Создание тестовых сред, помогающих продвигать исследования ИИ из лаборатории в реальный мир, является чрезвычайно сложной задачей. Учитывая давнюю связь ИИ с играми, неудивительно, что спорт представляет захватывающую возможность, предлагая исследователям испытательный стенд, на котором система с поддержкой ИИ может помочь людям принимать сложные решения в режиме реального времени в многоагентной среде с десятками динамических, взаимодействующие личности.
Быстрый рост сбора спортивных данных означает, что мы находимся в середине очень важной эпохи для спортивной аналитики. Доступность спортивных данных увеличивается как по количеству, так и по степени детализации, переходя от дней агрегированной высокоуровневой статистики и sabermetrics к более точным данным, таким как информация о потоке событий (например, аннотированные передачи или удары), высокоточная информация о позициях игроков, и датчики на теле. Однако область спортивной аналитики только недавно начала использовать машинное обучение и ИИ как для понимания, так и для консультирования людей, принимающих решения в спорте. В нашем недавняя статья опубликованный в сотрудничестве с футбольным клубом «Ливерпуль» (LFC) в JAIR, мы представляем будущее спортивной аналитики, используя сочетание статистического обучения, понимания видео и теории игр. Мы показываем, что футбол, в частности, является полезным микрокосмом для изучения исследований ИИ, предлагая преимущества в долгосрочной перспективе лицам, принимающим решения в спорте, в виде автоматизированной системы видеопомощника тренера (AVAC) (рис. 1 (A)) .
Футбол — интересная возможность для ИИ
По сравнению с некоторыми другими видами спорта, футбол довольно поздно начал систематически собирать большие наборы данных для целей научной аналитики, направленных на улучшение игрового процесса команд. Это происходит по нескольким причинам, наиболее заметной из которых является гораздо менее контролируемые настройки игры по сравнению с другими видами спорта (большое поле на открытом воздухе, динамичная игра и т. рекорды и опыт в профессиональном футболе. Таким образом, Арриго Сакки, успешный итальянский футбольный тренер и менеджер, который никогда не играл в профессиональный футбол в своей карьере, ответил на критику по поводу отсутствия у него опыта работы с его известная цитата став тренером в Милане в 1987 году: «Я никогда не понимал, что для того, чтобы стать жокеем, нужно сначала стать лошадью».
Футбольная аналитика ставит задачи, которые хорошо подходят для широкого спектра методов ИИ, возникающих на пересечении трех областей: компьютерного зрения, статистического обучения и теории игр (представленных на рис. 2). Хотя эти области по отдельности полезны для футбольной аналитики, их преимущества становятся особенно ощутимыми при объединении: игрокам необходимо последовательно принимать решения в присутствии других игроков (кооперативных и состязательных) и, как таковая, теория игр, теория интерактивного принятия решений, становится весьма актуальным. Кроме того, тактические решения для конкретных игровых ситуаций могут быть изучены на основе представлений в игре и конкретных игроков, что делает статистическое обучение очень актуальной областью. Наконец, игроки могут отслеживаться, а игровые сценарии могут автоматически распознаваться из широкодоступных входных изображений и видео.
Система AVAC, которую мы представляем себе, находится внутри микрокосма, который формируется на пересечении этих трех областей исследований (рис. 2). В наших исследованиях в этой захватывающей области мы не только намечаем дорожную карту для научных и инженерных проблем, которые можно будет решать на долгие годы, но также представляем новые оригинальные результаты на перекрестке теоретико-игрового анализа, статистического обучения и компьютерного зрения. чтобы проиллюстрировать, что эта захватывающая область может предложить футболу.
Как ИИ может помочь футболу
Теория игр играет важную роль в изучении спорта, обеспечивая теоретическое обоснование поведенческих стратегий игроков. В случае с футболом многие его сценарии можно смоделировать как игры с нулевой суммой, которые широко изучались с момента зарождения теории игр. Например, здесь мы моделируем ситуацию с пенальти как асимметричную игру для двух игроков, в которой стратегии бьющего игрока можно четко разделить на левые, центральные и правые броски. Чтобы изучить эту проблему, мы дополняем теоретико-игровой анализ сценария пенальти с помощью Векторы игрока, которые обобщают стили игры отдельных футболистов. С таким представлением отдельных игроков мы можем сгруппировать кикеров с похожими стилями игры, а затем провести теоретико-игровой анализ на групповом уровне (рис. 3). Наши результаты показывают, что выявленные стрелковые стратегии разных групп статистически различны. Например, мы обнаружили, что одна группа предпочитает бить в левый угол устья ворот, а другая более равномерно бьет в левый и правый углы. Такая информация может помочь вратарям разнообразить свои стратегии защиты при игре против разных типов игроков. Опираясь на эту теоретико-игровую точку зрения, можно рассматривать продолжительный характер футбола, анализируя его в форме игр, растянутых во времени, использовать это для рекомендации тактики отдельным игрокам или даже пойти дальше, чтобы оптимизировать общую командную стратегию.
