Mentes en juego
INTELIGENCIA ARTIFICIAL. Tiempo de lectura: 20 minutos.
El MIT Sports Lab ayudó a desarrollar una herramienta que los árbitros utilizaron para tomar decisiones cruciales en la última Copa del Mundo, pero su trabajo en curso con la FIFA es solo una de las muchas colaboraciones con los pesos pesados del deporte.
La final del Mundial Masculino de 2022 en Qatar entre Argentina y Francia se perfilaba como uno de los partidos más épicos de la historia del fútbol. A falta de solo 12 minutos de la prórroga añadida al partido para deshacer el empate, el árbitro tenía que tomar una decisión crucial, y rápido.
Lionel Messi, el capitán argentino y leyenda del fútbol, acababa de lanzar el balón más allá de la línea de gol francesa, dando a Argentina una ventaja de 3-2. El público rugió, pero se levantó una bandera. Un árbitro pensó que, poco antes de que Messi chutara el balón, el delantero argentino Lautaro Martínez había estado más cerca de la portería que cualquier jugador francés, aparte del portero, cuando recibió un pase, lo que lo colocaba en una posición de "fuera de juego" ilegal.
Si el árbitro principal pitara fuera de juego a Martínez, el gol no contaría. Si lo declarara en posición reglamentaria, Argentina mantendría su ventaja de 3-2 a falta de minutos para el final.
El peso de algo más que una sola decisión de fuera de juego recaía sobre los hombros de ese árbitro; era el peso del propio Mundial.
Pero en 2022, por primera vez en la historia de la célebre competición, los árbitros tuvieron acceso a la tecnología de fuera de juego semiautomatizada (SAOT), un sistema que podía analizar rápidamente la jugada y detectar a un jugador en fuera de juego. En este caso, generó una imagen que revelaba que un defensa francés estaba ligeramente más cerca de la portería que Martínez, dejando por muy poco al delantero argentino en una posición de ataque legal.
El árbitro dictaminó que el gol era válido: 3-2, Argentina.
SAOT produjo esta imagen para determinar si el delantero argentino Lautaro Martínez (de blanco) estaba en fuera de juego. Muestra que solo los dedos de Martínez habían cruzado la línea blanca vertical hacia territorio de fuera de juego. Las manos y los brazos de los jugadores no se tienen en cuenta para las decisiones de fuera de juego, por lo que Martínez fue declarado en posición reglamentaria.
Argentina se proclamó finalmente campeona, ganando una tanda de penaltis después de que un gol tardío del delantero francés Kylian Mbappé empatara el partido 3-3. Solo en un universo paralelo sabremos cómo habría transcurrido el partido —y el to eo— si el árbitro hubiera anulado el gol de Messi.
Para la FIFA, el organismo rector del fútbol mundial, el SAOT es una de las últimas incorporaciones a su cartera de innovaciones utilizadas en el Mundial. Desde la tecnología de la línea de gol hasta las herramientas de videoarbitraje (VAR), la tecnología arbitral ya es habitual en la élite de este deporte.
Pero el SAOT forma parte de un panorama tecnológico deportivo más amplio que se extiende mucho más allá del fútbol. Y uno de los principales actores en ese panorama es el mismo equipo que colaboró con la FIFA para llevar el SAOT al terreno de juego en primer lugar: el MIT Sports Lab. Fundado en 2015, el laboratorio se centra en el uso de la tecnología y la ciencia de datos para abordar problemas reales a los que se enfrentan atletas, equipos, y organizaciones y marcas deportivas.
El laboratorio ha trabajado con la FIFA, la NBA, la NFL y Adidas, y colabora con una multitud de otras organizaciones deportivas y actores de la industria. Parte de su trabajo puede estar escondido en las suelas de tus zapatillas de correr, en las decisiones que toma tu equipo favorito de la NBA, o incluso en el escenario más grande del fútbol, como fue el caso en lo que la AP calificó como “probablemente la final más salvaje en los 92 años de historia del to eo”.
