TacticAI: دستیار هوش مصنوعی برای تاکتیک های فوتبال

به عنوان بخشی از همکاری چند ساله خود با باشگاه لیورپول، ما یک سیستم هوش مصنوعی کامل ایجاد کردیم که می تواند مربیان را در مورد ضربات کرنر راهنمایی کند.

گوشه به سرعت گرفته شد… اوریگی!

باشگاه لیورپول در نیمه نهایی لیگ قهرمانان اروپا ۲۰۱۹ بازگشتی تاریخی داشت. یکی از نمادین ترین لحظات، ضربه کرنر توسط ترنت الکساندر-آرنولد بود که دیووک اوریگی را در صف قرار داد تا گلی را به ثمر برساند که در تاریخ به عنوان بهترین گل باشگاه لیورپول ثبت شده است .

ضربات کرنر پتانسیل بالایی برای گلزنی دارند، اما ایجاد یک روال متکی بر ترکیبی از شهود انسانی و طراحی بازی برای شناسایی الگوها در تیم‌های رقیب و پاسخگویی در حین پرواز است.

امروز، در Nature Communications ، TacticAI را معرفی می‌کنیم: یک سیستم هوش مصنوعی (AI) که می‌تواند از طریق هوش مصنوعی پیش‌بینی‌کننده و مولد، بینش‌های تاکتیکی، به‌ویژه در ضربات کرنر را در اختیار کارشناسان قرار دهد. علی‌رغم دسترسی محدود به داده‌های استاندارد طلایی در ضربات کرنر، TacticAI با استفاده از رویکرد یادگیری عمیق هندسی برای کمک به ایجاد مدل‌های قابل تعمیم‌تر، به نتایج پیشرفته‌تری دست می‌یابد.

ما TacticAI را به همراه کارشناسان باشگاه فوتبال لیورپول به عنوان بخشی از یک همکاری تحقیقاتی چند ساله توسعه دادیم و ارزیابی کردیم. پیشنهادات TacticAI توسط ارزیاب‌های متخصص انسانی در ۹۰ درصد موارد نسبت به تنظیمات تاکتیکی که در عمل دیده می‌شوند ترجیح داده می‌شوند.

TacticAI پتانسیل تکنیک های هوش مصنوعی کمکی را برای متحول کردن ورزش برای بازیکنان، مربیان و طرفداران نشان می دهد. ورزش‌هایی مانند فوتبال همچنین حوزه‌ای پویا برای توسعه هوش مصنوعی هستند، زیرا دارای تعاملات چند عاملی در دنیای واقعی و داده‌های چندوجهی هستند. پیشرفت هوش مصنوعی برای ورزش می‌تواند به بسیاری از زمینه‌ها در داخل و خارج از زمین ترجمه شود – از بازی‌های رایانه‌ای و روباتیک گرفته تا هماهنگی ترافیک.

TacticAI یک سیستم هوش مصنوعی کامل با مدل‌های پیش‌گویانه و مولد ترکیبی برای تجزیه و تحلیل آنچه در نمایش‌های قبلی رخ داده است و چگونگی انجام تنظیمات برای ایجاد یک نتیجه خاص است.

تدوین برنامه بازی با باشگاه لیورپول

سه سال پیش، ما همکاری چند ساله‌ای را با باشگاه لیورپول برای پیشبرد هوش مصنوعی برای تجزیه و تحلیل ورزشی آغاز کردیم.

اولین مقاله ما، برنامه بازی ، به این موضوع پرداخت که چرا باید از هوش مصنوعی در کمک به تاکتیک‌های فوتبال استفاده شود و نمونه‌هایی مانند آنالیز ضربات پنالتی را برجسته می‌کند. در سال ۲۰۲۲، Graph Imputer را توسعه دادیم که نشان داد چگونه می توان از هوش مصنوعی با نمونه اولیه یک سیستم پیش بینی برای کارهای پایین دستی در تجزیه و تحلیل فوتبال استفاده کرد. این سیستم می‌تواند حرکات بازیکنان خارج از دوربین را زمانی که اطلاعات ردیابی در دسترس نبود، پیش‌بینی کند – در غیر این صورت، یک باشگاه باید یک پیشاهنگ بفرستد تا شخصاً بازی را تماشا کند.

