La création d’environnements de test pour aider à faire progresser la recherche sur l’IA hors du laboratoire et dans le monde réel est très difficile. Compte tenu de la longue association de l’IA avec le jeu, il n’est peut-être pas surprenant que le sport présente une opportunité passionnante, offrant aux chercheurs un test dans lequel un système activé par l’IA peut aider les humains à prendre des décisions complexes en temps réel dans un environnement multi-agents avec des dizaines d’individus dynamiques. interactions.
La croissance rapide de la collecte de données sportives signifie que nous sommes au milieu d’une ère très importante pour l’analyse sportive. La disponibilité des données sportives augmente en quantité et en précision, passant de l’époque des statistiques agrégées de haut niveau et des mesures au sabre à des données plus précises telles que des informations sur le déroulement des événements (par exemple, des passes ou des tirs annotés), des informations de localisation des joueurs à haute résolution, et des capteurs sur le corps. Cependant, le domaine de l’analyse sportive n’a commencé que récemment à exploiter l’apprentissage automatique et l’intelligence artificielle pour comprendre et conseiller les décideurs humains dans le sport. Dans notre récent article publié en collaboration avec le Liverpool Football Club (LFC) au JAIR, nous envisageons le futur paysage de l’analyse sportive en utilisant une combinaison d’apprentissage statistique, de compréhension vidéo et de théorie des jeux. Nous montrons que le football, en particulier, est un microcosme utile pour étudier la recherche sur l’IA et offre des avantages à long terme aux décideurs sportifs sous la forme d’un système d’assistant vidéo automatisé (AVAC) (Fig. 1 (a)).
Football – une opportunité intéressante pour l’intelligence artificielle
Par rapport à d’autres sports, le football a mis un peu de retard dans la collecte systématique de grands ensembles de données à des fins d’analyses scientifiques visant à améliorer la façon dont les équipes jouent. Cela pour plusieurs raisons, notamment qu’il y a moins de paramètres pour contrôler le jeu que dans d’autres sports (grand terrain extérieur, jeu dynamique, etc.), et aussi le dogme dominant selon lequel il repose principalement sur des spécialistes humains sur la piste. Records et expérience de football professionnel. Dans ce sens, Arrigo Sacchi, entraîneur et manager de football italien à succès qui n’avait jamais joué au football professionnel de sa carrière, a répondu aux critiques pour son manque d’expérience avec sa célèbre citation lorsqu’il est devenu entraîneur à Milan en 1987 : “Je n’ai jamais réalisé que pour être chevalier, il fallait d’abord être un cheval.”
L’analyse du football pose des défis bien adaptés à une variété de technologies d’IA, provenant de l’intersection de trois domaines : la vision par ordinateur, l’apprentissage statistique et la théorie des jeux (illustrés à la figure 2). Bien que ces champs soient utiles individuellement pour l’analyse du football, leurs avantages deviennent particulièrement tangibles lorsqu’ils sont combinés : les joueurs doivent prendre des décisions séquentielles en présence d’autres joueurs (coopératifs et spécialistes) et, à ce titre, la théorie des jeux, la théorie de la prise de décision réactive, devient étroitement pertinente. De plus, des solutions tactiques à des situations spécifiques dans le jeu peuvent être apprises sur la base de représentations de joueurs spécifiques au jeu et aux joueurs, ce qui fait de l’apprentissage statistique un domaine très pertinent. Enfin, les joueurs peuvent être suivis et les scénarios de jeu peuvent être automatiquement reconnus à partir d’entrées photo et vidéo largement disponibles.
Le système AVAC que nous imaginons se situe dans le microcosme formé par l’intersection de ces trois domaines de recherche (Fig. 2). Dans nos recherches dans ce domaine passionnant, nous établissons non seulement une feuille de route pour les problèmes scientifiques et d’ingénierie qui peuvent être résolus pour les années à venir, mais nous présentons également de nouvelles découvertes originales au carrefour de l’analyse théorique des jeux, de l’apprentissage statistique et de la vision par ordinateur. . Pour illustrer ce que ce terrain de football passionnant a à offrir.
Comment l’intelligence artificielle peut-elle aider le football ?
La théorie des jeux joue un rôle important dans l’étude des sports, fournissant une base théorique aux stratégies comportementales des joueurs. Dans le cas du football, bon nombre de ses scénarios peuvent en fait être modélisés comme des jeux à somme nulle, qui ont été largement étudiés depuis le début de la théorie des jeux. Par exemple, nous modélisons ici la situation de penalty comme un jeu asymétrique pour deux joueurs, dans lequel les stratégies de frappe peuvent être classées avec précision en tirs à gauche, au centre ou à droite. Pour examiner ce problème, nous avons augmenté l’analyse théorique du jeu dans le scénario de coup de pied de pénalité en utilisant des vecteurs de joueurs, qui résument les styles de jeu des joueurs de football individuels. Avec de telles représentations de joueurs individuels, nous sommes en mesure de regrouper des coups de pied avec des styles de jeu similaires, puis d’effectuer une analyse théorique du jeu au niveau du groupe (Fig. 3). Nos résultats montrent que les stratégies de tir spécifiques des différents groupes sont statistiquement différentes. Par exemple, nous constatons qu’un groupe préfère tirer dans le coin gauche de la bouche du but, tandis qu’un autre groupe a tendance à tirer dans les coins gauche et droit de manière égale. Ces idées peuvent aider les gardiens de but à diversifier leurs stratégies défensives lorsqu’ils jouent contre différents types de joueurs. Sur la base de cette théorie des jeux, on peut prendre en compte la nature hardcore du football en l’analysant sous la forme de parties temporairement prolongées, ou l’utiliser pour donner des conseils aux joueurs individuels, ou même aller jusqu’à améliorer la stratégie globale de l’équipe.
