Crear entornos de prueba para ayudar a que la investigación de la IA avance desde el laboratorio hacia el mundo real es un desafío inmenso. Dada la larga asociación de la IA con los juegos, tal vez no sorprenda que los deportes presenten una oportunidad emocionante, ya que ofrecen a los investigadores un banco de pruebas en el que un sistema habilitado para IA puede ayudar a los humanos a tomar decisiones complejas en tiempo real en un entorno multiagente con docenas de dinámicas, individuos que interactúan.
El rápido crecimiento de la recopilación de datos deportivos significa que estamos en medio de una era notablemente importante para el análisis deportivo. La disponibilidad de datos deportivos está aumentando tanto en cantidad como en granularidad, pasando de los días de estadísticas agregadas de alto nivel y sabermetría a datos más refinados, como información de flujo de eventos (por ejemplo, pases o tiros anotados), información posicional de jugadores de alta fidelidad, y sensores en el cuerpo. Sin embargo, el campo del análisis deportivo ha comenzado recientemente a aprovechar el aprendizaje automático y la inteligencia artificial para comprender y asesorar a los tomadores de decisiones humanos en los deportes. En nuestro artículo reciente Publicado en colaboración con Liverpool Football Club (LFC) en JAIR, visualizamos el panorama futuro del análisis deportivo utilizando una combinación de aprendizaje estadístico, comprensión de videos y teoría de juegos. Ilustramos que el fútbol, en particular, es un microcosmos útil para estudiar la investigación de la IA, que ofrece beneficios a largo plazo a los tomadores de decisiones en los deportes en forma de un sistema automatizado de entrenador asistente de video (AVAC) (Figura 1 (A)). .
Fútbol: una oportunidad interesante para la IA
En comparación con otros deportes, el fútbol ha comenzado bastante tarde a recopilar sistemáticamente grandes conjuntos de datos con fines de análisis científico con el objetivo de progresar en el juego de los equipos. Esto se debe a varias razones, siendo la más destacada que hay escenarios de juego mucho menos controlables en comparación con otros deportes (canchas grandes al aire libre, juego dinámico, etc.), y también el credo dominante de depender principalmente de especialistas humanos con pista. Récords y experiencia en el fútbol profesional. En esta línea, Arrigo Sacchi, exitoso entrenador y directivo del fútbol italiano que nunca jugó al fútbol profesional en su carrera, respondió a las críticas por su falta de experiencia con su cita famosa cuando se convirtió en entrenador en Milán en 1987: “Nunca me di cuenta de que para ser jockey primero había que ser caballo”.
Football Analytics plantea desafíos que se adaptan bien a una amplia variedad de técnicas de IA, provenientes de la intersección de tres campos: visión por computadora, aprendizaje estadístico y teoría de juegos (visualizados en la Figura 2). Si bien estos campos son útiles individualmente para el análisis del fútbol, sus beneficios se vuelven especialmente tangibles cuando se combinan: los jugadores necesitan tomar decisiones secuenciales en presencia de otros jugadores (cooperativos y adversarios) y, como tal, la teoría de juegos, una teoría de la toma de decisiones interactiva, adquiere gran relevancia. Además, las soluciones tácticas a situaciones particulares del juego se pueden aprender basándose en representaciones del juego y de jugadores específicos, lo que hace que el aprendizaje estadístico sea un área muy relevante. Finalmente, se puede rastrear a los jugadores y los escenarios del juego se pueden reconocer automáticamente a partir de entradas de imágenes y videos ampliamente disponibles.
El sistema AVAC que imaginamos está situado dentro del microcosmos formado por la intersección de estos tres campos de investigación (Figura 2). En nuestra investigación en este apasionante dominio, no solo trazamos una hoja de ruta para problemas científicos y de ingeniería que pueden abordarse en los años venideros, sino que también presentamos nuevos resultados originales en la encrucijada del análisis de la teoría de juegos, el aprendizaje estadístico y la visión por computadora. para ilustrar lo que esta apasionante zona tiene para ofrecer al fútbol.
Cómo la IA podría ayudar al fútbol
La teoría de juegos juega un papel importante en el estudio de los deportes, permitiendo fundamentar teóricamente las estrategias de comportamiento de los jugadores. En el caso del fútbol, muchos de sus escenarios pueden modelarse como juegos de suma cero, que han sido estudiados extensamente desde los inicios de la teoría de juegos. Por ejemplo, aquí modelamos la situación del tiro penal como un juego asimétrico de dos jugadores, donde las estrategias del lanzador pueden clasificarse claramente como tiros de izquierda, centro o derecha. Para estudiar este problema, aumentamos el análisis de la teoría de juegos en el escenario del tiro penal con Vectores de Jugador, que resumen los estilos de juego de cada jugador de fútbol. Con tales representaciones de jugadores individuales, podemos agrupar pateadores con estilos de juego similares y luego realizar análisis de teoría de juegos a nivel de grupo (Figura 3). Nuestros resultados muestran que las estrategias de tiro identificadas de diferentes grupos son estadísticamente distintas. Por ejemplo, encontramos que un grupo prefiere disparar a la esquina izquierda de la portería, mientras que otro tiende a disparar a las esquinas izquierda y derecha de manera más uniforme. Estos conocimientos pueden ayudar a los porteros a diversificar sus estrategias defensivas cuando juegan contra diferentes tipos de jugadores. Sobre la base de esta visión de la teoría de juegos, se puede considerar la naturaleza durativa del fútbol analizándolo en forma de juegos temporalmente extendidos, utilizar esto para aconsejar tácticas a jugadores individuales o incluso ir más allá para optimizar la estrategia general del equipo.