در حال حاضر، ما TacticAI را به عنوان یک سیستم هوش مصنوعی کامل با مدل های ترکیبی پیش بینی و مولد توسعه داده ایم. سیستم ما به مربیان اجازه می‌دهد تا از تنظیمات بازیکن جایگزین برای هر برنامه مورد علاقه خود نمونه‌برداری کنند و سپس مستقیماً نتایج احتمالی چنین جایگزین‌هایی را ارزیابی کنند.

TacticAI برای پاسخگویی به سه سوال اصلی ساخته شده است:

1. برای تنظیم تاکتیکی ضربه کرنر، چه اتفاقی خواهد افتاد؟ به عنوان مثال، چه کسی به احتمال زیاد توپ را دریافت می کند، و آیا تلاش برای شوت وجود دارد؟
2. هنگامی که یک راه اندازی پخش شد، آیا می توانیم بفهمیم چه اتفاقی افتاده است؟ به عنوان مثال، آیا تاکتیک های مشابه در گذشته به خوبی کار می کردند؟
3. چگونه می توانیم تاکتیک ها را تنظیم کنیم تا یک نتیجه خاص اتفاق بیفتد؟ به عنوان مثال، چگونه بازیکنان مدافع باید برای کاهش احتمال تلاش برای شوت، جای خود را تغییر دهند؟

پیش بینی نتایج ضربه کرنر با یادگیری عمیق هندسی

یک ضربه کرنر زمانی اعلام می شود که توپ پس از تماس با بازیکن تیم مدافع از روی خط کناری عبور کند. پیش‌بینی نتایج ضربات کرنر به دلیل تصادفی بودن گیم‌پلی بازیکنان و پویایی بین آنها پیچیده است. این نیز برای مدل‌سازی هوش مصنوعی چالش برانگیز است، زیرا داده‌های ضربات کرنر با استاندارد طلایی محدود موجود است – در هر فصل در لیگ برتر فقط حدود ۱۰ ضربه کرنر در هر مسابقه انجام می‌شود.

TacticAI با استفاده از یک رویکرد یادگیری عمیق هندسی، بازی ضربه کرنر را با موفقیت پیش‌بینی می‌کند. ابتدا، ما مستقیماً روابط ضمنی بین بازیکنان را با نمایش تنظیمات ضربه‌های کرنر به‌عنوان نمودارها مدل‌سازی می‌کنیم، که در آن گره‌ها بازیکنان (با ویژگی‌هایی مانند موقعیت، سرعت، ارتفاع و غیره) را نشان می‌دهند و لبه‌ها روابط بین آنها را نشان می‌دهند. سپس، از تقارن تقریبی زمین فوتبال استفاده می کنیم. معماری هندسی ما گونه‌ای از شبکه کانولوشن معادل گروهی است که هر چهار انعکاس ممکن از یک موقعیت خاص (اصلی، H-flipped، V-flipped، HV-flipped) را ایجاد می‌کند و پیش‌بینی‌های ما را برای گیرنده‌ها و تلاش‌های شات مجبور می‌کند تا در سراسر یکسان باشند. هر چهارتاشون این رویکرد فضای جستجوی توابع احتمالی را که شبکه عصبی ما می‌تواند نشان دهد به توابعی که به تقارن بازتاب احترام می‌گذارند کاهش می‌دهد – و مدل‌های قابل تعمیم بیشتری را با داده‌های آموزشی کمتر به دست می‌دهد.

ارائه پیشنهادات سازنده به متخصصین انسانی

TacticAI با استفاده از مدل‌های پیش‌بینی‌کننده و مولد خود می‌تواند با یافتن ضربات کرنر مشابه و آزمایش تاکتیک‌های مختلف به مربیان کمک کند.

