2025. — Т 17. — № s3 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/04favn325.html

Полный текст статьи в формате PDF (объем файла: 647.4 Кбайт)

Ссылка для цитирования этой статьи:

Цыганцов, А. С. Разработка AI-решения для спортивного консалтинга: экономическая оценка и практическое применение / А. С. Цыганцов, М. К. Вакуленко // Вестник Евразийской науки. — 2025. — Т 17. — № s3. — URL: https://esj.today/PDF/04FAVN325.pdf (дата обращения: 18.02.2026).

Разработка AI-решения для спортивного консалтинга: экономическая оценка и практическое применение

Цыганцов Артём Сергеевич
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
E-mail: 220794@edu.fa.ru

Вакуленко Михаил Константинович
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
E-mail: 223589@edu.fa.ru

Научный руководитель: Соломахин Алексей Александрович
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
Доцент кафедры «Бизнес-информатики»
E-mail: aasolomakhin@fa.ru

Аннотация. Представленное исследование посвящено разработке комплексной AI-системы для персонализированной спортивной подготовки, интегрирующей современные предсказательные модели машинного обучения с биометрическими данными, собираемыми с носимых устройств. Научная новизна работы заключается в создании гибридной модели, эффективно объединяющей Random Forest, XGBoost и rule-based логику адаптации тренировочной нагрузки для формирования архитектуры виртуального спортивного консультанта. В отличие от существующих решений в спортивной аналитике, авторами впервые предложена комплексная система, одновременно осуществляющая прогноз травм, анализ восстановления и динамическое изменение тренировочных рекомендаций на основе актуального состояния спортсмена. Уникальность подхода заключается в реализации модели прогнозирования ухудшения формы игрока, основанной на детальном анализе длительности восстановления и типологии травм. Методологическая база исследования включает применение корреляционного и регрессионного анализа, методов машинного обучения с визуализацией данных через библиотеки Python. Прогностическая модель, обученная на эмпирических данных о травмах и восстановлении, продемонстрировала высокую точность классификации в диапазоне 0,83–0,85 и значения AUC на уровне 0,85–0,87, подтверждая применимость разработанной системы для оперативной оценки риска функционального спада у спортсменов. Авторами проведена детальная экономическая оценка внедрения предложенного решения, включающая анализ затрат на разработку программного обеспечения, приобретение оборудования, обучение персонала и поддержку жизненного цикла системы. Результаты показывают значительный потенциальный экономический эффект: снижение расходов на лечение и реабилитацию травм на 25–35 %, сокращение потерь от вынужденного простоя спортсменов на 15–20 %, рост результативности команды до 25 % и увеличение капитализации отдельных атлетов на 10–30 %. Модельный расчет демонстрирует окупаемость менее одного года с показателем ROI на уровне 224 % в первый год эксплуатации. Практическая значимость разработанной системы заключается в возможности масштабируемого внедрения в спортивный консалтинг в качестве инструмента трансформации управления подготовкой и восстановлением спортсменов. Предложенная методология адаптируется для различных видов спорта, возрастных категорий и уровней профессиональной подготовки, значительно повышая персонализацию тренировочного процесса, снижая вероятность травм и увеличивая адаптивность системы спортивной подготовки.

Ключевые слова: искусственный интеллект; машинное обучение; AI-ассистент; спортивная аналитика; прогнозирование травм; биометрические данные; оптимизация тренировок

Скачать