— Вы сразу понимали, каким должен быть продукт, или шли от клиентов?

Юра: Примерный образ продукта конечно был был, мы все видим, как работают технологии в профессиональном спорте. Вопрос был не что сделать, а как сделать это в сотни, а то и тысячи раз дешевле, чтобы продукт стал массовым и реально масштабируемым в любительском сегменте.
Звучит уже не просто, а на практике это оказалось ещё сложнее! Задачка со звёздочкой и с кучей подводных камней.

— Здесь ведь и оптика, и компьютерное зрение, и железо, и облака, и интеграции. Как всё это собрать в одну систему?
Константин: Так получилось, что одним из моих предыдущих проектов была платформа для проведения крупных онлайн-ивентов, которую я запускал также в роли CIO ещё в разгар локдауна. Опыт в нем оказался максимально релевантен для PLAI: в том проекте были и реалтайм-механики, и трансляции, и сложная облачная инфраструктура.

Но самое важное, что благодаря интересной концепции PLAI нам с Юрой также удалось привлечь в проект талантливых и профессиональных разработчиков и инженеров.

Инженеры ML/CV и так пришли к нам отличными специалистами, но за эти полтора года, пока мы плотно исследуем AI в спортивной аналитике, на мой взгляд, стали лучшими инженерами на стыке компьютерного зрения и спортивных дисциплин с мячом в России. В отдельной небольшой команде по трансляциям мы занимаемся поиском идеальной картинки, подбором камер, оптики, кодированием. И не могу не порадоваться нашей команде облачной платформы PLAI, где тоже удалось собрать прекрасных разработчиков, с которыми работать, показывать впечатляющие результаты и просто по-человечески общаться — одно удовольствие!

Технология и продукт

— Как внутри PLAI выглядит путь данных — от камер на корте до момента, когда игрок получает хайлайты, статистику или видео в личном кабинете?
Константин: Видео-контент является одной из главных ценностей нашей системы, поэтому мы ориентированы на максимально эффективное использование камер и получаемых с них записей. В первую очередь нужно отметить, что мы используем профессиональные камеры для создания Full HD-видео. Пришли к этому решению после большого количества опытов с разными камерами, и сейчас мы очень довольны результатом, так как не наблюдаем подобный уровень качества и сочности цветопередачи в проектах, аналогичных нашему. На умном корте мы инсталлируем две камеры за спинами игроков, оттуда сигнал поступает в три системы.

— Что оказалось самым сложным: сами технологии или внедрение в работающий клуб?

Юра: Самое сложное — это то, что ты делаешь вещь, у которой почти нет готовых маршрутов. Ты постоянно заходишь в тупики, откатываешься назад, пробуешь снова. Это классический R&D: долго, дорого и без гарантии результата.
Иногда ощущаешь себя мореплавателем XVI века — карты нет, но плыть нужно. Одна ошибка может стоить нескольких месяцев и миллионов рублей. Это довольно стрессово, но именно это нас и драйвит.
Если говорить о бизнес-части, то основные сложности стандартные для России: небольшой рынок, низкая платёжеспособность, нестабильная экономика, короткий горизонт планирования, в общем те же проблемы что и у всех.


— Автоматические хайлайты и статистика выглядят как магия. Как вы научили систему отличать удар от бега?

Юра: Мы довольно быстро поняли, что готовые предобученные модели нам не подходят. Мы перепробовали десятки вариантов и каждый раз упирались в потолок.
В какой-то момент стало ясно: либо мы делаем своё, либо продукта просто не будет. Да, это дороже и сложнее, но именно эти решения сегодня и составляют основу нашей интеллектуальной собственности. И начать конечно же пришлось со сбора и разметки собственных датасетов, так как в открытом доступе подходящих данных в достаточном количестве не оказалось.

— Можете чуть подробнее рассказать о внутрянке технологии?

Данила: Если сильно упростить, задача выглядит так: нам нужно в реальном времени понимать, что происходит на корте — где находятся игроки, где находится мяч и какие события происходят в розыгрыше.
Мы используем две камеры, расположенные на торцах корта. Это позволяет нам минимизировать набор проблем, связанных с перекрытием или исчезновением объектов на одном из ракурсов (спойлер, объекты все равно пропадают). При этом из-за высокой стоимости аппаратной синхронизации кадров между камерами мы выравниваем всё программно, уже на уровне предсказаний моделей.
Все начинается с детекции и трекинга игроков. Первый пункт описывать не будем, тут ребята из ultralytics хорошо постарались за нас, мы лишь дофайнтюнили это решение. Поначалу казалось, что в теннисе и паделе на каждой половине корта находятся разреженные объекты и можно воспользоваться популярными и быстроработающими трекерами без визуальной составляющей. На деле же оказалось, что даже 2-4 игрока могут хорошо перемешиваться во время игрового процесса, выходить из кадра, перекрывать друг друга при праздновании выигранного розыгрыша или во время таймаута. В результате был выбран трекер с анализом визуальных признаков игроков.
Для «приземления» объектов на схему корта и локализации ключевых событий игры необходимо определить ключевые точки корта. Отличительными чертами кортов являются их стандартные размеры, линии разметки, наличие сетки и столбов, обрамляющие площадку. Мы не пошли по пути ручной разметки кортов, так как планируем масштабирование нашего решения на многие площадки, и обучили свой детектор ключевых точек на корте.

Одной из самых сложных задач является детекция мяча, который движется с высокой скоростью и который может достигать размеров всего в несколько пикселей на дальней половине корта. Мы обучили свою собственную модель, которая работает в real-time при 60fps (спойлер, работает лучше, чем TrackNet). Однако для дальнейшего анализа игрового процесса 2D детекции мяча (даже с двух камер) будет недостаточно. Довольно сложно корректно определить z-координату мяча в полете между моментами удара ракеткой и касания об корт. Зная положения двух камер и положение мяча в 2D, при помощи методов стереометрии мы определяем 3D координаты мяча.
Дальше по анализу 3d траектории мяча мы научились определять ряд игровых событий: удар игрока ракеткой по мячу, касание мяча об корт, попадание мяча в сетку, касание мяча об стенку в паделе. В момент удара мы дополнительно определяем расположение ближайшего игрока и его позу для дальнейшей классификации типа удара.
Интересно, что многие современные подходы для регистрации событий, например VLM-модели, разбиваются здесь как волны о скалы из-за размеров и скоростей мяча, а также из-за многочисленных ложных движений ракеткой.
В итоге на текущий момент у нас есть позиции игроков на корте, 3D траектория мяча,поток игровых событий. Возникает вопрос, что же еще необходимо для счастья?!
Если взять час игры, то чистое время игры занимает только 40 – 70% времени. Всё остальное — разминка, сбор мячей, паузы, переходы. Плюс в кадр попадают игроки и мячи с соседних кортов. Это то, что обычно не учитывают в академических статьях, где рассматривается один изолированный корт в стерильных условиях. На десерт остается понимание логики самой игры. Мы определяем начало и конец розыгрышей и уже на этой основе считаем метрики и автоматически собираем хайлайты. Здесь используются как эвристики, так и модели, похожие на state machine.

— С алгоритмами, в самых общих чертах, понятно. Но нейросети сами по себе ещё не продукт. Как вы превратили всё это в стабильный сервис для игроков и клубов?

Константин: Что касается создаваемого нами AI-продукта. Есть такая шутка: мы можем сделать быстро, качественно, дешево – выберите любые два варианта. В нашем случае эта шутка превращается в серьезный и важный поиск компромисса. Сложность задачи, которую мы решаем в области компьютерного зрения, заключается в том, что главным действующим лицом на корте является маленький и быстрый мяч.
«Поймать» его можно, использовав дорогостоящие производительные машины либо выполняя анализ более длительно по времени, но на относительно недорогих вычислительных мощностях. Все это с заданным допуском по качеству детекции (при некачественной детекции можно терять события игры, вроде удара по мячу).
Соответственно, на мой взгляд, для создания классного сервиса с использованием AI нашей главной задачей был поиск баланса между стоимостью серверной инфраструктуры (а она у нас довольно экономичная), и спортивными игровыми метриками, которые мы можем получать в определенных временных рамках. Мы целимся в такую точку, чтобы игрок, выходя с корта уже имел в личном кабинете первичную аналитику. На текущий момент, отображаемая аналитика включает описание действий в команде: стиль игры, координацию, контроль сетки и так далее. У нас уже реализованно получению более детальных индивидуальных метрик: таких как тепловые карты перемещений, ударов, действия в разных областях корта, расширенная статистика по типам ударов и их характеристикам.

— Как вы проектировали платформу с расчетом на масштабирование — чтобы подключать не один-два корта, а десятки и сотни площадок?

