Это делает продвинутую спортивную аналитику дешевле и доступнее: чтобы получать детальные данные по каждому игроку, больше не нужна дорогая многокамерная инфраструктура. Научная статья, подготовленная при участии руководителя направления по внедрению технологий ИИ в спортивную индустрию Сбербанка Константина Митина была представлена на международной конференции CVPR 2026 и вошла в число лучших работ в номинации Best Paper Award в американском Денвере.

Современная футбольная аналитика опирается на трекинговые данные - точную информацию о перемещении игроков и мяча, на основе которой строятся тепловые карты, рассчитывается пройденная дистанция, анализируются передачи, прессинг, открывания и командная структура. Чтобы получить такие данные, система должна на всем протяжении матча непрерывно отслеживать по видео каждого футболиста. Однако в реальной игре алгоритм постоянно сталкивается с потерями: игрок выходит из кадра, перекрывается другими футболистами, сливается с соперником в борьбе за мяч или временно становится визуально неразличимым. Поэтому ключевая задача заключается не только в том, чтобы снова обнаружить игрока в кадре, но и в том, чтобы точно понять, что это тот же самый футболист, связать разрозненные фрагменты его движения и восстановить непрерывную историю его действий на поле.

Если система путает футболистов, то и вся последующая статистика становится недостоверной: пройденная дистанция и передачи приписываются не тем спортсменам.

Раньше эту задачу - "не терять конкретного игрока на протяжении всего матча" - отдельно не выделяли, а считали частью общего трекинга. Команда Sber AI вместе с ПФК ЦСКА впервые сформулировала ее как самостоятельную научную проблему и назвала Long-Term Player Identification, LTPI (долгосрочная идентификация игроков).

Для решения этой задачи специалисты изучили полный матч длительностью в 101 минуту и собрали необходимый набор данных. Далее ученые предложили новый способ оценки качества - метрику Cost-Sensitive Identification Score, CSIS (оценка идентификации с учётом цены ошибки). Она узнает игроков сразу по трём признакам: номер на футболке, принадлежность к команде (цвет формы) и внешний вид (рост, телосложение, манера движения).

Согласно внутренним исследованиям, в 78% случаев система уверенно называла конкретного игрока, а в оставшихся 22% честно помечала его как "неопределенного", чтобы не ошибиться.

Главная ценность состоит в том, что система помогает получать данные о матче без дорогого оборудования, из обычной трансляции. Аналитика становится доступнее и масштабнее. Технология, предложенная российскими исследователями, будет полезна спортивным IT-компаниям, аналитическим платформам, клубам, скаутам, лигам, вещателям и поставщикам видеотрекинга.

Такие технологии могут прийти не только в профессиональный футбол, но и в молодежные академии, региональные клубы и образовательные проекты - туда, где раньше продвинутая аналитика была недоступна из-за высокой стоимости.

Семён Будённый, управляющий директор, начальник управления развития перспективных технологий Сбербанка:

"Совместно с ПФК ЦСКА мы создали базовую технологию, которая открывает путь к будущему "невидимому скаутингу" — системе, способной c помощью ИИ анализировать игру на основе обычного видео и трекинга с одной камеры. Такой подход позволяет постепенно перейти от ручного наблюдения к масштабируемой аналитике: видеть движение игроков по всему полю, оценивать их действия в динамике, выявлять устойчивый прогресс и зоны, где требуется повышение интенсивности и качества работы. Наше решение демонстрирует тройную пользу. Для бизнеса это доступная и масштабируемая аналитика на базе обычного видео для клубов, лиг, академий и вещателей. Для науки - новый бенчмарк и датасет, которые превращают долгосрочную идентификацию игроков из вспомогательной функции в самостоятельную исследовательскую задачу. Для спорта - возможность сделать профессиональную аналитику доступной не только топ-клубам, но и академиям, региональным командам и массовому футболу".

Евгений Шевелев, заместитель генерального директора по спортивным вопросам ПФК ЦСКА:

"Для футбольного клуба важно не просто собирать больше данных, а получать точную и применимую аналитику, которая помогает тренерам, скаутам и академии лучше понимать игру каждого футболиста. Совместный проект с командой Sber AI предоставляет нам возможность двигаться к более доступной и масштабируемой модели анализа матчей: когда качественные данные можно получать из обычного видео с одной камеры, без сложной инфраструктуры. Для ЦСКА это важный шаг в развитии современных инструментов спортивной аналитики и работы с игроками на всех уровнях - от академии до основной команды".