Original Post

Πλήρες Κείμενο:

ΜΙΑ ΜΙΚΡΗ ΔΙΕΥΚΡΙΝΙΣΗ ΠΡΙΝ ΑΠΟ ΤΟ ΕΠΟΜΕΝΟ ΒΗΜΑ… Στο προηγούμενο post για την τεχνολογική εξέλιξη του Ολυμπιακού Ταεκβοντο, αρκετά σχόλια στάθηκαν στο κόστος των αγώνων και στα παράβολα.

Και φυσικά, το κόστος συμμετοχής είναι ένα υπαρκτό και σημαντικό ζήτημα που αξίζει να συζητείται.

Όμως δεν ήταν αυτό το θέμα της ανάρτησης.

Αυτό που θέλω να αναδείξω είναι κάτι διαφορετικό. ΤΗΝ ΕΞΕΛΙΞΗ ΤΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΣΤΟ ΤΑΕΚΒΟΝΤΟ.

Την προσπάθεια να περάσουμε από τα συστήματα που απλώς καταγράφουν μια επαφή ή έναν βαθμό, σε συστήματα που μπορούν να αναλύουν την ίδια την κίνηση.

Την είσοδο της Τεχνητής Νοημοσύνης στο άθλημά μας.

Με έναν βασικό στόχο: περισσότερη ακρίβεια, περισσότερη αντικειμενικότητα και δικαιότερη αξιολόγηση.

Και αυτό δεν αφορά μόνο το Kyorugi.

Αφορά και το Αγωνιστικό Poomsae. ΟΤΑΝ Η ΤΕΧΝΟΛΟΓΙΑ ΑΡΧΙΖΕΙ ΝΑ ΔΙΑΒΑΖΕΙ ΤΗΝ ΚΙΝΗΣΗ Κάποτε το Αγωνιστικό Poomsae πέρασε από το χειρόγραφο φύλλο βαθμολογίας στην ηλεκτρονική αξιολόγηση.

Τώρα βρίσκεται μπροστά σε ένα ακόμη μεγαλύτερο βήμα. ΤΗΝ ΕΠΟΧΗ ΤΗΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ.

Και εδώ η αλλαγή δεν αφορά απλώς το πώς θα εμφανίζεται ένας βαθμός στην οθόνη.

Αφορά κάτι πολύ βαθύτερο: το πώς μία μηχανή θα μπορεί να «διαβάζει» την κίνηση. Η World Taekwondo έχει ήδη αναγνωρίσει την τεχνητή νοημοσύνη ως μία από τις τεχνολογίες που μπορούν να υποστηρίξουν το μέλλον του αθλήματος, με ιδιαίτερο ενδιαφέρον για τη χρήση της στη διαιτησία του Poomsae και στην ενίσχυση της αντικειμενικότητας της αξιολόγησης. (WORLDTAEKWONDO⁠) Και η έρευνα έχει ήδη περάσει από τη θεωρία στην πράξη.

Κάμερες μπορούν να καταγράψουν την κίνηση.

Η τεχνολογία Computer Vision μπορεί να εντοπίσει σημεία και αρθρώσεις του σώματος. Η AI μπορεί να αναλύσει τη διαδρομή τους στον χώρο και στον χρόνο.

Και ένα σύστημα μπορεί να αρχίσει να αναγνωρίζει: τη στάση, τη θέση του σώματος, τις γωνίες των αρθρώσεων, την κατεύθυνση της κίνησης, τον χρονισμό, τη μεταφορά του βάρους, την ισορροπία, τη συνέχεια της τεχνικής.

Ήδη, επιστημονική εργασία που παρουσιάστηκε το 2025 ανέπτυξε μοντέλο deep learning ειδικά για την αξιολόγηση κινήσεων Taekwondo Poomsae, χρησιμοποιώντας δεδομένα από τη σκελετική δομή του σώματος και video, με στόχο τον εντοπισμό αποκλίσεων από σωστές εκτελέσεις. (ScitePress⁠) Και εδώ αρχίζει το πραγματικά ενδιαφέρον.

Η ερώτηση δεν είναι πλέον: «Μπορεί η AI να δει έναν αθλητή να κάνει Poomsae;» Μπορεί.

Η πραγματική ερώτηση είναι: Μπορεί να καταλάβει αν η τεχνική εκτελέστηκε σωστά; Και ακόμη πιο σημαντικό: Μπορεί να εξηγήσει ΓΙΑΤΙ δεν ήταν σωστή; Εκεί βρίσκεται το επόμενο επίπεδο.

Γιατί το Αγωνιστικό Poomsae δεν είναι απλώς μία σειρά κινήσεων. Είναι: Ακρίβεια. Στάσεις. Κατευθύνσεις. Ισορροπία. Δύναμη. Ταχύτητα. Ρυθμός. Έλεγχος. Αναπνοή. Έκφραση.

Είναι η ποιότητα ολόκληρης της κίνησης.

Και εδώ βρίσκεται η μεγάλη πρόκληση για την τεχνολογία. Η AI δεν θα πρέπει απλώς να βλέπει το Poomsae.

Θα πρέπει να μάθει να διαβάζει το Poomsae.

Να συγκρίνει μία εκτέλεση με ένα τεχνικό πρότυπο.

Να εντοπίζει την απόκλιση.

Να την ποσοτικοποιεί.

Και κάποια στιγμή να μπορεί να επιστρέψει στον αθλητή κάτι που μέχρι σήμερα μπορούσε να δώσει κυρίως ένας πολύ έμπειρος προπονητής: «Εδώ χρειάζεται διόρθωση.» Και ακόμη καλύτερα: «Αυτή είναι η διόρθωση που χρειάζεται.» Αυτό όμως δεν σημαίνει ότι η AI έρχεται να αντικαταστήσει τον κριτή ή τον προπονητή.

Το αντίθετο.

Η τεχνολογία πρέπει να γίνει εργαλείο του ανθρώπου.

Να προσφέρει περισσότερα δεδομένα.

Να μειώνει την αβεβαιότητα.

Να βοηθά στην αντικειμενικότερη αξιολόγηση.

Να δίνει στον κριτή περισσότερη πληροφορία.

Και στον προπονητή περισσότερα εργαλεία.

Γιατί ο στόχος δεν είναι να αφαιρέσουμε τον άνθρωπο από το Ταεκβοντο.

Είναι να δώσουμε στον άνθρωπο καλύτερα εργαλεία για να κρίνει, να διδάξει και να εξελίξει το Ταεκβοντο.

Από τον ηλεκτρονικό βαθμό… στην ανάλυση της κίνησης.

Από την παρατήρηση… στη μέτρηση.

Από τη μέτρηση… στην κατανόηση.

Και ίσως κάποια ημέρα από το: «Πόσο καλά το εκτέλεσε;» στο: «Τι ακριβώς πρέπει να διορθώσει για να το εκτελέσει καλύτερα;» Εκεί αρχίζει πραγματικά το Smart Poomsae.

Η επιλογή των posts/links γίνεται με ένα στατιστικό μοντέλο και μπορεί να μην απεικονίζει επακριβώς τη σειρά δημοτικότητάς τους