Что касается статистического обучения, репрезентативное обучение еще предстоит полностью использовать в спортивной аналитике, что позволило бы информативно обобщать поведение отдельных игроков и футбольных команд. Более того, мы считаем, что взаимодействие между теорией игр и статистическим обучением будет способствовать дальнейшему развитию спортивной аналитики. Например, в приведенном выше сценарии с пенальти добавление к анализу статистики по конкретному игроку (векторы игроков) позволило глубже понять, как различные типы игроков ведут себя или принимают решения относительно своих действий в сценарии с пенальти. В качестве еще одного примера этого можно изучить «призрак‘, который относится к конкретному основанному на данных анализу того, как игроки должны были действовать задним числом в спортивной аналитике (что связано с понятием сожаления в онлайн-обучении и теории игр). Модель фантома предлагает альтернативные траектории игроков для данной игры, например, на основе среднего показателя лиги или выбранной команды. Предсказанные траектории обычно визуализируются как полупрозрачный слой над исходной игрой, отсюда и термин «фантомное изображение» (см. рис. 4 для визуального примера). Генеративные модели прогнозирования траектории позволяют нам получить представление, анализируя ключевые ситуации в игре и то, как они могли развиваться по-разному. Эти модели также обладают потенциалом для прогнозирования последствий изменения тактики, травмы ключевого игрока или замены на игру собственной команды, а также реакции соперника на такое изменение.
Наконец, мы считаем компьютерное зрение одним из самых многообещающих направлений для расширения границ современных исследований в области спортивной аналитики. Обнаружение событий исключительно по видео — тема, которая хорошо изучена в сообществе специалистов по компьютерному зрению (например, см. опрос и нашу статью для дополнительных ссылок), потенциальный диапазон применения огромен. Связывая события с определенными кадрами, видео становятся доступными для поиска и становятся еще более полезными (например, становится возможным автоматическое создание ярких моментов). Футбольное видео, в свою очередь, предлагает интересную область применения компьютерного зрения. Большое количество футбольных видео удовлетворяет предпосылке для современных методов искусственного интеллекта. Хотя каждое футбольное видео отличается, настройки не сильно различаются, что делает задачу идеальной для оттачивания алгоритмов ИИ. Сторонние поставщики также существуют для предоставления данных о событиях с маркировкой вручную, которые могут быть полезны при обучении видеомоделей и требуют много времени для создания, поэтому для обнаружения футбольных событий можно использовать как контролируемые, так и неконтролируемые алгоритмы. На рис. 1(B), например, представлена стилизованная визуализация модели глубокого обучения, обученной с помощью контролируемых методов распознавать целевые события (например, удары ногой) исключительно по видео.
Применение передовых методов искусственного интеллекта к футболу может революционизировать игру по многим направлениям для игроков, лиц, принимающих решения, болельщиков и вещателей. Такие достижения также будут важны, поскольку они также несут в себе потенциал для дальнейшей демократизации самого спорта (например, вместо того, чтобы полагаться на суждения от личных скаутов/экспертов, можно использовать такие методы, как компьютерное зрение, для количественной оценки набора навыков игроков младшего возраста). представленных регионов, из низших лиг и т.д.). Мы считаем, что разработка все более совершенных методов искусственного интеллекта, предоставляемых футбольным микромиром, может быть применима к более широким областям. С этой целью мы совместно организуем (с несколькими внешними организаторами) Семинар IJCAI 2021 по искусственному интеллекту для спортивной аналитики позднее в этом году, на котором мы приглашаем заинтересованных исследователей. Для исследователей, интересующихся этой темой, общедоступные наборы данных были предоставлены как аналитическими компаниями, такими как StatsBomb (ссылка на набор данных) и более широкому исследовательскому сообществу (ссылка на набор данных). Кроме того, в статье представлен всесторонний обзор исследований в этой области.
Бумага и связанные ссылки: