AI ændrer fodboldanalyse for altid. Kan trænere blive forældede?

En computervidenskabsafdeling på Brigham Young University har for altid ændret, hvordan analyse af fodboldkampe planlægges og udføres.

Denne trinændring er vigtig, fordi den er grundlaget for spilvindende strategier. Innovationen kommer fra D.J. Lee, professor og direktør for Robotic Vision Laboratory i Electrical and Computer Engineering Department ved Brigham Young University (BYU), som – sammen med forskerne Jacob Newman, Andrew Sumsion og Shad Torrie – måske lige har givet fodboldtrænere en drømmeassistent, der kan gennemføre analyser som ingen andet.

Også: Hvorfor den næste NFL-stjerne kunne være en dataforsker

Denne banebrydende løsning bruger maskinlæring, neurale netværk og computersyn til at spare hundredvis af timers kedeligt arbejde i tagge hjemme- og modstandsspillere, spore deres bevægelser og præcist identificere formationer, der kan danne grundlag for en modstrategi.

Fodbold er, som du sikkert er klar over, et spil, hvor hold lever og dør af deres strategier. Denne betydning er med til at forklare, hvorfor NFL ikke ønsker, at processen med at forske i en modstander skal ligne en spionthriller fra den kolde krig. Dens "Game Operations Manual" stater at "ingen videooptagelsesudstyr af nogen art må være i brug i trænernes stand, på banen eller i omklædningsrummet under kampen."

Også: Dette AI-system vil fuldstændig ændre din oplevelse ved sportsbegivenheder

Ingen enheder? Intet problem. Informationsindsamlingsprocessen er så afgørende for at opnå en konkurrencefordel hemmelige spejdere sidde på tilskuerpladserne med en kikkert, der er trænet på trænere og deres assistenter, og forsøger desperat at opdage håndbevægelser og fagter, der kunne give et indblik i deres planer. (Tilsyneladende er der ingen troværdige beviser for, at denne tilgang virker, hovedsagelig fordi det uden video er så svært at få ret, især med alle de falske opkald, der anvendes.) 

Denne manglende succes betyder, at analyse af spilbånd er den eneste tilgængelige mulighed.

Fodboldens stop-and-start karakter, der ofte involverer en gradvis, støt march ned ad banen i forskellige slags formationer er fundamentalt forskellig fra mere flydende, fritflydende sportsgrene som fodbold - men fodboldens strategiske karakter gør den også perfekt til analyse.

Hjemmearbejde slutter aldrig

I fodbold får trænere og deres spillere utallige organiserede muligheder for at eksekvere forskelligt strategier på hvert down og formuler specifik taktik for hvert spil, uanset om du er i forsvar eller forbrydelse.

Hvis du har gjort dit hjemmearbejde godt, og optagelserne Gods har givet nogle unikke indsigter, har du en chance for at bruge dem til at overliste den anden side.

Veteran fodboldspiller og NFL-scout Mark Lillibridge, samtaler om, hvordan hans hold ved at se bånd gentagne gange opdagede, hvordan en bestemt og frygtindgydende back på et modstanderhold havde udviklet en fortælling - eller en vane - med at "nok en smule svæve (nakke) på nakken for at få et overblik over den spiller, han var ved at blokere."

Også: Denne AI-chatbot kan opsummere enhver PDF og besvare spørgsmål, du har om den

Den slags åbenbaringer scorer point, vinder kampe og fornyer karrierer. "Der er ikke noget bedre end at være 90 % sikker på, hvilket stykke spil der skulle køres," siger Lillibridge.

Denne form for indsigt forklarer, hvorfor spillere selv i dag starter deres forberedelser til næste kamp ved at se optagelser af en, der netop er afsluttet, enten sammen eller i deres separate enheder, så de kan forberede sig på strategier som pass-rushes og blitz. Mange hold tillader deres spillere at downloade optagelser til deres iPads fra næsten hvor som helst.

Men optagelser i sig selv gør ikke en spiller til sejr. Det virkelige, opslidende arbejde foregår i de afdelinger, der er bygget til at generere spilbånd.

Der skal holdpersonale korrekt identificere spillere fra modstående hold, deres placeringer, positioner og bevægelser, såvel som offensive og defensive formationer.

De skal derefter lave indsigtsfulde observationer om alt fra overordnede strategier, der anvendes af opposition træner ned til detaljerede detaljer om spillerbevægelser og tendenser, så modforanstaltninger kan være udklækket.