به طور سنتی، برای توسعه تاکتیک‌ها و تاکتیک‌های مقابله‌ای، تحلیلگران بسیاری از ویدیوهای بازی‌ها را دوباره تماشا می‌کردند تا به دنبال نمونه‌های مشابه و مطالعه تیم‌های رقیب باشند. TacticAI به‌طور خودکار نمایش‌های عددی بازیکنان را محاسبه می‌کند، که به کارشناسان اجازه می‌دهد تا به آسانی و کارآمد روال‌های مربوط به گذشته را جستجو کنند. ما این مشاهدات شهودی را از طریق مطالعات کیفی گسترده با کارشناسان فوتبال تأیید کردیم، که دریافتند بازیابی‌های برتر TacticAI در ۶۳ درصد مواقع مرتبط بودند، تقریباً دو برابر معیار ۳۳ درصدی که در رویکردهایی که جفت‌ها را بر اساس تجزیه و تحلیل مستقیم شباهت موقعیت بازیکن پیشنهاد می‌کنند.

مدل مولد TacticAI همچنین به مربیان انسانی اجازه می‌دهد تاکتیک‌های ضربه‌های کرنر را برای بهینه‌سازی احتمالات برخی از نتایج، مانند کاهش احتمال تلاش برای شوت برای چیدمان دفاعی، دوباره طراحی کنند. TacticAI توصیه های تاکتیکی را ارائه می دهد که موقعیت همه بازیکنان را در یک تیم خاص تنظیم می کند. از این تنظیمات پیشنهادی، مربیان می توانند الگوهای مهم و همچنین بازیکنان کلیدی برای موفقیت یا شکست یک تاکتیک را با سرعت بیشتری شناسایی کنند.

در تجزیه و تحلیل کمی خود، ما نشان دادیم که TacticAI در پیش‌بینی موقعیت‌های دریافت‌کننده ضربه کرنر و موقعیت‌های شوت دقیق عمل می‌کند، و اینکه تغییر موقعیت بازیکن مشابه نحوه نمایش بازی‌های واقعی است. ما همچنین این توصیه‌ها را به صورت کیفی در یک مطالعه موردی کور ارزیابی کردیم که در آن رتبه‌دهندگان نمی‌دانستند کدام تاکتیک‌ها هستند. از بازی واقعی و اینکه کدام یک توسط TacticAI تولید شده اند. کارشناسان فوتبال انسانی از باشگاه لیورپول دریافتند که پیشنهادات ما را نمی توان از گوشه های واقعی متمایز کرد و در ۹۰٪ مواقع بیشتر از موقعیت های اصلی آنها استفاده می شود. این نشان می دهد که پیش بینی های TacticAI نه تنها دقیق، بلکه مفید و قابل اجرا هستند.

پیشرفت هوش مصنوعی برای ورزش

TacticAI یک سیستم هوش مصنوعی کامل است که می تواند بینش تاکتیکی فوری، گسترده و دقیق را به مربیان ارائه دهد – که در زمین نیز کاربردی است. با TacticAI، ما یک دستیار هوش مصنوعی توانمند برای تاکتیک های فوتبال ایجاد کرده ایم و به نقطه عطفی در توسعه دستیاران مفید در هوش مصنوعی ورزشی دست یافته ایم. امیدواریم تحقیقات آینده بتواند به توسعه دستیارهایی کمک کند که به ورودی‌های چندوجهی‌تر خارج از داده‌های پخش‌کننده گسترش می‌یابند و به روش‌های بیشتری به متخصصان کمک می‌کنند.

ما نشان می دهیم که چگونه می توان از هوش مصنوعی در فوتبال استفاده کرد، اما فوتبال همچنین می تواند چیزهای زیادی در مورد هوش مصنوعی به ما بیاموزد. این یک بازی بسیار پویا و چالش برانگیز برای تجزیه و تحلیل است، با عوامل انسانی بسیاری از بدن تا روانشناسی. تشخیص همه الگوها حتی برای کارشناسانی مانند مربیان باتجربه نیز چالش برانگیز است. با TacticAI، ما امیدواریم که درس‌های زیادی در توسعه فناوری‌های کمکی گسترده‌تر بگیریم که تخصص انسانی و تجزیه و تحلیل هوش مصنوعی را برای کمک به مردم در دنیای واقعی ترکیب می‌کند.