Jede Modalität hatte ihren Moment. Bewegung ist die nächste.

Das Muster wiederholt sich durch ein Jahrzehnt des maschinellen Lernens: keine handgefertigten Merkmale mehr, ein Modell auf dem Rohsignal in großem Maßstab trainieren – und jede nachgelagerte Aufgabe wird zugleich besser. Text hat diesen Schritt vollzogen. Bilder ebenso. Proteinstrukturen auch.

Menschliche Bewegung noch nicht. Dabei ist sie eines der reichhaltigsten Signale, die ein Körper erzeugt – der integrierte Output des gesamten Bewegungsapparats und Nervensystems, mit Informationen, die kein Bluttest, kein Fragebogen und kein Wearable erfassen kann. Das Rohsignal existiert – Skelettsequenzen, einundzwanzig Gelenke, fünfundzwanzig Bilder pro Sekunde – doch die Branche arbeitet weiter mit handverlesenen Metriken: Distanzen, Geschwindigkeiten, Zählwerten. Diese Lücke ist der Grund, warum es WithoutBall gibt.

TextGPT2018Next-Token-Vorhersage auf Rohtext
ProteineAlphaFold2020Struktur aus der Sequenz vorhergesagt
BilderCLIP2021Sehen, in großem Maßstab aus Bild-Text-Paaren gelernt
BewegungWithoutBalloffenSelbstüberwachte Repräsentation der KörperbewegungPrototyp
Foundation-Model-Momente nach Modalität. Offen ist allein die Bewegungszeile – unser Modell ist ein funktionierender Prototyp, kein fertiges Ergebnis.

Wir messen, wie sich der Körper bewegt – nicht nur, wohin er läuft.

Tracking-Systeme beantworten das Wohin: Positionen, Distanzen, Sprints. Das Skelett beantwortet das Wie: Schrittmechanik, Verzögerungskontrolle, Links-rechts-Asymmetrie, Koordination unter Ermüdung. In dieser zweiten Schicht verändert sich die Form, zeigen sich Gewohnheiten, sammelt sich Risiko – und in einem Punkt auf einer Fläche ist all das unsichtbar.

WithoutBall lernt diese Schicht direkt aus rohen Skelettsequenzen – selbstüberwacht, ohne handgelabelte Events. Was sie ermöglicht, steht unter Funktionen; wie sie gebaut ist, zeigt die Dokumentation.

Wohin – ein Punkt auf der Ebene

Wie – 21 Gelenke in Bewegung

Dieselbe Sekunde, zwei Signale. Das linke ist gelöst; das rechte ist unseres.

Zwei Kanäle in eine Knowledgebase.

Alles, was das Modell berechnet – Embeddings, abgeleitete Merkmale, Verweise zurück auf die zugrunde liegenden Bewegungssegmente – sammelt sich in einer Knowledgebase. Darauf sitzen zwei Arten von Clients.

Kanal 01

Direktes Produkt

Trainer, Performance-Teams und Kliniker arbeiten in unseren eigenen Produktoberflächen – Berichte, Analysewerkzeuge, Monitoring-Ansichten.

Lösungen ansehen

Kanal 02

Agenten-Integration

Externe KI-Agenten fragen dieselbe Knowledgebase im Auftrag ihrer Nutzer ab und antworten mit Evidenz.

Die KI-Agenten-Plattform
Eine Bewegungs-Knowledgebase

Fußball zuerst. Aber nicht nur Fußball.

Das Modell lernt Körper, keine Spielfelder. Nichts in seiner Architektur setzt eine Sportart voraus – eine Skelettsequenz ist dasselbe Objekt, ob sie sprintet, schreitet oder landet. Fußball ist die erste Vertikale, weil dort unsere Daten und unsere Fachtiefe liegen; die nächsten sind bereits kartiert.

Über den Fußball hinaus