Константин: С самого начала, когда мы проектировали PLAI, было бы неверно исходить из того, что нам потребуется поддерживать работу сотен и более кортов. Поскольку это не первый для меня стартап, было четкое понимание разработки дорожной технологической карты, которая подразумевает органический рост проекта. Любая система, при нормальном ходе развития, проходит по спиралевидному циклу: видение, проектирование, разработка, тестирование, внедрение, эксплуатация, обновленное видение — и всё сначала. Изначально у нас была задача заставить работать один демо-киоск. У нас даже появилось имя для этого прототипа — Френки, сокращённо от Франкенштейн, потому что мы постоянно делали какие-то заплатки и с точки зрения железа, и с точки зрения софта. Примерно осенью 2025 года мы сформулировали стабильную версию киоска и в начале года запустили на ней несколько падел-клубов Москвы и Подмосковья. Конечно же, после выхода на настоящих пользователей мы столкнулись с недостатками в мониторинге сбоев и процессах их оперативного устранения. Сейчас мы переживаем еще одну волну расширения, в которой учли набитые ранее шишки, и разработали более совершенную версию киоска. Моя задача на этом пути – организовать гармоничное развитие эффективности нашего IT-блока, через усовершенствование базы знаний, улучшение процессов поддержки инфраструктуры и подотчетности. Повторю мысль Юры, что наш проект сложный и многомерный, и мне неизвестно, чтобы кто-то в мире в принципе делал подобные вещи, не говоря уже о том, насколько у нас компактная команда. Поэтому мы точно двигаемся в правильном направлении.

Рынок и масштабирование
— Умный корт — это затрата или инвестиция для владельца клуба?

Юра: Если продукт не не окупает себя, он никому не нужен — какой бы красивый AI в нём ни был. Поэтому, конечно, это инвестиция. Падел клубы в основном открывают предприниматели, которые о существования падел узнали буквально вчера и в первую очередь им нравятся цифры этого бизнеса, а не сама игра. Поэтому в первую очередь они смотрят на экономику и пока мало кто готов ради красивой идеи в это вкладываться.
Игроки готовы платить больше за корты с нашей системой, плюс растёт общий спрос и загрузка. Помимо прямой финансовой выгоды есть и мета-ценности, это контент, вовлечение, лояльность и сейчас как раз  учимся это измерять, собирать данные и метрики.
У нас есть нижний порог показателей клуба для установки, это загрузка корта не ниже 45% и средняя цена часа — от 3000 рублей, ниже этих показателей мы стараемся не заходить, так как там финмодель уже не такая привлекательная. Исключение это новые классные клубы, в потенциале которых есть уверенность. 
Но надо признать, что клубы с плохими показателями сейчас редко встречаются, даже в регионах. Сейчас в целом спрос на падел и теннис сильно выше предложения, что как предпринимателя меня, конечно, радует, а вот как игрока не очень, так как свободные слоты можно отыскать в 7 утра и после 22 часов что, конечно, не всегда удобно.


— Как вы зарабатываете: продажа оборудования или подписка?
Юра: Основная модель — подписка. Ежемесячный платёж включает аренду оборудования, сервисное обслуживание, софт, облачные вычисления. При желании оборудование можно выкупить, тогда остаётся только подписка на программную часть и сервис.

— Это индивидуальные проекты или типовое решение?
Юра: Типовое. Геометрия кортов стандартизирована. Единственный нюанс — цвет покрытия: под новые цвета иногда приходится дообучать нейросети, а сейчас в погоне за инстаграмной картинкой и уникальностью, каких только цветов корта не делают.

Личное и финал
— Проект дорогой. Не страшно?

Юра: Финансирование венчурное, за счёт инвестиций, своих таких ресурсов на разработку нет. Для нас самое страшное, это потратить несколько лет жизни впустую, ведь мы фактически живём этим 24/7 и плюс потерять репутацию в случае неудачи. В России в целом довольно плохо относятся к неудачам, и это сильно тормозит рост стартап предпринимательства в целом. Ведь, как говорят в скейтбординге – «чем больше ты падаешь, тем меньше ты падаешь», без этого никуда. Но мы вроде как уже опытные 40-летние «скейтбордисты», поэтому надеемся и делаем всё, чтобы проект реализовался. Как минимум мы технологически одни из мировых лидеров, поэтому если в России будем буксовать, то попробуем подстраховаться другими странами, так как мы более чем конкурентоспособны на глобальном рынке.

— Что из задуманного не удалось реализовать?
Юра: Реалтайм-арбитра, с него мы, собственно, и начинали. Всё упирается в скорость: чтобы детекция работала быстрее секунды, нужно очень мощное оборудование, а это разрушает всю экономику масштабирования. Думаю, через 3-4 года, с удешевлением железа, мы это реализуем, ведь с точки зрения ПО у нас уже почти всё есть.

— Кто ваш первый клиент?

Юра: В конце прошлого года (2025-го) PLAI стал победителем спорттех-акселератора Сколково. В жюри были представители Лужников и PARI, собственно, они и стали первыми внешними клиентами. После демо они сами подошли к нам познакомиться и предложили сотрудничество, так что это был важный момент валидации. До этого мы тестировали систему у друзей, в клубах PlayPark и Padel Battle.


Большое спасибо! От лица Bravopadel пожелаем проекту удачи, а всем нам непрерывного самосовершенствования на кортах и за их пределами.