Databricksでサッカーのコーチングアプリを構築する

Tracking data is now the richest signal in sport, but the real gap is turning the data into something a coach can actually use.

A modern match is captured at 25 frames per second (fps) from 19 separate feeds: every player, the ball, and every event, many times a second. For one tournament, that is 339 matches and 51 million rows of tracking data. Yet almost none of it is usable by the person who needs it most. A coach on the bench cannot read a 51-million-row table. Coach's Corner closes that gap, entirely on one platform.

The challenge is not just scale, but timing and cognition. Coaches make decisions in seconds, not minutes, and traditional analytics workflows assume the opposite: batch processing, offline dashboards, and post-match review. Even when insights exist, they are buried behind tooling that requires an analyst to interpret and relay them. This creates a structural bottleneck in which the data is rich, and the models are sophisticated, but the decision-maker is effectively blind at the moment that matters.

Meet Coach’s Corner, “La Pizarra”

La Pizarra（「黒板」）は、Databricks Appとして動作するナショナルチームのテクニカルベンチです。コーチは試合を選んで2Dまたは3Dでリプレイし、放送アングルから俯瞰のタクティカルビューへカメラを切り替え、最大8倍速でスクラブできます。リプレイには、ショットとxGマップ、パスネットワーク、ヒートマップ、セットプレー、チームシェイプ、ピッチコントロール、ボール軌跡、選手パスなどの分析が重畳されます。リプレイ機能と統合された高度なツールには、包括的な順位表ビュー、イベント駆動分析、任意のチームを評価するための独自のScoutスタイルシグネチャ、来る相手チーム向けにオンデマンドでドシエを生成できるTactical Agentがあります。

ベンチビューでは、放送とタクティカル俯瞰の視点をシームレスに切り替えながら、試合全体をコーチの手元に置きます。8倍速スクラブや、パスレーンやヒートマップの自動オーバーレイにより、ピッチコントロールやチームシェイプといったタクティカル要素は、遠くの指標ではなくフィールド上の具体的なパターンとして体感できます。

Coach's Cornerの技術基盤は、単一の指針によって決定されました。インターフェースは複雑な分析機器ではなく、コーチの自然な直感の延長として機能しなければならないということです。これを実現するには、インタラクションのオーバーヘッドを減らし、従来のグラフよりも空間的な文脈を優先し、すべての指標を試合の動的な要素として提示する設計が必要でした。洞察をプレイフィールドに直接結びつけることで、アプリケーションは手動でのデータ解釈を不要にし、重要な分析を最も必要な瞬間に届けます。

One platform, every hop

コアとなるデータエンジニアリングは舞台裏で行われます。生のトラッキングフィードはNDJSONとしてUnity Catalog Volumeに着地し、Auto LoaderがLakeflow Connectパターンを使って増分取り込みを行います。そこからSpark Declarative Pipelinesがデータをbronze、silver、goldの各層で処理し、Photon上で完全にサーバーレスで実行され、46の名前付きデータ品質期待値が適用されます。最終的なgoldテーブル（5100万行のフレームテーブルを含む）はliquid clusteringを活用し、小規模ウェアハウス上でDBSQLにより1〜3秒のクエリ応答時間を実現します。すべてのボリューム、テーブル、モデル、インデックスを単一のUnity Catalogに統合することで、アーキテクチャはベンダーグルーコードや二次的なガバナンスシステムを排除します。

このアーキテクチャは、専門的なマイクロサービスへの移行を意図的に避けることで断片化を防ぎました。取り込み、変換、サービング、AIオーケストレーションをそれぞれ独立して最適化したスタックに分割するのではなく、単一のプラットフォーム上に統一しました。すべてをDatabricks内に留めることで、理論上の柔軟性と引き換えに運用の一貫性——単一のガバナンス層、一貫したリネージ、システム間のインピーダンスミスマッチの解消——を得ました。これはAIを導入する際に特に重要です。統制されていない、または一貫性のないデータのコストは急速に増大するためです。

Spark Declarative Pipelinesは、命令型モデルから明示的なモデルへの移行により信頼性を再定義します。埋め込まれた前提条件を持つ硬直したジョブに頼るのではなく、データ品質を最重要課題として形式的な期待値を適用します。この46の期待値のスイートは二重の目的を果たします。パイプラインをリアルタイムで保護するとともに、リプレイ、分析、AIエージェントを含む下流のコンシューマーに対してデータの「正しさ」を確立します。

下の図はベンチビューを支えるアーキテクチャです。上部には、コーチが触れる体験——リプレイ、分析、スカウト、順位表、エージェント——があります。中央では、それぞれの体験がガバナンス層で支えられています。データとモデルのためのUnity Catalog、分析およびトランザクションサービングのためのLakehouseとLakebase、類似性のためのVector Searchです。下部には、すべてが始まる生の現実——25fpsのトラッキングフィード、マッチイベント、選手プロファイル、ラインナップ——があり、これらはすべてオープンレイクに着地します。

Optimized serving paths for speed and scale

ピークパフォーマンスを確保するため、アプリケーションはデータ取得のために2つの異なるアーキテクチャパスを利用します。高速トラッキングリプレイはLakebaseによって支えられ、goldテーブルをPostgresに同期することでミリ秒レベルのウィンドウ化フレーム読み取りを実現します。ブラウザのクロックが必要なフレームのみをプルし、試合全体をスキャンしないようにすることで、流動的なインタラクティブ体験を維持します。一方、重いイベント分析はStatement Execution API経由でSQLウェアハウスにルーティングされ、計算負荷の高いクエリをレスポンシブな3Dリプレイから分離します。

LakebaseとDBSQLの意図的な二分化は、単なる速度ではなく異なるアクセスパターンに対応します。リプレイ機能は特定のデータセグメントに対する順次かつレイテンシに敏感な読み取りを必要とする一方、分析ワークロードは探索的で広範なデータセットスキャンを必要とすることが多いです。これらのパスを分離することで、各ワークロードは理想的な環境内で動作し、分析のスパイクがリプレイ体験を低下させたり、不要な過剰プロビジョニングを必要としたりすることを防ぎます。

LakebaseとDBSQLの分離は、パフォーマンスだけでなくアクセスパターンに関するものです。リプレイワークロードは高度に順次的でレイテンシに敏感であり、データの狭いスライスに対する予測可能なミリ秒単位の読み取りを必要とします。一方、分析クエリはバースト的で探索的であり、データセットのより大きな部分をスキャンすることが多いです。これらを単一のサービングレイヤーに統合しようとすると、リプレイが遅くなったり、分析が過剰プロビジョニングされたりします。パスを分割することで、各ワークロードは妥協なく理想的な環境で動作できます。

An AI scouting layer, grounded in governed data

インテリジェンスは、統制された同じデータ上にあり、その横に置かれることはありません。Scoutチャットは、本物のGenie spaceによって支えられており、コーチの自然言語の質問を統制されたSQLに変換します。Vector Searchは、選手プロファイルインデックス上で「類似選手」を検索します。相手ドシエはエージェントです。Agent BricksのスーパーバイザーがGenie、Vector Search、Unity Catalogに登録されたxGモデルをオーケストレーションし、統制され観測可能なLLM呼び出しのためにUnity AI Gateway経由でModel ServingのClaudeを呼び出します。すべてのステップはMLflowでトレースされ、エージェントには常に決定論的なスクリプトフォールバックがあるため、観衆の前で途切れることはありません。ボード上のコーチが見ている同じカタログを読み込むため、回答はデータと一貫性を保ちます。

下のスカウトビューでは、コーチはクエリを書いているのではなく、ロッカールームでするような方法で質問をしています。Genieは「xG vs xBAについて尋ねる」を受け取り、それを統制されたSQLに静かに変換し、ベンチを支える同じトラッキングおよびイベントデータを使用します。回答は一般的なLLM応答ではなく、Unity Catalogに登録された正確なテーブルとモデルに基づいているため、スカウトのナラティブはアナリストが見る数字と一致します。

応用AIにおける最も難しい問題の1つは、回答を生成することではなく、それらが追跡可能で弁護可能であることを保証することです。コーチングの文脈では、誤った、または検証不可能な洞察は、洞察がないことよりも悪い結果をもたらします。すべてのAIインタラクションをUnity Catalogに基盤付け、すべてのモデル呼び出しをUnity AI Gateway経由でルーティングすることで、すべての応答は統制されたデータと観測可能な実行パスに結び付けられます。これにより、コーチとアナリストは出力だけでなく、その背後にあるプロセスを信頼できます。

エージェントアーキテクチャはまた、決定論へのバイアスを反映しています。LLMは合成とナラティブを提供しますが、データ取得、メトリック計算、類似検索といった重要なステップは、GenieやVector Searchのような構造化システムによって処理されます。このハイブリッドアプローチは、完全に生成的なシステムの脆さを避けつつ、柔軟で自然なインタラクションを可能にします。

Why it matters

Coach’s Cornerはスポーツに根ざしていますが、そのアーキテクチャは普遍的な課題——高頻度データにおける「ユーザビリティギャップ」——に対処しています。ほとんどの組織は、生の入力を即時の決定に翻訳するシステムを欠いているため、運用上沈黙したままの膨大なデータ量を抱えています。このプロジェクトは、取り込み、変換、AIを単一のガバナンスフレームワーク内に統合することで、データとアクションの間の摩擦が解消されることを証明しています。

含意は、より高速なダッシュボードにとどまらず、意思決定の方法の変化です。洞察が同じシステム内で数秒で生成、検証、配信可能になると、データの役割は回顧的な分析から意思決定への積極的な参加へと進化します。それが、試合を観察することと、試合に影響を与えることの違いです。

下のエージェントビューは、そのパターンが完全に表現されたものです。トラッキングデータとマッチイベントから始まり、スーパーバイザーエージェントはチームのスタイルシグネチャを引き出し、類似の試合を検索し、xGモデルを呼び出し、そのすべてをドシエに合成するようLLMに依頼します。コーチはそのオーケストレーションのいずれも見ることはなく、「Brazilのドシエを生成する」というラベルの付いたボタン、必要に応じて検査できる推論トレース、ゲームプランに組み込まれる保存されたレポートを見ることになります。

当初はスポーツに特化したアプリケーションとして考案されましたが、Coach’s Cornerはライブエンターテイメント分野における現代のデータおよびAIシステムの決定的な青写真へと進化しました。生データを一度着地させ、信頼できるパイプラインを通じて精製することで、システムは各ワークロードに最適なパスで情報が提供されることを保証します。このプロセスにより、生の入力は、決定の正確な瞬間に利用可能な統制され実行可能なインテリジェンスへと変換されます。このイニシアチブからの主要な教訓は明確です。データ管理、サービング、AIが単一のプラットフォーム上で統合されると、洞察は即時のアクションに変換されます。

このようなものを構築したいですか？Databricks Appsのドキュメントを参照して独自のフルスタックデータアプリを公開し、Lakebaseがミリ秒のPostgresサービングをレイクハウスにもたらす方法を確認し、GenieとAgent Bricksが統制された自然言語インテリジェンスをデータの上に追加する方法を学び、すべてを1つのUnity Catalogの下に置いてください。