Por el lado del aprendizaje estadístico, el aprendizaje de representación aún no se ha explotado plenamente en el análisis deportivo, lo que permitiría un resumen informativo del comportamiento de jugadores individuales y equipos de fútbol. Además, creemos que la interacción entre la teoría de juegos y el aprendizaje estadístico catalizaría aún más los avances en el análisis deportivo. En el escenario de tiro penal anterior, por ejemplo, aumentar el análisis con estadísticas específicas de cada jugador (Vectores de Jugador) proporcionó información más profunda sobre cómo se comportan o toman decisiones los distintos tipos de jugadores sobre sus acciones en el escenario de tiro penal. Como otro ejemplo de esto, se puede estudiar ‘imagen fantasma‘, que se refiere a un análisis particular basado en datos sobre cómo deberían haber actuado los jugadores en retrospectiva en el análisis deportivo (que tiene conexiones con la noción de arrepentimiento en el aprendizaje en línea y la teoría de juegos). El modelo fantasma sugiere trayectorias alternativas de jugadores para una jugada determinada, por ejemplo, basándose en el promedio de la liga o en un equipo seleccionado. Las trayectorias previstas generalmente se visualizan como una capa translúcida sobre la obra original, de ahí el término “efecto fantasma” (consulte la Figura 4 para ver un ejemplo visual). Los modelos de predicción de trayectoria generativa nos permiten obtener información al analizar situaciones clave de un juego y cómo podrían haberse desarrollado de manera diferente. Estos modelos también tienen potencial para predecir las implicaciones de un cambio táctico, la lesión de un jugador clave o una sustitución en el desempeño del propio equipo junto con la respuesta del oponente a dicho cambio.
Finalmente, consideramos que la visión por computadora es una de las vías más prometedoras para avanzar en los límites de la investigación de análisis deportivo de última generación. Al detectar eventos únicamente a partir de video, un tema que ha sido bien estudiado en la comunidad de visión por computadora (por ejemplo, consulte el siguiente encuesta y nuestro artículo para referencias adicionales), el rango potencial de aplicación es enorme. Al asociar eventos con fotogramas particulares, los vídeos se vuelven buscables y cada vez más útiles (por ejemplo, se hace posible la generación automática de momentos destacados). Los vídeos de fútbol, a su vez, ofrecen un interesante campo de aplicación para la visión por ordenador. La gran cantidad de vídeos de fútbol satisface un requisito previo para las técnicas modernas de inteligencia artificial. Si bien cada vídeo de fútbol es diferente, la configuración no varía mucho, lo que hace que la tarea sea ideal para perfeccionar los algoritmos de IA. También existen proveedores externos para proporcionar datos de eventos etiquetados manualmente que pueden ser útiles en el entrenamiento de modelos de video y su generación requiere mucho tiempo, por lo que se pueden usar algoritmos supervisados y no supervisados para la detección de eventos de fútbol. La Figura 1(B), por ejemplo, proporciona una visualización estilizada de un modelo de aprendizaje profundo entrenado con métodos supervisados para reconocer eventos objetivo (por ejemplo, patadas) únicamente a partir de video.
La aplicación de técnicas avanzadas de inteligencia artificial al fútbol tiene el potencial de revolucionar el juego en muchos ejes, para los jugadores, los tomadores de decisiones, los fanáticos y los locutores. Dichos avances también serán importantes, ya que también tienen el potencial de democratizar aún más el deporte en sí (por ejemplo, en lugar de depender de las decisiones de los exploradores/expertos en persona, se pueden usar técnicas como la visión por computadora para cuantificar las habilidades de los jugadores de menores). regiones representadas, los de ligas inferiores, etc.). Creemos que el desarrollo de técnicas de IA cada vez más avanzadas que ofrece el microcosmos del fútbol podría ser aplicable a ámbitos más amplios. Para ello, estamos coorganizando (con varios organizadores externos) una Taller IJCAI 2021 sobre IA para análisis deportivos a finales de este año, al que damos la bienvenida a los investigadores interesados. Para los investigadores interesados en este tema, empresas de análisis como StatsBomb (enlace del conjunto de datos) y la comunidad investigadora en general (enlace del conjunto de datos). Además, el artículo proporciona una visión general completa de la investigación en este ámbito.
Documento y enlaces relacionados: