Η DeepMind αλλάζει το ποδόσφαιρο με τη βοήθεια της τεχνητής νοημοσύνης

Ο Τσαρλς Ριπ, πτέραρχος της βρετανικής αεροπορίας και λογιστής, θεωρείται ο πρώτος στατιστικολόγος στο ποδόσφαιρο – κι ένας από τους πρωτοπόρους της μαθηματικής ανάλυσης στα σπορ. Ο Ριπ κατέγραφε τα δεδομένα με το χέρι, αφιερώνοντας έως και 80 ώρες σε κάθε αγώνα, επί 30 χρόνια.

Επτά δεκαετίες αργότερα, η επανάσταση των δεδομένων έφτασε στο ευρύ κοινό – οι οπαδοί είναι εξοικειωμένοι με τα xG (πιθανά γκολ) και οι κορυφαίες ομάδες στρατολογούν διδακτορικούς φοιτητές στατιστικής απευθείας από το πανεπιστήμιο, αναζητώντας ένα πλεονέκτημα. Τώρα, η Λίβερπουλ έχει ενώσει τις δυνάμεις της με το DeepMind, το διάσημο εργαστήριο Τεχνητής Νοημοσύνης (AI), για να διερευνήσει τη χρήση της τεχνολογίας αυτής στο ποδόσφαιρο. Ένα άρθρο που δημοσιεύθηκε στο «Journal of Artificial Intelligence Research», περιγράφει μερικές από τις πιθανές εφαρμογές της.

«Ο συγχρονισμός είναι σωστός», λέει ο Καρλ Τούιλς, ερευνητής AI στο DeepMind και ένας από τους κύριους συγγραφείς του άρθρου. Η συνεργασία του με την ομάδα της Λίβερπουλ προέκυψε από τον προηγούμενο ρόλο του στο πανεπιστήμιο της πόλης. Ο συνιδρυτής του DeepMind Ντέμης Χασάμπης, είναι επίσης οπαδός της Λίβερπουλ και ήταν σύμβουλος της έρευνας. Οι δύο πλευρές συναντήθηκαν για να συζητήσουν πώς η τεχνητή νοημοσύνη θα μπορούσε να βοηθήσει και τους ποδοσφαιριστές και τους προπονητές. Η Λίβερπουλ παρείχε επίσης στο DeepMind δεδομένα για κάθε παιχνίδι της Πρέμιερ Λιγκ που έπαιξε από το 2017 έως το 2019.

Τα τελευταία χρόνια, ο όγκος των διαθέσιμων δεδομένων στο ποδόσφαιρο διογκώθηκε με τη χρήση αισθητήρων, GPS trackers και αλγορίθμων όρασης υπολογιστή για την παρακολούθηση της κίνησης των παικτών αλλά και της μπάλας. Στις ποδοσφαιρικές ομάδες, το AI εντοπίζει μοτίβα, κάτι που δεν μπορούν να κάνουν οι προπονητές. Στο ποδόσφαιρο, οι ερευνητές του DeepMind προσφέρει ένα περιορισμένο αλλά απαιτητικό περιβάλλον για να δοκιμάσουν τους αλγορίθμους τους. «Ένα παιχνίδι όπως το ποδόσφαιρο είναι εξαιρετικά ενδιαφέρον, επειδή υπάρχουν πολλοί παράγοντες, υπάρχουν ανταγωνιστικές και συνεργατικές πτυχές», λέει ο Τούιλς. Σε αντίθεση με το σκάκι ή το Go, το ποδόσφαιρο έχει εγγενή αβεβαιότητα γιατί παίζεται στον πραγματικό κόσμο.

Αυτό δεν σημαίνει ότι δεν μπορείτε να κάνετε προβλέψεις, και αυτός είναι ένας τομέας στον οποίο η τεχνητή νοημοσύνη μπορεί να αποδειχθεί ιδιαίτερα χρήσιμη. Στο άρθρο της, η ομάδα περιγράφει πώς μπορεί να εκπαιδευτεί ένα μοντέλο με δεδομένα σχετικά με μια συγκεκριμένη ομάδα και μια σειρά παικτών, για να προβλέψει πώς θα αντιδράσουν σε μια συγκεκριμένη περίπτωση.

Αυτό είναι γνωστό ως «ghosting», επειδή οι εναλλακτικές πορείες επικαλύπτουν αυτό που πραγματικά συνέβη, όπως σε ένα βιντεοπαιχνίδι – και έχει μια σειρά διαφορετικών εφαρμογών. Θα μπορούσε να χρησιμοποιηθεί, για παράδειγμα, για την πρόβλεψη των επιπτώσεων μιας τακτικής αλλαγής ή του τρόπου με τον οποίο ένας αντίπαλος μπορεί να παίξει εάν ένας παίκτης-κλειδί τραυματιστεί. Αυτά είναι πράγματα που οι προπονητές πιθανότατα θα παρατηρήσουν και ο Τούιλς τονίζει ότι ο στόχος δεν είναι να σχεδιαστούν εργαλεία για να τα αντικαταστήσουν. «Υπάρχουν πολλά δεδομένα για επεξεργασία και δεν είναι τόσο εύκολο να τα χειριστούμε όλα αυτά», λέει. «Προσπαθούμε να χτίσουμε μια υποστηρικτική τεχνολογία».

Οι ερευνητές ανέλυσαν περισσότερα από 12.000 πέναλτι που δόθηκαν από τους διαιτητές σε όλη την Ευρώπη τις τελευταίες σεζόν – κατηγοριοποιώντας τους παίκτες σε ομάδες βάσει του στυλ παιχνιδιού τους και, στη συνέχεια, χρησιμοποίησαν αυτές τις πληροφορίες για να κάνουν προβλέψεις πού θα έκαναν τα περισσότερα πέναλτι και αν ήταν πιθανό να σκοράρουν.

Οι επιθετικοί στόχευαν περισσότερο στην κάτω αριστερή γωνία από τους μέσους που είχαν υιοθετήσει μια πιο ισορροπημένη προσέγγιση, και τα δεδομένα έδειξαν ότι η βέλτιστη στρατηγική για τους ποδοσφαιριστές ήταν να κλωτσήσουν προς την πιο ισχυρή πλευρά τους.

Άλλα μοντέλα ίσως να μπορούν να εκτιμήσουν κατά πόσο μια συγκεκριμένη ενέργεια όπως μια πάσα ή ένα χαμένο τάκλιν θα οδηγούσε σε ένα γκολ. Ένα μοντέλο που έχει εκπαιδευτεί σε δεδομένα απόδοσης παίκτη, δύναμη και φυσική κατάσταση, μπορεί να είναι σε θέση να παρακολουθεί την κόπωση καλύτερα από τους προπονητές και να προτείνει την ξεκούραση παικτών πριν αυτοί τραυματιστούν.

Υπήρξαν περιπτώσεις στο παρελθόν, σε άλλους τομείς όπου το σύστημα τεχνητής νοημοσύνης έδωσε απαντήσεις που ήταν παράλογες ή απλά λάθος, όπως για παράδειγμα, κάποια που εκπαιδεύτηκαν σε βιντεοπαιχνίδια κέρδισαν παραβιάζοντας τους κανόνες του παιχνιδιού ή αγνοώντας τους νόμους της φυσικής. Ένα σύστημα AI που έχει εκπαιδευτεί σε δεδομένα ποδοσφαίρου μπορεί να αποφασίσει, όπως ο Μουρίνιο, ότι στην πραγματικότητα ο καλύτερος τρόπος για να έχει το αποτέλεσμα που θέλει, είναι να αφήσει τον αντίπαλο να κρατήσει την μπάλα και να περιμένει να κάνει κάποιο λάθος.

Αυτός είναι ο λόγος για τον οποίο είναι σημαντικό τα ευρήματα του μοντέλου να τα ελέγχουν και οι ειδικοί, λέει ο Τούιλς. Ωστόσο, ένα σύστημα AI μπορεί να εντοπίσει μια πάσα που ακόμη και ο καλύτερος παίκτης μπορεί να χάσει. «Δεν προσπαθούμε να κατασκευάσουμε ρομπότ, προσπαθούμε να βελτιώσουμε το ποδόσφαιρο», λέει.

Το AI δεν θα αντικαταστήσει τους διαιτητές ή τους προπονητές, λέει ο Τούιλς, αλλά οι επιπτώσεις του θα γίνουν αισθητές μέσα στην επόμενη δεκαετία. «Ο σκοπός είναι να έχουμε ένα απρόσκοπτο σύστημα που θα διευκολύνει τη δουλειά του παίκτη στο γήπεδο», λέει. «Δεν νομίζω ότι θα δείτε μεγάλες επιπτώσεις στους επόμενους έξι μήνες ή ένα χρόνο, αλλά τα επόμενα πέντε χρόνια μερικά από τα εργαλεία θα αναπτυχθούν περισσότερο και μπορεί να δούμε έναν «αυτοματοποιημένο βοηθό βίντεο» που θα βοηθά με την ανάλυση πριν και μετά τον αγώνα ή θα δίνει συμβουλές για το τι θα μπορούσε να αλλάξει στο δεύτερο ημίχρονο».

Το DeepMind ελπίζει να συνδυάσει τη μηχανική όραση, τη στατιστική μάθηση και τη θεωρία παιγνίων για να βοηθήσει τις ομάδες να εντοπίσουν μοτίβα στον όγκο δεδομένων που συλλέγουν και που δεν θα μπορούσαν να δουν διαφορετικά. Η εφαρμογή τεχνητής νοημοσύνης στο ποδόσφαιρο θα μπορούσε να κάνει τους παίκτες και τους προπονητές πιο έξυπνους.

ΠΗΓΗ: Wired