TacticAI: um assistente de AIpara táticas de futebol
Por Google Deepmind
Como parte da nossa colaboração plurianual com o Liverpool FC, desenvolvemos um sistema completo de AI que pode aconselhar os treinadores sobre cobranças de escanteio.
O Liverpool FC fez uma recuperação histórica nas meias-finais da UEFA Champions League de 2019. Um dos momentos mais icônicos foi um escanteio de Trent Alexander-Arnold que alinhou Divock Origi para marcar aquele que ficou na história como o maior gol do Liverpool FC .
Os escanteios têm alto potencial para gols, mas a elaboração de uma rotina depende de uma mistura de intuição humana e design de jogo para identificar padrões em equipes rivais e responder rapidamente.
Hoje, na Nature Communications , apresentamos o TacticAI: um sistema de inteligência artificial (AI) que pode fornecer aos especialistas insights táticos, especialmente em cobranças de escanteio, por meio de AI preditiva e generativa.
Apesar da disponibilidade limitada de dados padrão-ouro sobre escanteios, o TacticAI alcança resultados de última geração usando uma abordagem geométrica de aprendizagem profunda para ajudar a criar modelos mais generalizáveis.
Desenvolvemos e avaliamos o TacticAI junto com especialistas do Liverpool Football Club como parte de uma colaboração de pesquisa de vários anos. As sugestões da TacticAI foram preferidas pelos avaliadores especialistas humanos 90% das vezes em relação às configurações táticas vistas na prática.
TacticAI demonstra o potencial das técnicas assistivas de AI para revolucionar o esporte para jogadores, treinadores e fãs. Esportes como o futebol também são um domínio dinâmico para o desenvolvimento de AI, pois apresentam interações multiagentes no mundo real, com dados multimodais. O avanço da AI para o desporto poderá traduzir-se em muitas áreas dentro e fora do campo — desde jogos de computador e robótica até à coordenação de tráfego.
TacticAI é um sistema de AI completo com modelos preditivos e generativos combinados para analisar o que aconteceu em jogadas anteriores e como fazer ajustes para tornar um resultado específico mais provável.
Desenvolvendo um plano de jogo com o Liverpool FC
Há três anos, iniciamos uma colaboração plurianual com o Liverpool FC para promover a AI na análise esportiva.
Nosso primeiro artigo, Plano de jogo , analisou por que a AI deveria ser usada para auxiliar táticas de futebol, destacando exemplos como a análise de pênaltis. Em 2022, desenvolvemos o Graph Imputer , que mostrou como a AI pode ser usada com um protótipo de sistema preditivo para tarefas posteriores em análises de futebol. O sistema poderia prever os movimentos dos jogadores fora das câmeras quando nenhum dado de rastreamento estivesse disponível — caso contrário, um clube precisaria enviar um olheiro para assistir ao jogo pessoalmente.
Agora, desenvolvemos o TacticAI como um sistema completo de AI com modelos preditivos e generativos combinados. Nosso sistema permite que os treinadores experimentem configurações alternativas de jogadores para cada rotina de interesse e, em seguida, avaliem diretamente os possíveis resultados de tais alternativas.
TacticAI foi criado para responder a três questões principais:
- Para uma determinada configuração tática de escanteio, o que acontecerá? por exemplo, quem tem maior probabilidade de receber a bola e haverá uma tentativa de chute?
- Depois de executada uma configuração, podemos entender o que aconteceu? por exemplo, táticas semelhantes funcionaram bem no passado?
- Como podemos ajustar as táticas para que um determinado resultado aconteça? por exemplo, como os jogadores defensores devem ser reposicionados para diminuir a probabilidade de tentativas de chute?
Previsão de resultados de escanteios com aprendizagem geométrica profunda
O escanteio é concedido quando a bola ultrapassa a linha de fundo, após tocar em um jogador da equipe defensora. Prever os resultados dos escanteios é complexo, devido à aleatoriedade na jogabilidade de jogadores individuais e à dinâmica entre eles. Isso também é um desafio para a AI modelar devido aos dados limitados de escanteios disponíveis — apenas cerca de 10 escanteios são jogados em cada partida na Premier League a cada temporada.
(A) Como as situações de escanteio são convertidas em uma representação gráfica. Cada jogador é tratado como um nó em um gráfico. Uma rede neural gráfica opera sobre este gráfico atualizando a representação de cada nó usando passagem de mensagens.
(B) Como o TacticAI processa um determinado escanteio. Todas as quatro combinações possíveis de reflexos são aplicadas ao canto e alimentadas no modelo principal do TacticAI. Eles interagem para calcular as representações finais do jogador, que podem ser usadas para prever resultados.
TacticAI prevê com sucesso o escanteio aplicando uma abordagem geométrica de aprendizado profundo. Primeiro, modelamos diretamente as relações implícitas entre os jogadores, representando as configurações de escanteios como gráficos, nos quais os nós representam os jogadores (com características como posição, velocidade, altura, etc.) e as arestas representam as relações entre eles. Em seguida, exploramos uma simetria aproximada do campo de futebol.
Nossa arquitetura geométrica é uma variante da Rede Convolucional Equivariante de Grupo que gera todos os quatro reflexos possíveis de uma determinada situação (original, invertido em H, invertido em V, invertido em HV) e força nossas previsões para receptores e tentativas de tiro a serem idênticas. todos os quatro. Essa abordagem reduz o espaço de busca de possíveis funções que nossa rede neural pode representar para aquelas que respeitam a simetria de reflexão — e produz modelos mais generalizáveis, com menos dados de treinamento.
Fornecendo sugestões construtivas a especialistas humanos
Ao aproveitar seus modelos preditivos e generativos, o TacticAI pode ajudar os treinadores a encontrar escanteios semelhantes e testar diferentes táticas.
Tradicionalmente, para desenvolver táticas e contra-táticas, os analistas assistiam novamente a muitos vídeos de jogos em busca de exemplos semelhantes e estudavam times rivais. TacticAI calcula automaticamente as representações numéricas dos jogadores, o que permite que os especialistas procurem de forma fácil e eficiente rotinas passadas relevantes.
Validamos ainda mais essa observação intuitiva por meio de extensos estudos qualitativos com especialistas em futebol, que descobriram que as primeiras recuperações do TacticAI eram relevantes 63% das vezes, quase o dobro do valor de referência de 33% visto em abordagens que sugerem pares com base na análise direta da similaridade de posição do jogador.
O modelo generativo do TacticAI também permite que treinadores humanos redesenhem as táticas de escanteio para otimizar as probabilidades de determinados resultados, como reduzir a probabilidade de uma tentativa de chute para uma configuração defensiva. TacticAI fornece recomendações táticas que ajustam as posições de todos os jogadores de uma determinada equipe. A partir desses ajustes propostos, os treinadores podem identificar padrões importantes, bem como jogadores-chave para o sucesso ou fracasso de uma tática, de forma mais rápida.
(A) Um exemplo de escanteio onde houve uma tentativa de chute na realidade.
(B) TacticAI pode gerar um cenário contrafactual em que a probabilidade de chute foi reduzida ajustando o posicionamento e a velocidade dos defensores.
© As posições de defensor sugeridas resultam em probabilidade reduzida de receptor para jogadores atacantes 2–4.
(D) O modelo é capaz de gerar vários desses cenários e os treinadores podem inspecionar as diferentes opções.
Em nossa análise quantitativa, mostramos que o TacticAI era preciso na previsão de recebedores de escanteios e situações de chute, e que o reposicionamento do jogador era semelhante ao desenrolar das jogadas reais. Também avaliamos essas recomendações qualitativamente em um estudo de caso cego, onde os avaliadores não sabiam quais táticas eram do jogo real e quais foram gerados pelo TacticAI.
Os especialistas em futebol humano do Liverpool FC descobriram que as nossas sugestões não podem ser distinguidas dos cantos reais e foram favorecidas em relação às situações originais em 90% das vezes. Isso demonstra que as previsões da TacticAI não são apenas precisas, mas também úteis e implantáveis.
Exemplos de refinamentos estratégicos que os avaliadores preferiram às peças originais, onde a TacticAI sugeriu:
(A) As recomendações de quatro jogadores são mais favoráveis pela maioria dos avaliadores.
(B) Os defensores mais distantes do escanteio fazem melhores corridas de cobertura
© Corridas de cobertura melhoradas para um grupo central de defensores na grande área
(D) Corridas de rastreamento substancialmente melhores para dois zagueiros centrais, juntamente com um melhor posicionamento para outros dois zagueiros na área de gol.
Avançando a AI para esportes
TacticAI é um sistema completo de AI que pode fornecer aos treinadores insights táticos instantâneos, extensos e precisos — que também são práticos em campo. Com TacticAI, desenvolvemos um assistente de AI capaz para táticas de futebol e alcançamos um marco no desenvolvimento de assistentes úteis em AI esportiva. Esperamos que pesquisas futuras possam ajudar a desenvolver assistentes que se expandam para entradas mais multimodais fora dos dados dos jogadores e ajudem os especialistas de mais maneiras.
Como a AI pode ser usada no futebol, mas o futebol também pode nos ensinar muito sobre AI. É um jogo altamente dinâmico e desafiador de analisar, com muitos fatores humanos, do físico à psicologia. É um desafio até mesmo para especialistas, como treinadores experientes, detectar todos os padrões.
Com TacticAI, podemos tirar muitas lições no desenvolvimento de tecnologias assistivas mais amplas que combinem experiência humana e análise de IA para ajudar as pessoas no mundo real.
