Creare ambienti di test per aiutare a far progredire la ricerca sull’intelligenza artificiale fuori dal laboratorio e nel mondo reale è estremamente impegnativo. Data la lunga associazione dell’intelligenza artificiale con i giochi, forse non sorprende che lo sport rappresenti un’entusiasmante opportunità, offrendo ai ricercatori un banco di prova in cui un sistema abilitato all’intelligenza artificiale può aiutare gli esseri umani a prendere decisioni complesse in tempo reale in un ambiente multiagente con dozzine di dinamiche, individui interagenti.
La rapida crescita della raccolta di dati sportivi significa che siamo nel bel mezzo di un’era straordinariamente importante per l’analisi sportiva. La disponibilità di dati sportivi sta aumentando sia in termini di quantità che di granularità, passando dai tempi delle statistiche aggregate e della sabermetria di alto livello a dati più raffinati come informazioni sul flusso di eventi (ad esempio, passaggi o tiri con annotazioni), informazioni sulla posizione dei giocatori ad alta fedeltà, E sensori sul corpo. Tuttavia, il campo dell’analisi sportiva ha iniziato solo di recente a sfruttare l’apprendimento automatico e l’intelligenza artificiale sia per comprendere che per consigliare i decisori umani nello sport. Nel nostro documento recente pubblicato in collaborazione con il Liverpool Football Club (LFC) in JAIR, immaginiamo il panorama futuro dell’analisi sportiva utilizzando una combinazione di apprendimento statistico, comprensione di video e teoria dei giochi. Illustriamo che il calcio, in particolare, è un microcosmo utile per studiare la ricerca sull’intelligenza artificiale, offrendo vantaggi a lungo termine ai decisori sportivi sotto forma di un sistema automatizzato di video-assistente allenatore (AVAC) (Figura 1 (A)) .
Calcio: un’interessante opportunità per l’intelligenza artificiale
Rispetto ad altri sport, il calcio ha iniziato piuttosto tardi a raccogliere sistematicamente grandi quantità di dati per scopi di analisi scientifica volti a far progredire il gameplay delle squadre. Ciò avviene per diverse ragioni, la più importante delle quali è che ci sono impostazioni di gioco molto meno controllabili rispetto ad altri sport (campo all’aperto di grandi dimensioni, gioco dinamico, ecc.), e anche il credo dominante di affidarsi principalmente a specialisti umani con pista record ed esperienza nel calcio professionistico. In questo senso Arrigo Sacchi, allenatore e manager di successo del calcio italiano che non ha mai giocato a livello professionistico in carriera, ha risposto alle critiche per la sua mancanza di esperienza con il suo citazione famosa quando divenne allenatore al Milan nel 1987: “Non avevo mai capito che per fare il fantino dovevi prima essere un cavallo”.
Football Analytics pone sfide che ben si adattano a un’ampia varietà di tecniche di intelligenza artificiale, derivanti dall’intersezione di 3 campi: visione artificiale, apprendimento statistico e teoria dei giochi (visualizzati nella Figura 2). Sebbene questi campi siano singolarmente utili per l’analisi calcistica, i loro vantaggi diventano particolarmente tangibili se combinati: i giocatori devono prendere decisioni sequenziali in presenza di altri giocatori (cooperativi e avversari) e come tale la teoria dei giochi, una teoria del processo decisionale interattivo, diventa altamente rilevante. Inoltre, è possibile apprendere soluzioni tattiche a particolari situazioni di gioco sulla base delle rappresentazioni del gioco e di specifiche rappresentazioni dei giocatori, il che rende l’apprendimento statistico un’area altamente rilevante. Infine, è possibile monitorare i giocatori e riconoscere automaticamente gli scenari di gioco da immagini e input video ampiamente disponibili.
Il sistema AVAC che immaginiamo è situato all’interno del microcosmo formato dall’intersezione di questi tre campi di ricerca (Figura 2). Nella nostra ricerca in questo entusiasmante settore, non solo delineiamo una tabella di marcia per problemi scientifici e ingegneristici che possono essere affrontati negli anni a venire, ma presentiamo anche nuovi risultati originali al crocevia tra analisi teorica dei giochi, apprendimento statistico e visione artificiale. per illustrare ciò che questo entusiasmante territorio ha da offrire al calcio.
Come l’intelligenza artificiale potrebbe aiutare il calcio
La teoria dei giochi svolge un ruolo importante nello studio degli sport, consentendo la base teorica delle strategie comportamentali dei giocatori. Nel caso del calcio, molti dei suoi scenari possono effettivamente essere modellati come giochi a somma zero, che sono stati ampiamente studiati sin dalla nascita della teoria dei giochi. Ad esempio, qui modelliamo la situazione del calcio di rigore come un gioco asimmetrico a due giocatori, in cui le strategie del calciatore possono essere chiaramente classificate come tiri a sinistra, al centro o a destra. Per studiare questo problema, integriamo l’analisi teorica del gioco nello scenario del calcio di rigore con Vettori del giocatoreche riassumono gli stili di gioco dei singoli calciatori. Con tali rappresentazioni dei singoli giocatori, siamo in grado di raggruppare kicker con stili di gioco simili e quindi condurre un’analisi teorica del gioco a livello di gruppo (Figura 3). I nostri risultati mostrano che le strategie di tiro identificate dei diversi gruppi sono statisticamente distinte. Ad esempio, abbiamo riscontrato che un gruppo preferisce tirare all’angolo sinistro della porta, mentre un altro tende a tirare più uniformemente agli angoli sinistro e destro. Tali intuizioni possono aiutare i portieri a diversificare le loro strategie di difesa quando giocano contro diversi tipi di giocatori. Basandosi su questa visione della teoria del gioco, si può considerare la natura durativa del calcio analizzandolo sotto forma di partite estesi nel tempo, usarlo per consigliare tattiche ai singoli giocatori, o anche andare oltre per ottimizzare la strategia complessiva della squadra.