Los orígenes del MIT Sports Lab se remontan a alrededor de 2010, cuando Anette “Peko” Hosoi, profesora Pappalardo de Ingeniería Mecánica, se enamoró del ciclismo de montaña en descenso y necesitaba una bicicleta nueva. Pero, dados los variados sistemas de suspensión, tipos de amortiguadores y geometrías, le resultó difícil elegir la mejor. Al encontrar solo información mínima en línea, asignó el análisis a su clase 2.001, el curso introductorio de mecánica. “Todos mis exámenes de ese semestre fueron preguntas sobre bicicletas”, dice ella. También resultaron ser muy buenas preguntas de ingeniería.
Tras haber obtenido recientemente la titularidad, se preguntó: ¿Y si realmente convertía este tema deportivo en algo más grande? En 2011, comenzó a conceptualizar un proyecto llamado STE@M (Sports Technology and Education at MIT), que reuniría a estudiantes, profesorado, atletas y socios de la industria para abordar desafíos de ingeniería deportiva. A medida que el proyecto tomaba impulso durante los años siguientes, Hosoi comenzó a colaborar con Christina Chase, la nueva emprendedora residente del MIT, y en 2015 ambas cofundaron el MIT Sports Lab.
La profesora de ingeniería mecánica Anette “Peko” Hosoi planteó desafíos de ingeniería de bicicletas a sus estudiantes cuando necesitaba una bicicleta de montaña mejor. En 2015, cofundó el MIT Sports Lab con la empresaria y profesora de ingeniería mecánica Christina Chase.
“Resultó que somos la combinación perfecta para esto porque mi formación procede del ámbito de las matemáticas, la física y la ingeniería”, dice Hosoi. “Y ella viene del lado del emprendimiento y el desarrollo de productos. Para interactuar realmente con estas diferentes empresas y ligas deportivas, es necesario abarcar todo ese espectro”. Chase se convirtió en la directora general del laboratorio y Hosoi en su directora académica.
Durante más de una década, el Sports Lab ha crecido a medida que el interés en la tecnología deportiva se ha disparado, y en el proceso ha acumulado lo que los aficionados más jóvenes describirían como un conocimiento de élite del deporte.
Esta profundidad es exactamente lo que necesitan sus socios.
“Cada vez se recopilan más y más datos”, dice Hosoi. “Muchos de los equipos, ligas y marcas no disponen necesariamente del personal inte o para extraer la información que necesitan. Ahí es donde podemos darles un impulso”.
Cuando los investigadores del MIT examinaron los primeros datos esqueléticos que representaban a futbolistas en movimiento, vieron "esqueletos" volando por encima del suelo o completamente bajo tierra, en posiciones anatómicamente imposibles.
La asociación con la FIFA ha sido especialmente fructífera —y el papel del Sports Lab en la validación del SAOT probablemente ha tenido más impacto que cualquier otro proyecto en el que las organizaciones han trabajado juntas, afirma Ferran Vidal-Codina, SM ’13, PhD ’17, un antiguo científico investigador del laboratorio que formó parte del equipo de la FIFA, el MIT y proveedores de datos exte os que desarrolló la tecnología.
La viabilidad del sistema dependía de la capacidad de acceder y analizar rápidamente lo que se conoce como datos de seguimiento —el registro de todos los movimientos de los jugadores y el balón a lo largo de un partido.
Para recopilar esa información en los to eos FIFA de máximo nivel, los proveedores de datos instalan aproximadamente 12 cámaras de última generación alrededor del estadio, capturando imágenes al doble o más de la velocidad de las cámaras de transmisión normales. Los algoritmos de visión por computador luego convierten las señales en lo que se denomina datos esqueléticos —representaciones 3D de los jugadores en movimiento.
«Es una tonelada de datos: 22 jugadores, un árbitro, dos árbitros asistentes, [cada uno con] 29 articulaciones con coordenadas XYZ, 50 veces por segundo», afirma Henry Wang ’23, exnadador del equipo universitario del MIT que obtuvo títulos universitarios tanto en analítica de negocios como en ciencias de la computación, economía y ciencia de datos, y ahora es candidato a doctorado en Sloan y consultor de investigación de la FIFA en el MIT Sports Lab.
Lionel Messi marca el tercer gol de Argentina ante Hugo Lloris de Francia durante la final de la Copa Mundial de la FIFA 2022 en Qatar. Argentina se impuso a Francia en el partido.
Esto equivale a unos 108.900 puntos de datos por segundo para un partido que dura al menos 90 minutos. Y eso es solo en cuanto a jugadores y árbitros—un chip incrustado en el balón también recopila datos de posición y velocidad 500 veces por segundo*. En total, esto supera holgadamente la docena de gigabytes de datos esqueléticos y de seguimiento del balón por partido.
La FIFA estaba encantada de tener tantos datos con los que trabajar. Pero en to o a 2021, cuando los proveedores exte os empezaron a ofrecer datos esqueléticos, la organización no disponía del abanico completo de conocimientos técnicos necesarios para validarlos. «Así que los datos nos fueron enviados», dice Wang.
De inmediato, el equipo del Sports Lab identificó algunos problemas. «Vimos 'esqueletos' volando por encima del suelo o completamente bajo tierra, en posiciones anatómicamente imposibles», recuerda Vidal-Codina. «Vimos esqueletos cuyos huesos y extremidades se estiraban de 30 centímetros a varios metros. Vimos balones realizando movimientos anómalos en el aire. Toda clase de anomalías que, al observarlas —sí, estaba claro que aquello no estaba listo para ser utilizado».
A menudo, cuando hay una nueva idea en marcha, «somos nosotros quienes la abordan por primera vez», afirma Henry Wang '23, investigador del Sports Lab y estudiante de doctorado. «Somos quienes prototipan y demuestran que es posible».
La labor del laboratorio al abordar este problema consistió primero en validar los datos que se introducían en el sistema y luego en confirmar que el algoritmo SAOT en sí mismo funcionaba exactamente como los proveedores exte os afirmaban.
En 2021 y 2022, la FIFA realizó multitud de pruebas. Tras alquilar un estadio durante varios días, la organización llevó a los proveedores de datos a las instalaciones, donde jugadores aficionados, o a veces incluso personal de la FIFA, realizaban decenas de ejercicios de fuera de juego mientras esos proveedores recopilaban datos en tiempo real.
El laboratorio se centró en analizar esos datos y transmitir los resultados a la FIFA y sus proveedores, lo que los incentivó a realizar mejoras y, al mismo tiempo, arrojó luz sobre puntos ciegos que a veces ni siquiera sabían que tenían, comenta Vidal-Codina. El laboratorio pudo, por ejemplo, analizar cómo podría variar la decisión si se enfocaba en el cuerpo entero de un jugador, incluyendo brazos y pie as, o solo en el centro de masa.
Antes de que la tecnología pudiera llegar oficialmente al terreno de juego, el Laboratorio de Deportes tuvo que responder a algunas preguntas clave. En primer lugar, ¿podría la FIFA recopilar datos en tiempo real de los proveedores con la suficiente rapidez como para que las evaluaciones durante el partido fueran viables? Los investigadores ayudaron a responder a esto construyendo una herramienta en Google Cloud para recopilar datos a medida que se generaban, de modo que el laboratorio pudiera comprobar posteriormente la latencia, lo que permitía a la FIFA comprender cuán "en tiempo real" eran realmente sus datos.
También fue crucial determinar si dos conjuntos de datos —los datos esqueléticos y la información capturada por lo que se conoce como tecnología de balón conectado— podían combinarse de forma fiable para arrojar una decisión de fuera de juego correcta. El laboratorio ayudó a hacer precisamente eso, desarrollando un protocolo que sincronizaba los sistemas que recopilaban datos esqueléticos y de balón conectado.
Después de validar SAOT, ajustarlo y probarlo en muchas situaciones, incluyendo algunos partidos oficiales de la FIFA en 2021 y 2022, «la FIFA consideró que podía utilizarse en el mayor escenario posible, que era el Mundial», dice Vidal-Codina. De hecho, el presidente de la FIFA, Gianni Infantino, respaldó la herramienta en persona cuando debutó en Catar.
A lo largo del to eo de 64 partidos, SAOT asistió en más de 150 decisiones de fuera de juego, algunas con consecuencias importantes. Ocho goles fueron anulados después de que un árbitro declarara fuera de juego al equipo anotador; dos goles se añadieron al marcador después de que un árbitro hubiera anulado incorrectamente un gol que, de hecho, no era fuera de juego; y en siete casos, una decisión de fuera de juego asistida por SAOT cambió el resultado del partido.
Estos resultados subrayan lo crucial que puede ser una única decisión de fuera de juego, dada la escasez de goles habitual en el fútbol, y cómo herramientas como SAOT pueden contribuir a mejorar el juego. «En general, las decisiones se han tomado más rápido y mejor. En definitiva, eso es lo que buscamos», afirma Vidal-Codina.
La tecnología también alivia parte de la presión sobre los árbitros. «Yo diría que el objetivo de nuestro trabajo es asegurar que el árbitro esté lo más informado posible sobre las decisiones que toma», afirma Wang. «Es un trabajo increíblemente difícil». Durante los partidos del Mundial, las imágenes animadas del SAOT se mostraron en las pantallas de los estadios y estuvieron disponibles para hasta 5.000 millones de espectadores a través de diversas plataformas para ayudarles a comprender las decisiones arbitrales.
Pero la tecnología está destinada a asistir a los árbitros, no a sustituirlos. «No queremos que la gente piense que estamos automatizando a los árbitros. Les puedo garantizar que el árbitro no va a desaparecer», asegura Wang. «Queremos asegura os de que el elemento humano sea transparente, que esté informado, y que estemos ayudando a los árbitros a hacer su trabajo».
Puede que SAOT haya sido el proyecto de la FIFA de mayor repercusión del Sports Lab hasta la fecha, pero el laboratorio ha tenido un papel crucial en la configuración de la estrategia de innovación más amplia de la organización. Ha contribuido a mejorar la forma en que la tecnología —desde hardware como cámaras hasta herramientas de arbitraje como SAOT— se prueba y certifica antes de llegar al terreno de juego. Desde 2021, el proceso de la FIFA para certificar los sistemas de los proveedores de datos incluye que el Sports Lab evalúe su latencia de datos a partir de un evento de recopilación de datos en vivo, utilizando la misma infraestructura que construyó para validar SAOT. Y a menudo, cuando hay una nueva idea en marcha, «somos nosotros quienes damos el primer paso», dice Wang. «Somos nosotros quienes prototipamos y demostramos que es posible. Es una llamada a la industria para decir: ‘Oye, esto es interesante’».
La FIFA no es la única organización interesada en la información que los datos de seguimiento pueden ofrecer; la NBA lleva más de una década recopilándolos. En 2025, Hosoi y el Laboratorio de Deportes del MIT publicaron un artículo basado en una colaboración entre la NBA y el MIT que tenía un enfoque único: en lugar de utilizar los datos de seguimiento para analizar los elementos físicos del juego, buscaron comprender los mentales.
“Actualmente, se mide todo lo físico de un atleta”, dice Hosoi. “Pero si hablas con las organizaciones, te dirán que la parte mental del juego es igual de importante. Y no tenemos herramientas para medir la parte mental. Así que la pregunta es, ¿podemos usar los datos de seguimiento físico para extraer métricas de rendimiento mental?”
En baloncesto, una parte importante del juego mental se reduce a las decisiones sobre cuándo tirar a canasta y cuándo pasar. Pero no es tan fácil determinar qué jugadores están tomando buenas o malas decisiones. Así que los investigadores del MIT crearon una métrica llamada valor de acción esperado (EAV), que es esencialmente una evaluación de la probabilidad de éxito de una jugada. Utilizando un modelo entrenado con los 786.208 pases de la temporada 2018-2019 de la NBA y los 1,4 millones de tiros de 2013 a 2019, pudieron calcular los resultados esperados de diferentes jugadas.
El EAV tiene en cuenta la velocidad del tiro y la aceleración del jugador que realiza el tiro, así como las posiciones de los jugadores en la cancha. Por ejemplo, un tiro de tres puntos sin oposición desde la esquina tiene un EAV más alto que un intento de dos puntos de un jugador que está siendo defendido por dos ("doble marcaje") más cerca de la canasta (o "en la zona"). Este enfoque puede indicar no solo la probabilidad de un tiro exitoso, sino también las posibilidades de un pase exitoso. Si el jugador decide pasar en lugar de tirar, y el receptor del pase tiene una posibilidad razonable de encestar, entonces esa fue una buena decisión por parte del pasador.
Un historial consistente de decisiones de alto EAV —pasando el balón en algunos momentos, lanzando en otros— significa que un jugador está tomando buenas decisiones. “Simplemente puedes calcular: ¿Cuántas veces toman buenas decisiones los jugadores? ¿Cuántas veces toman malas decisiones? Y podemos clasificar a los jugadores de la NBA entre los que toman buenas decisiones y los que toman malas decisiones”, afirma Hosoi.
Este enfoque también puede ayudar a los equipos a ver si se están dejando puntos por el camino. Dado que los equipos promediaron alrededor de 110 puntos por cada 100 posesiones en la temporada 2019 de la NBA, o 1,1 puntos por posesión, si un jugador desecha una opción de jugada con un EAV superior a 1,25 por una jugada con un EAV inferior, el modelo del Sports Lab lo clasifica como una «oportunidad perdida». Marcar estos momentos ahorra tiempo a los entrenadores, que tienen que revisar vídeos de al menos 82 partidos cada temporada. «Si podemos señalar las marcas de tiempo de los diferentes partidos donde vuestros chicos podrían haber perdido una oportunidad, podéis aprovecharos de eso, ¿verdad?», dice Hosoi.
A estas alturas, el MIT Sports Lab no necesita realmente publicitar sus servicios. «Si eres bueno en los deportes, todo el mundo que necesite saberlo lo sabrá», dice Hosoi. Los socios del laboratorio acuden a él si necesitan respuestas a sus preguntas —como hizo la NFL durante la crisis del covid.
A principios de la temporada 2020, algunos equipos habían abierto sus estadios para una asistencia presencial limitada, mientras que otros no permitían la entrada de aficionados. En marzo de 2021, «se publicó un artículo que afirmaba que en las ciudades donde se habían abierto los estadios de la NFL, había picos de casos de COVID», recuerda Hosoi. «Y la NFL nos llamó y nos dijo: ‘Esperad, ¿es esto cierto? Porque si es cierto, vamos a parar. ¿Podríais hacer un análisis sobre esto?’»
Tras investigar, el Sports Lab identificó un problema con el artículo original. Los equipos de la NFL tomaban decisiones sobre la apertura de los estadios en conjunto con los propietarios de los estadios y los gobie os locales. Lo que el artículo no consideró, sin embargo, fue que algunos estados tenían protocolos de COVID más estrictos que otros, y eran los estadios en esos lugares los que tendían a permanecer cerrados para los aficionados.
El laboratorio tuvo en cuenta los factores de confusión implicados y descubrió que abrir un estadio con protocolos de distanciamiento y uso de mascarillas no tuvo ningún efecto en los casos de COVID. De hecho, el análisis reveló que en algunos lugares, la asistencia presencial se correlacionaba con un número total de casos inferior al esperado. Hosoi plantea la hipótesis de que esto se debía no solo a que los estadios abiertos requerían asientos distanciados y otras medidas de seguridad, sino también porque si los aficionados estaban en el estadio, solían estar al aire libre, y no socializando en un bar abarrotado o en casa de un amigo. En parte, a raíz de estos hallazgos, la NFL decidió abrir todos los estadios para la asistencia presencial en la temporada de 2021.
