Glöm armen — det är benen som avgör serven

När kameran ser mer än ögat

De flesta tennisfans vet att en bra serve handlar om kraft, precision och timing. Men exakt hur en serve byggs upp — vilka muskler som bidrar, hur energin flödar genom kroppen, vad som skiljer en god serve från en mästerlig — har länge varit svårt att mäta på ett meningsfullt sätt.

Det försöker IBM nu ändra på.

Enligt Sportico lanserar teknikjätten under årets US Open ett helt nytt statistikmått för servekvalitet. Systemet bygger på samma kamerateknik som redan används för automatiska linjebeslut, men används här för att spåra 21 specifika punkter på spelarens kropp och racket — hela 50 gånger per sekund. Det är inte slow-motion för ögats skull, utan rörelseinsamling i maskintempo.

Varje serve omvandlas sedan till ett betyg på en skala från 0 till 100, baserat på hur väl spelaren utnyttjar sin kropps rörelsekedja. Systemet mäter bland annat energiöverföring från ben via bål till arm, samt handledets exakta rörelse i kontaktögonblicket med bollen.

Benen slår armen — ett paradigmskifte

Här kommer en av de mest fascinerande slutsatserna från projektet: det är inte armen som driver en bra serve — det är benen och bålen.

Det låter kanske självklart för en erfaren tränare, men för den breda publiken — och för hur statistik traditionellt har presenterats i tennis — är det en ordentlig omvärdering. Tidigare mätvärden har i hög grad kretsat kring bollhastighet, som visserligen är enkel att mäta men säger förvånansvärt lite om servens verkliga kvalitet.

Detta är precis den typ av insikt som uppstår när man slutar mäta det som är lätt att mäta och börjar mäta det som faktiskt spelar roll.

Spelarna själva har länge klagat

Det är också värt att lyssna på spelarna. Amerikanska toppspelarna Ben Shelton och Taylor Fritz — som båda toppar ATP:s servestatistik — har öppet kritiserat hur serven mäts idag. Fritz menar att placering är den viktigaste faktorn, alltså var i servicerutan bollen landar i förhållande till motståndaren. Shelton har uttryckt frustration över att hans effektiva kickserve — en serve med kraftig topspin som studsar högt och utanför motståndaren — kan ge lågt betyg i nuvarande system trots att den fungerar utmärkt i match.

Det är en klassisk utmaning inom mätning av komplexa färdigheter: ett ensidigt mätvärde fångar inte helheten. IBMs nya system försöker ta ett bredare grepp, men det återstår att se hur väl det hanterar just den typen av taktisk servevariaton som Shelton och Fritz beskriver.

Inte bara siffror — en ny förståelse av rörelse

Det som gör detta tekniskt intressant är att systemet i grunden handlar om rörelseintelligens — att låta maskiner analysera hur människokroppen fungerar som en sammanhängande mekanisk enhet. Det är datorseende och maskininlärning i ett konkret, avgränsat användningsfall där resultaten faktiskt kan verifieras mot verkligheten.

Så här ser jag på det som systemutvecklare: det svåraste med den här typen av system är inte att samla in data — kamerorna finns redan på plats. Det svåraste är att definiera vad som ska mätas och varför, och sedan validera att modellens betyg faktiskt korrelerar med matchresultat och spelarnas egna upplevelser.

IBMs samarbete med spelare som Shelton och Fritz antyder att man åtminstone försöker förankra systemet i verklig tenniskunskap, inte bara i statistisk modellering i ett vakuum.

En förelöpare till bredare sportteknik

Tennis är en utmärkt testbädd för den här typen av teknologi: arenan är kontrollerad, spelarna är välkända och rörelseanalys är relevant för både prestation och skadeprevention. Men det är svårt att inte se det uppenbara nästa steget — liknande system för fotboll, basket, friidrott eller simning.

När väl infrastrukturen för att spåra och analysera rörelse i realtid är på plats, kan tillämpningsområdena växa snabbt. Tränarverktyg, rehabilitering efter skada, talangidentifiering — möjligheterna är många och IBMs US Open-satsning kan mycket väl bli ett tidigt praktexempel som andra idrotter tittar på med stort intresse.