Dal lato dell’apprendimento statistico, l’apprendimento della rappresentazione deve ancora essere pienamente sfruttato nell’analisi sportiva, poiché consentirebbe un riepilogo informativo del comportamento dei singoli giocatori e delle squadre di calcio. Inoltre, riteniamo che l’interazione tra la teoria dei giochi e l’apprendimento statistico catalizzerebbe ulteriormente i progressi nell’analisi sportiva. Nello scenario del calcio di rigore sopra, ad esempio, l’incremento dell’analisi con statistiche specifiche del giocatore (Vettore dei giocatori) ha fornito informazioni più approfondite su come i vari tipi di giocatori si comportano o prendono decisioni sulle loro azioni nello scenario del calcio di rigore. Come altro esempio di ciò, si può studiare ‘fantasma‘, che si riferisce a una particolare analisi basata sui dati di come i giocatori avrebbero dovuto agire col senno di poi nell’analisi sportiva (che ha collegamenti con la nozione di rimpianto nell’apprendimento online e nella teoria dei giochi). Il modello ghosting suggerisce traiettorie alternative dei giocatori per una determinata giocata, ad esempio in base alla media del campionato o ad una squadra selezionata. Le traiettorie previste vengono solitamente visualizzate come uno strato traslucido sopra l’opera originale, da qui il termine “ghosting” (vedere la Figura 4 per un esempio visivo). I modelli di previsione generativa della traiettoria ci consentono di ottenere informazioni approfondite analizzando le situazioni chiave di un gioco e come avrebbero potuto svolgersi diversamente. Questi modelli hanno anche il potenziale per prevedere le implicazioni di un cambiamento tattico, un infortunio di un giocatore chiave o una sostituzione sulla prestazione della propria squadra insieme alla risposta dell’avversario a tale cambiamento.
Infine, riteniamo che la visione artificiale sia una delle strade più promettenti per avanzare i confini della ricerca analitica sportiva all’avanguardia. Rilevando eventi esclusivamente dal video, un argomento che è stato ben studiato nella comunità della visione artificiale (ad esempio, vedere quanto segue sondaggio e il nostro articolo per ulteriori riferimenti), il potenziale campo di applicazione è enorme. Associando eventi a fotogrammi particolari, i video diventano ricercabili e ancora più utili (ad esempio, diventa possibile la generazione automatica degli highlight). I video calcistici, a loro volta, offrono un interessante campo di applicazione per la visione artificiale. Il gran numero di video di calcio soddisfa un prerequisito per le moderne tecniche di intelligenza artificiale. Anche se ogni video di calcio è diverso, le impostazioni non variano molto, il che rende il compito ideale per affinare gli algoritmi dell’intelligenza artificiale. Esistono anche fornitori di terze parti per fornire dati sugli eventi etichettati manualmente che possono essere utili nell’addestramento di modelli video e richiedono molto tempo per essere generati, quindi sia gli algoritmi supervisionati che quelli non supervisionati possono essere utilizzati per il rilevamento degli eventi calcistici. La Figura 1(B), ad esempio, fornisce una visualizzazione stilizzata di un modello di deep learning addestrato con metodi supervisionati per riconoscere eventi target (ad esempio, calci) esclusivamente dal video.
L’applicazione di tecniche avanzate di intelligenza artificiale al calcio ha il potenziale per rivoluzionare il gioco su molti assi, per giocatori, decisori, tifosi ed emittenti. Tali progressi saranno importanti anche in quanto hanno il potenziale per democratizzare ulteriormente lo sport stesso (ad esempio, invece di fare affidamento sui giudizi di scout/esperti di persona, si possono utilizzare tecniche come la visione artificiale per quantificare le competenze dei giocatori di livello inferiore). regioni rappresentate, quelle dei campionati di livello inferiore, ecc.). Riteniamo che lo sviluppo di tecniche di intelligenza artificiale sempre più avanzate offerte dal microcosmo calcistico potrebbe essere applicabile a domini più ampi. A tal fine, stiamo co-organizzando (con diversi organizzatori esterni) un Workshop IJCAI 2021 sull’intelligenza artificiale per l’analisi sportiva entro la fine dell’anno, al quale diamo il benvenuto ai ricercatori interessati a partecipare. Per i ricercatori interessati a questo argomento, i set di dati disponibili al pubblico sono stati resi disponibili sia da società di analisi come StatsBomb (collegamento al set di dati) e la più ampia comunità di ricerca (collegamento al set di dati). Inoltre, il documento fornisce una panoramica completa della ricerca in questo campo.
Documento e link correlati:
