Il tracking data è oggi il segnale più ricco nello sport, ma il problema vero non è raccoglierlo: è renderlo utilizzabile da chi decide in pochi secondi. Una partita moderna viene catturata a 25 frame al secondo da 19 feed separati; per un solo torneo parliamo di 339 partite e 51 milioni di righe. Coach’s Corner, un’app costruita su Databricks e presentata sul blog dell’azienda, affronta proprio questo scarto tra dati grezzi e decisione in panchina.
L’app, soprannominata “La Pizarra” (la lavagna), gira come Databricks App e permette a un allenatore di rivedere una partita in 2D o 3D, passando dall’inquadratura broadcast alla vista tattica dall’alto e scorrendo fino a 8x. Sopra il replay si sovrappongono le analisi che contano: mappe di tiri e xG, pass network, heatmap, palle inattive, forma della squadra, pitch control e traiettorie dei giocatori.
Un’unica piattaforma, ogni passaggio
I feed grezzi arrivano come NDJSON in un Volume di Unity Catalog, dove Auto Loader li ingerisce in modo incrementale con il pattern Lakeflow Connect. Da lì, le Spark Declarative Pipelines processano i dati attraverso i livelli bronze, silver e gold, interamente serverless su Photon, con 46 aspettative di data quality applicate. La gold table finale, che include la tabella dei frame da 51 milioni di righe, usa il liquid clustering per ottenere tempi di risposta di 1-3 secondi via DBSQL su un warehouse piccolo. Consolidare volumi, tabelle, modelli e indici in un solo Unity Catalog elimina il codice di collegamento tra sistemi e i livelli di governance secondari.
Due percorsi di serving distinti
Per le prestazioni, l’app usa due percorsi separati. I replay ad alta velocità sono serviti da Lakebase, che sincronizza le gold table su Postgres per letture di frame a livello di millisecondi. Le analisi pesanti sugli eventi passano invece dallo Statement Execution API verso il SQL warehouse, tenendo le query intensive separate dal replay 3D reattivo. La distinzione non riguarda solo la velocità, ma i pattern di accesso: il replay è sequenziale e sensibile alla latenza, mentre le query analitiche sono esplorative e scansionano porzioni ampie del dataset.
Uno strato AI ancorato ai dati governati
L’intelligenza sta sugli stessi dati, non accanto. La chat Scout è supportata da uno spazio Genie che converte una domanda in linguaggio naturale in SQL governato; Vector Search alimenta la ricerca di “giocatori simili”. Il dossier sull’avversario è un agente: un supervisore Agent Bricks orchestra Genie, Vector Search e un modello xG registrato in Unity Catalog, e chiama Claude su Model Serving attraverso la Unity AI Gateway. Ogni passaggio è tracciato in MLflow e l’agente ha sempre un fallback deterministico.
- Un solo Unity Catalog per dati, modelli e indici riduce la glue code e mantiene coerenti lineage e governance.
- Separare Lakebase (serving transazionale) e DBSQL (analitica) permette a ogni workload di operare nel proprio ambiente ideale.
- Ancorare ogni interazione AI ai dati governati rende le risposte tracciabili e verificabili, un requisito critico quando una decisione va difesa.
Fonte: Building a soccer coaching app on Databricks — https://www.databricks.com/blog/building-soccer-coaching-app-databricks
Hai qualcosa da aggiungere? Unisciti alla discussione.