A empresa de propriedade da Alphabet(google) está trabalhando com Liverpool para trazer a visão computacional e o aprendizado estatístico para o mundo dos esportes de alto risco.
Fonte: Wired Magazine
EM MARÇO DE 1950, um comandante de ala da RAF e contador treinado chamado Charles Reep voltou seus olhos para os números do futebol. Reep, que se interessou pelo esporte na década de 1930 ,ficou fascinado pela equipe pioneira do Arsenal de Herbert Chapman, voltou da Segunda Guerra Mundial para descobrir que a revolução tática que testemunhara antes havia estagnado.
Finalmente, no intervalo durante um jogo monótono da Terceira Divisão entre Swindon Town e Bristol City, durante o qual ele assistiu a incontáveis ataques que resultaram em nada, a paciência de Reep se esgotou. Pegou um caderno e um lápis e começou a anotar furiosamente o que acontecia em campo: começou a contar o número de passes e chutes em uma das primeiras tentativas sistemáticas de usar dados para analisar o futebol.
Sete décadas depois, a revolução dos dados atingiu as bases - os fãs são fluentes em xG e gasto líquido, e as melhores equipes obtêm estatísticas de estudantes de doutorado direto da universidade em busca de vantagens. Agora, o atual campeão da Premier League, Liverpool, juntou forças com a DeepMind para explorar o uso da inteligência artificial no mundo do futebol. Um artigo de pesquisadores das duas organizações, publicado hoje pelo Journal of Artificial Intelligence Research , descreve algumas das aplicações potenciais.
“O momento é perfeito”, diz Karl Tuyls, pesquisador de IA da DeepMind e um dos principais autores do artigo. A colaboração da DeepMind em Liverpool surgiu de seu cargo anterior na universidade da cidade. (O fundador da DeepMind, Demis Hassabis, também é torcedor do Liverpool desde sempre e foi conselheiro na pesquisa.) Os dois grupos se reuniram para discutir onde a IA poderia ajudar jogadores de futebol e treinadores. O Liverpool também forneceu à DeepMind dados sobre todos os jogos da Premier League que o clube jogou de 2017 a 2019.
Nos últimos anos, a quantidade de dados disponíveis no futebol aumentou com o uso de sensores, rastreadores GPS e algoritmos de visão computacional para rastrear o movimento dos jogadores e da bola. Para times de futebol, a IA oferece uma maneira de detectar padrões que os treinadores não conseguem; para os pesquisadores da DeepMind, o futebol oferece um ambiente restrito, mas desafiador, para testar seus algoritmos. “Um jogo como [futebol] é superinteressante, porque tem muitos agentes presentes, tem competição e aspectos colaborativos”, diz Tuyls. Ao contrário do xadrez, ou Go, o futebol tem uma incerteza inerente embutida, porque é jogado no mundo real.
Isso não significa que você não possa fazer previsões - e essa é uma área em que a IA pode ser particularmente útil. O artigo demonstra como você pode treinar um modelo com dados sobre um time específico e escalação para prever como seus jogadores reagirão em uma situação particular: Se você bater uma bola longa na ponta direita do ataque contra o Manchester City, por exemplo, Kyle Walker será direcionado em uma posição específica, enquanto John Stones pode fazer outra coisa.
Isso é conhecido como “fantasma” - porque as trajetórias alternativas são sobrepostas ao que realmente aconteceu, como em um videogame - e tem uma variedade de aplicações diferentes. Ele pode ser usado, por exemplo, para prever as implicações de uma mudança tática ou como um adversário pode mudar sua estratégia de jogo, se um jogador importante se machucar. Essas são coisas que os treinadores provavelmente notariam por si próprios, e Tuyls enfatiza que o objetivo não é projetar ferramentas para substituí-los. “Há muitos dados, muito para digerir, e não é necessariamente tão fácil lidar com essas massas de dados”, diz ele. “Estamos tentando construir tecnologia assistiva.”
PENALTIS
Como parte do artigo, os pesquisadores também realizaram análises de mais de 12.000 pênaltis realizados em toda a Europa nas últimas temporadas - categorizando os jogadores em grupos com base em seu estilo de jogo e, em seguida, usando essas informações para fazer previsões sobre onde estavam a maior probabilidade de acertar um pênalti e se eles tinham probabilidade de marcar. Os atacantes eram, por exemplo, mais propensos a mirar no canto esquerdo inferior do que os meio-campistas - que adotaram uma abordagem mais equilibrada, e os dados demonstraram que a estratégia ideal para os cobradores de pênaltis era, talvez sem surpresa, chutar para o seu lado mais forte. Isso mostra porque chutes fortes nos cantos, próximos da trave inferior ou superior são que impossíveis de serem defendidos.
PODER DE DECISÃO E FISIOLOGIA DO ESFORÇO
Outros modelos podem ser capazes de processar os números sobre os poder de decisão - ou seja; estimar o quanto uma ação específica, como um passe ou chute errado, contribuiu para um gol, ou xG. Eles podem ser usados na análise pós-jogo para demonstrar aos jogadores porque eles deveriam ter passado a bola em uma situação particular em vez de chutar. Um modelo treinado nos dados de desempenho do jogador - força e preparo físico - pode ser capaz de rastrear a fadiga melhor do que os treinadores humanos e recomendar o descanso dos jogadores antes que eles se machuquem.
Há ecos aqui do que Reep tentou fazer na década de 1950 - ele usou seus dados para calcular (erroneamente) que a maioria dos gols foram marcados após lances de quatro passes ou menos, e sua análise ajudou a introduzir um estilo de futebol de bola longa que tornou-se a marca registrada do futebol inglês por décadas. Tem havido exemplos de alto nível de IA em outros domínios cuspindo respostas que são absurdas ou simplesmente erradas - no passado, IAs treinados em videogames venceram quebrando as regras do jogo ou ignorando as leis da física. Um AI treinado em dados de futebol pode decidir, como um robô José Mourinho, que na verdade a melhor maneira de obter resultados é deixar o adversário ficar com a bola e esperar que ele cometa um erro(conhecido com modelo reativo).
É por isso que é importante que as descobertas do modelo sejam mediadas por especialistas, diz Tuyls, para prevenir o raciocínio falho dos sistemas de IA. Mas um AI pode detectar um passe que - no calor do momento - até o melhor jogador poderá errar.
“Não estamos tentando construir robôs, estamos tentando melhorar o jogo [futebol] humano”, diz ele.
A IA não substituirá os técnicos de futebol, diz Tuyls, mas seus impactos poderão ser sentidos na próxima década. “O objetivo é ter um sistema integrado que se integre bem ao jogador humano em campo e facilite seu trabalho”, afirma. “Não acho que você verá grandes impactos nos próximos seis meses ou um ano, mas nos próximos cinco anos algumas das ferramentas serão mais desenvolvidas e você poderá ver algo como um 'treinador assistente de vídeo automatizado' que pode ajudar na análise pré e pós-jogo ou pode olhar para o primeiro tempo de um jogo e dar conselhos sobre o que pode ser mudado no segundo tempo. ”
DeepMind espera combinar visão computacional, aprendizado estatístico e teoria dos jogos para ajudar as equipes a identificar padrões nas bases de dados que estão coletando que não seriam capazes de ver de outra forma. Aplicar inteligência artificial ao futebol poderia tornar os jogadores e treinadores mais inteligentes - agora, se ao menos pudesse fazer o mesmo com os dirigentes e proprietários de clubes.
Comments