La experiencia del Sports Lab no se limita al análisis de datos; las empresas también pueden llevar sus problemas de hardware y de producto al laboratorio. Adidas, por ejemplo, había anunciado en 2015 el desarrollo de una entresuela impresa en 3D para zapatillas de correr y estaba deseosa de lanzarla al mercado. Se asoció con Carbon, una empresa de Silicon Valley especializada en la tecnología, y hacia 2017, el fabricante de calzado finalmente había encontrado una manera de producir entresuelas impresas en 3D a una velocidad que pudiera igualar la escala comercial.
Aun así, no estaba del todo segura de cómo utilizar esta innovación. Adidas se acercó al Sports Lab con una gran pregunta, que Sarah Fay ’15, SM ’18, PhD ’21, resume así: “Sabemos que podemos hacer todas estas cosas tan innovadoras, pero ¿qué deberíamos hacer para crear una zapatilla de alto rendimiento?”
“Una zapatilla de running normal solo tiene una placa de espuma en la parte inferior”, explica Fay, quien abordó este proyecto mientras realizaba su doctorado. “Solo se puede cambiar la rigidez cambiando el grosor. Lo más interesante de la impresión 3D es que se puede cambiar la rigidez sin tener que cambiar la forma, la huella de la entresuela—simplemente cambiando la arquitectura de la celosía.”
Pero la fabricación de una zapatilla de alto rendimiento resultaría complicada: no hay dos corredores humanos iguales, y por aquel entonces no existían muchos datos del mundo del running. Así que Fay recurrió a modelos mecánicos —en particular, el modelo masa-muelle-amortiguador para analizar el comportamiento dinámico de un sistema—, que Thomas McMahon, pionero de la biomecánica en Harvard, había utilizado para evaluar diferentes superficies de carrera en la década de 1970. «Un modelo simple puede ser superpotente», afirma Fay.
Fay iteró sobre esta base para construir un modelo con un centro de masa, una cadera rotatoria y una pie a que se estira. Podía predecir cómo corredores de una altura, peso y longitud de pie a determinados ajustarían su zancada en respuesta a diferentes niveles de elasticidad y absorción de impactos en una zapatilla de prueba sencilla. Esto permitió a Fay y Hosoi probar la respuesta de la zancada a medida que variaban la rigidez de varias partes de la entresuela.
Sarah Fay ’15, SM ’18, PhD ’21, sostiene una entresuela impresa en 3D para una zapatilla de correr. Trabajando con Peko Hosoi en el Sports Lab, desarrolló un modelo que permite predecir cómo diferentes entresuelas afectarían la zancada de un corredor en particular.
Para asegurar la precisión del modelo, también tuvieron en cuenta que los corredores suelen (y a menudo inconscientemente) intentar minimizar lo que ellos denominaron una «función de coste biológico» de la carrera, como el impacto que sienten cuando su pie golpea el suelo, o la brusquedad de su zancada. En múltiples simulaciones, optimizaron su modelo para diversas funciones de coste biológico y compararon las zancadas resultantes con zancadas reales registradas en un estudio previo en cinta de correr. Al descubrir que la mayoría de los corredores intentan minimizar tanto el impacto de sus pies como la cantidad de energía que gastan sus pie as, Fay y Hosoi pudieron optimizar el modelo para esos dos factores y ofrecer proyecciones de zancada altamente precisas. Y la capacidad de predecir la zancada hizo posible predecir el rendimiento de un calzado.
Adidas utilizó el modelo para ayudar a evaluar posibles diseños de entresuela con estructura reticular, seleccionando el de mejor rendimiento para su fabricación y pruebas más formales. «Esas son las zapatillas que Adidas acabó fabricando y vendiendo, y que yo llevo prácticamente todos los días», dice Fay. Imagina que un día será posible analizar vídeos de corredores, determinar las mejores arquitecturas de zapatillas para corredores específicos e imprimir en 3D zapatillas diseñadas solo para ellos.
Fay pudo aportar la experiencia en matemáticas e ingeniería que le faltaba al equipo de Adidas. Y al darle la oportunidad de combinar sus habilidades técnicas con su experiencia como atleta de toda la vida, habiendo jugado tanto hockey sobre hierba como squash en el MIT, el Sports Lab pudo haberla ayudado a encontrar su vocación. Hoy, dirige su propio laboratorio de investigación relacionado con el deporte en Smith College, donde es profesora asistente de ingeniería y estudia la biomecánica de las botas de fútbol y su papel en el riesgo de lesión de rodilla de los jugadores.
“La parte fundamental del deporte para mí es que fue un espacio seguro donde pude aprender a ser una líder, una persona y una compañera de equipo”, afirma. “Y consideré que esa era una razón lo suficientemente válida para orientar mi trayectoria profesional en esa dirección”.
Lo que Vidal-Codina denomina la «característica más mágica» del laboratorio es que se adapta a las necesidades de sus socios de la industria deportiva allá donde se encuentren. Según sus palabras, sus científicos pueden decir: «De acuerdo, ¿en qué necesitan ayuda? Puede que tengamos las habilidades o la metodología para encontrar una solución. Así que sentémonos juntos e intentemos resolverlo.»
“Lo mejor del Sports Lab es la comunidad de personas que hemos construido: una línea de conexión directa desde las industrias y los equipos hasta nuestros estudiantes y nuestro profesorado.” Anette “Peko” Hosoi, Catedrática Pappalardo de Ingeniería Mecánica, MIT.
Pero su trabajo beneficia tanto a la comunidad del MIT como al mundo del deporte profesional. El Sports Lab acoge una Cumbre Anual de Deportes del MIT (MIT Sports Summit), que reúne a profesionales técnicos y de gestión del deporte en el campus para ayudar a estudiantes, profesores y figuras de la industria a establecer contactos personales y compartir su trabajo. Hosoi y Chase también imparten el curso 2.98 (Tecnología Deportiva: Ingeniería e Innovación), una asignatura que involucra a los estudiantes del MIT en proyectos industriales reales. Además, el laboratorio aporta conocimientos deportivos de nivel profesional a los atletas del MIT, asociándose con el departamento de deportes en proyectos como el análisis del NCAA Power Index —la métrica utilizada para seleccionar y clasificar equipos para el to eo nacional de la División III— con el objetivo de ayudar a los equipos del MIT a maximizar sus posibilidades de asegurar plazas. Otro proyecto implica la recopilación de estadísticas personalizadas de sala de pesas de los atletas en un panel de control para dar a los entrenadores una visión de su rendimiento y mejorar su recuperación. El laboratorio también trabajó con un jugador de fútbol del MIT para crear una herramienta que rastrea automáticamente las secuencias de pases que conducen a goles, arrojando luz sobre qué jugadores contribuyeron. Actualmente es ampliamente utilizada por los equipos de fútbol del Instituto.
«Lo mejor del Sports Lab es la comunidad de personas que hemos construido —una línea de conexión directa desde las industrias y los equipos hasta nuestros estudiantes y a nuestro profesorado», dice Hosoi. «Esa colaboración es mejor que la suma de las partes».
Aunque el trabajo del laboratorio se desarrolle entre bastidores, su influencia seguirá extendiéndose por el mundo del deporte, desde los partidos de fútbol en nuestros televisores durante la Copa del Mundo de este año hasta las zapatillas que calzamos.
Y el laboratorio lo hará formulando la pregunta más importante de todas: «¿Cómo podemos ayudar?».
Por: Emiko Pope ’25.
Sitio Fuente: MIT Technology Review