DAIQUIRI - AI voor live sportverslaggeving
DAIQUIRI (Data & Artificial Intelligence for Quantified Reporting In sport) was een tweejarig imec.icon-onderzoeksproject (2019-2021), gefinancierd door imec en Agentschap Innoveren & Ondernemen. Het consortium ontwikkelde AI-algoritmes en een sensordataplatform om wearable- en sensordata van atleten om te zetten in verhaalelementen voor live sportuitzendingen. Het project werd gedemonstreerd in het profveldrijden en elitehockey.
Sensordata die het publiek nooit bereikte
Tijdens professionele sportevenementen genereren atleten grote hoeveelheden data via wearables en sensoren: hartslag, vermogen, snelheid, positie. Die data werd vooral gebruikt voor coaching en prestatieanalyse. Ze bereikte zelden de uitzending of het publiek.
De kloof zat niet in de data zelf, maar in de vertaalslag: ruwe sensorstromen omzetten in verhaalelementen die commentatoren, contentredacteurs en kijkers in realtime kunnen gebruiken. Er bestond geen platform dat die kloof op productiesnelheid kon overbruggen.
Een imec.icon-onderzoeksconsortium
DAIQUIRI was een imec.icon-onderzoeksproject gefinancierd door imec en Agentschap Innoveren & Ondernemen, en liep van oktober 2019 tot september 2021. Het consortium bracht experts samen in het capteren van sportevenementen, sensordataplatformen, redactionele tools en interactieve gebruikerservaringen.
Het project had vier gedefinieerde resultaten. Eén: de sensorverbinding en datakwaliteit optimaliseren om datastromen 30% kleiner te maken. Twee: inzichtgedreven datacaptatie mogelijk maken met realtime dynamische visualisatie. Drie: AI-algoritmes ontwikkelen die verschillende types verhaalfragmenten genereren uit sensordata. Vier: verteltechnieken ontsluiten die de traditionele verslaggeving aanvullen.
Van sensorstroom naar verhaalfragment
De technische kernuitdaging was een schaalbare dataworkflow bouwen die IoT-data van atleten en materiaal kon inladen, verrijken met AI en omzetten in gestructureerde verhaalelementen. En dat alles binnen de latencygrenzen van een live-uitzending.
De AI-laag pakte vier uitdagingen aan. Data-overload: signaal van ruis scheiden in hoogfrequente sensorstromen. Sensor-videomatching: datapunten synchroniseren met uitzendbeelden. Dynamische captions: contextuele tekstoverlays genereren. Multimodale verhaalgeneratie: data, video en tekst combineren tot coherente segmenten voor verschillende outputformaten.
Veldrijden en elitehockey
Het platform werd gedemonstreerd in twee live sportscenario's: profveldrijden en elitehockey. De sensordata en inzichten die het platform verzamelde, werden gebruikt om templates voor realtime visualisatie te maken. Die templates voedden een contentcreatiedashboard. Mediaprofessionals gebruikten dat dashboard om hun verslaggeving dynamisch aan te vullen met datagedreven inzichten.
