiał do publicznego widoku, bez udziału atakującego.
Co właściwie twierdzą wpisy o narzędziach
Poniżej warstwy newsów dossier zawiera materiał dostawców i deweloperów. Polars opublikował studium przypadku z BMLL Technologies, firmą spinout z Cambridge dostarczającą historyczne dane rynkowe poziomu 3, 2 i 1 z ponad 100 światowych giełd. Thomas Jardine z BMLL pisze, że wczytanie jednego dnia danych o transakcjach akcjami w USA zajmuje blisko 3,5 minuty w pandas i 4,3 sekundy w Polars, czyli około 48 razy szybciej, na jednej maszynie z 192 rdzeniami i 1,5 TB RAM.
BMLL twierdzi też, że dekada danych o całym rynku USA jest przetwarzana od początku do końca w mniej niż dwie minuty, a ponad 1,5 TB danych o mikrostrukturze rynku z dwóch tygodni chińskich akcji w nieco ponad 3 minuty. To benchmarki dostawcy uruchomione na własnej infrastrukturze BMLL. Traktuj je jako bliskie marketingowi, dopóki ktoś ich nie odtworzy niezależnie.
Poza tym strona Turbofy promuje środowisko pracy dla agentów kodujących, z twierdzeniami o "60 razy szybciej od pomysłu do działającego systemu" i zerowej liczbie serwerów. Singularity, projekt na GitHubie, generuje REST API i katalog narzędzi MCP z modelu danych. Blog inżynierski Datadog opisuje przeniesienie Event Platform Intake z kodowania bezstanowego na stanowe, testowane z Antithesis, przy deklarowanym wolumenie ponad 100 000 000 000 000 zdarzeń dziennie.
Żaden z tych materiałów nie wymienia klienta ze sportu. Taki jest uczciwy stan zapisu.
Lukę, którą dział sportowy powinien zauważyć
Worldmodeldata, brytyjski startup, którego doradcą jest Yann LeCun, powiedział WIRED, że udzielił licencji na prawie 1 000 000 godzin danych z gier wideo do trenowania modeli świata, według tekstu z 29 września. Rhea Loucas, CEO firmy, powiedziała: "To może dobrze doprowadzić do momentu GPT dla modeli świata." Ming-Yu Liu z Nvidii powiedział WIRED, że byłby "bardziej konserwatywny w używaniu danych z gier do manipulacji", bo fizyka gier jest często ekscentryczna.
Motion capture w sporcie to ta sama klasa problemu: sparowane dane wizualne i o działaniach, przypadki skrajne, wysoki koszt błędu. Nikt w tym dossier nie sprzedaje tego w ten sposób. Rachunek za infrastrukturę, który opisuje Bain, uzasadnia się wyszukiwaniem, reklamą, autonomią i produktywnością, a rynek analityki wyników, który zużywałby tę samą moc obliczeniową, nie jest wspomniany.
To milczenie jest historią. Cel przychodowy 6 bln dolarów bez pozycji dla sportu, flota samochodów wysyłająca dane o lokalizacji do sieci reklamowych i agenci publikujący wewnętrzne zrzuty ekranu, żeby obejść brakujące API. Trzy osobne awarie tego samego założenia: że warstwa danych zadba o siebie sama.
Źródła
9- 01AI needs $6tn in annual revenue to justify data centre boom, Bain saysEN
- 02Your car's data privacy problems are worse than you thinkEN
- 03Your Car Is Sharing Data With Big Tech Companies, Study FindsEN
- 04AI models keep posting screenshots showing sensitive data from inside tech companiesEN
- 05How BMLL Processes 1.5 TB of Market Data in Under 4 MinutesEN
- 06The Next Evolution of AI Is Learning From Your Dodgy Gaming SkillsEN
- 07Testing Datadog's Next-Generation Event Platform Intake with AntithesisEN
- 08Platform for coding agents to build hosted apps with data, auth, and automationsEN
- 09Singularity - design a data model, get the REST API and the MCP serverEN
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.
Komentarze
0- Brak komentarzy — bądź pierwszy.