Du côté de l’apprentissage statistique, l’apprentissage représentationnel n’a pas été pleinement exploité dans les analyses sportives, ce qui permettrait un résumé informatif du comportement des joueurs individuels et des équipes de football. De plus, nous pensons que l’interaction entre la théorie des jeux et l’apprentissage statistique stimulerait de nouvelles avancées dans l’analyse mathématique. Dans le scénario de penalty ci-dessus, par exemple, une analyse plus approfondie avec des statistiques spécifiques au joueur (vecteurs de joueur) a fourni des informations plus approfondies sur la façon dont différents types de joueurs agissent ou prennent des décisions concernant leurs actions dans le scénario de penalty. Comme autre exemple de cela, on pourrait étudier le «ghosting», qui fait référence à une analyse particulière basée sur les données de la façon dont les joueurs agissent avec le recul dans l’analyse mathématique (qui a des liens avec le concept de remords dans l’apprentissage en ligne et la théorie des jeux). Le modèle d’observation suggère des chemins alternatifs pour les joueurs dans un jeu donné, par exemple, en fonction d’une moyenne de ligue ou d’une équipe sélectionnée. Les chemins projetés sont généralement visualisés sous la forme d’une couche transparente sur le jeu original, d’où le terme “ombres” (voir la figure 4 pour un exemple visuel). Les modèles de prédiction de voie générative nous permettent d’obtenir des informations en analysant des situations de jeu clés et comment elles auraient pu être jouées différemment. Ces modèles ont également le potentiel de prédire les effets d’un changement tactique, d’une blessure ou d’un remplacement de joueur clé sur les performances de l’équipe ainsi que la réponse de l’adversaire à un tel changement.
Enfin, nous considérons que la vision par ordinateur est l’une des voies les plus prometteuses pour faire avancer les frontières de la recherche analytique mathématique de pointe. En détectant uniquement les événements de la vidéo, un sujet bien étudié dans la communauté de la vision par ordinateur (par exemple, voir l’enquête suivante et notre article pour des références supplémentaires), le champ d’application potentiel est énorme. En liant des événements à des images spécifiques, les vidéos deviennent consultables et plus utiles (par exemple, la mise en surbrillance automatique devient possible). La vidéo de football, à son tour, présente un champ d’application intéressant pour la vision par ordinateur. Le grand nombre de vidéos de football remplit une condition préalable aux technologies d’IA modernes. Bien que chaque vidéo de football soit différente, les paramètres ne varient pas considérablement, ce qui en fait la tâche idéale pour affiner les algorithmes d’IA. Des fournisseurs tiers existent également pour fournir des données d’événement étiquetées manuellement qui peuvent être utiles dans les modèles vidéo de formation et qui prennent du temps à créer, de sorte que des algorithmes supervisés et non supervisés peuvent être utilisés pour détecter les événements de football. La figure 1(b), par exemple, fournit une visualisation construite d’un modèle d’apprentissage en profondeur formé avec des méthodes supervisées pour reconnaître les événements cibles (par exemple, les coups de pied) à partir de la vidéo uniquement.
L’application des technologies avancées d’IA au football a le potentiel de révolutionner le jeu sur de nombreux axes, pour les joueurs, les décideurs, les fans et les diffuseurs. De tels développements seraient également importants car ils ont également le potentiel de démocratiser davantage le sport lui-même (par exemple, au lieu de se fier aux appels d’arbitres de dépisteurs/experts personnels, on pourrait utiliser des techniques telles que la vision par ordinateur pour identifier les compétences des joueurs de moins de régions représentées, ceux des tournois de niveau inférieur, etc.). Nous pensons que le développement de technologies d’intelligence artificielle de plus en plus avancées offertes par le monde du micro-football peut s’appliquer à un domaine plus large. À cette fin, nous participons (avec plusieurs organisateurs externes) à l’atelier IJCAI 2021 sur l’intelligence artificielle pour l’analyse mathématique plus tard cette année, auquel les chercheurs intéressés sont invités à participer. Pour les chercheurs intéressés par ce sujet, des ensembles de données accessibles au public ont été mis à disposition par des sociétés d’analyse telles que StatsBomb (lien vers l’ensemble de données) et la communauté de recherche au sens large (lien vers l’ensemble de données). En outre, le document donne un aperçu complet de la recherche dans ce domaine.
Papier et liens connexes :