Også: Dette maskinlæringsprojekt kan hjælpe med at sætte gang i selvkørende biler igen

Det analyseniveau involverer mange timer. Der er 55 spillere på hvert holds liste og 32 hold i ligaen. Hvis du også skurer bånd historisk - ser på skuespil fra tidligere år for at tilføje mere dybde til din analyse - så er det nok tid til at sikre, at du aldrig ser dagslys.

Hvad mere er, er det svært at få analysen rigtigt. Forberedelse af spilbånd er omhyggeligt arbejde, især for mennesker. Til maskinlæring er det derimod et stykke kage.

Det handler om vinklerne

Da BYU-ingeniørteamet begyndte at se på deres colleges fodboldbånd, blev det hurtigt tydeligt, at der var et stort problem: Der var ingen konsekvente brugbare kameravinkler.

På college-niveau har kameraplacering til spil en tendens til at være overalt, og ikke alle spillere på banen er altid synlige med én kameravinkel. Så er der quarterbacken, som står foran centeret og blokerer ham. Og de defensive spillere, der er tættest på scrimmage-linjen, er også blokeret af den offensive linje.

Også: Denne nye teknologi kunne blæse væk GPT-4 og alt lignende

For at en maskinlæringsalgoritme skal fungere ubesværet og automatisk, skal den kunne stole på vinkler, der konsekvent er de samme på tværs af alle college-spiloptagelser, der involverer BYU eller nogen af ​​deres modstandere.

Så for at spare tid besluttede teamet på BYU at komme med et proof of concept ved at bruge en spilbaseret løsning i stedet for at vente på, at kameravinklerne ordnede sig.

"Vi faldt derefter over en løsning - Madden 2020 NFL-videospillet," sagde Lee til ZDNet. "Det giver dig faktisk mulighed for at placere kameravisningen på en række forskellige steder og gav os den kontrol og konsistens, vores algoritme havde brug for."

Den kameravisning, der viste sig at være mest anvendelig, var et udsigtspunkt i fugleperspektiv, hvor næsten alle spillerne kunne ses. Sammen med end-zone-visninger, der viste både offensiv og forsvar, kunne hver spiller dækkes konsekvent.

Også:De bedste sportsstreamingtjenester

Løsningen virkede, og BYU-teamets algoritme var i stand til at identificere og mærke 1.000 billeder og videoer fra spillet.

"Vi opnår mere end 90% nøjagtighed på både spillerdetektion og -mærkning og 84,8% nøjagtighed på formationsidentifikation," rapporterede forskerne.

Faktisk ramte formationsidentifikationsnøjagtigheden 99,5 %, hvis den mere komplekse I-formation – som havde flere spillervisninger blokeret – blev droppet fra algoritmen.

En vindende udsigt

Så hvad betyder al denne succes for den umiddelbare fremtid for fodboldanalyse? "Jamen, du kan få adgang til den udsendte video af NFL-spil, filtrere reklamer fra, grafer, som de sætter på skærmen, men det er ikke så effektivt. Det er meget mere arbejde," sagde Lee.

"Du behøver virkelig ikke at have et fugleperspektiv, vel? Du skal bare være oppe, så vi kan se hele feltet. Og hvis du ikke kan se fra overhead-kameraet, bør du kunne se fra slutzonen. Når du får det hele synkroniseret, er du i gang," tilføjede Lee.

Også: Generativ AI ændrer din teknologiske karrierevej. Hvad skal man vide

Nå, gæt hvad? NFL har længe udgivet hvert NFL-spil i sæsonen ved hjælp af Alle-22 format -- et kamera placeret højt oppe ved 50-yardlinjen, hvor du kan se alle spillere på banen.

Selv ivrige fans kan få adgang til disse data for $75 om året.

NCAA college fodbold konferencer startede gjorde det samme sidste år, men initiativet er stadig i sin vorden.

Med andre ord, hvad BYU's algoritme har tilladt med Madden 2020, kan nemt overføres til NFL, mens vi taler - og det burde kun være et spørgsmål om tid for college-holdene at følge trop.

Også:De bedste fantasy fodbold apps

Jeg spurgte Lee, hvad der ville ske, når algoritmer, med fuld kontrol over enhver strategi, modstrategi og spillerstyrke og svaghed, bliver mere effektive trænere end mennesker, der instruerer spillere direkte via hjelm mikrofoner.

"Det er skræmmende," sagde Lee. "Trænere bliver forældede. Det er nok ikke så fedt."