L’intelligenza artificiale sta cambiando per sempre l’analisi del calcio. Gli autobus potrebbero diventare obsoleti?

Un dipartimento di informatica della Brigham Young University ha cambiato per sempre il modo in cui viene pianificata ed eseguita l'analisi delle registrazioni delle partite di calcio.

Questo cambio di passo è importante perché è il fondamento delle strategie vincenti. L'innovazione arriva da D.J. Lee, professore e direttore del Laboratorio di visione robotica presso il Dipartimento di ingegneria elettrica e informatica della Brigham Young University (BYU), che, insieme ai ricercatori Jacob Newman, Andrew Sumsion e Shad Torrie, potrebbe aver fornito agli allenatori di calcio un assistente da sogno in grado di completare l'analisi come nessun altro altro.

Anche: Perché la prossima stella della NFL potrebbe essere uno scienziato dei dati

Questa soluzione innovativa utilizza l'apprendimento automatico, le reti neurali e la visione artificiale per risparmiare centinaia di ore di lavoro noioso taggare i giocatori di casa e quelli avversari, monitorare i loro movimenti e identificare accuratamente le formazioni che possono informare una contro-strategia.

Il calcio, come probabilmente saprai, è un gioco in cui le squadre vivono e muoiono in base alle loro strategie. Questo significato aiuta a spiegare perché la NFL non vuole che il processo di ricerca di un avversario assomigli a un thriller di spionaggio della Guerra Fredda. Il suo "Manuale delle operazioni di gioco" stati che "non è consentito l'uso di dispositivi di registrazione video di alcun tipo nella cabina degli allenatori, in campo o negli spogliatoi durante la partita".

Anche: Questo sistema di intelligenza artificiale cambierà completamente la tua esperienza durante gli eventi sportivi

Nessun dispositivo? Nessun problema. Il processo di raccolta delle informazioni è così fondamentale per ottenere un vantaggio competitivo esploratori furtivi sedersi sugli spalti con il binocolo puntato sugli allenatori e sui loro assistenti, cercando disperatamente di rilevare movimenti e gesti delle mani che potrebbero offrire qualche indizio sui loro piani. (A quanto pare, non ci sono prove credibili che questo approccio funzioni, soprattutto perché, senza video, è molto difficile farlo bene, soprattutto con tutte le chiamate false utilizzate.) 

Questa mancanza di successo significa che l'analisi dei nastri dei giochi è l'unica opzione disponibile.

Lo è la natura stop-and-start del calcio, che spesso comporta una marcia graduale e costante lungo il campo in vari tipi di formazioni fondamentalmente diverso dagli sport più fluidi e fluidi come il calcio, ma la natura strategica del calcio lo rende perfetto anche per analisi.

I compiti non finiscono mai

Nel calcio, gli allenatori e i loro giocatori hanno innumerevoli opportunità organizzate per eseguire risultati diversi strategie su ogni down e formula tattiche specifiche per ogni giocata, sia che tu sia in difesa o in difesa offesa.

Se hai fatto bene i compiti e il filmato che gli Dei ha offerto alcune intuizioni uniche, hai la possibilità di usarli per superare in astuzia l'altra parte.

Mark Lillibridge, giocatore di football veterano e scout della NFL, parla su come, guardando ripetutamente le registrazioni, la sua squadra scoprì come un particolare e temibile terzino della squadra avversaria aveva sviluppato l'abitudine - o l'abitudine - di "allungare leggermente il collo per vedere il giocatore che stava per bloccare".

Anche: Questo chatbot AI può riassumere qualsiasi PDF e rispondere alle tue domande al riguardo

Questo tipo di epifanie fanno guadagnare punti, vincono partite e arricchiscono carriere. "Non c'è niente di meglio che essere sicuri al 90% di quale spettacolo si sta per eseguire", afferma Lillibridge.

Questo tipo di intuizione spiega perché, ancora oggi, i giocatori iniziano i preparativi per la partita successiva guardando le riprese della partita uno che si è appena concluso, insieme o nelle loro unità separate in modo che possano prepararsi per strategie come corse di passaggio e blitz. Molte squadre consentono ai propri giocatori di scaricare filmati sui propri iPad praticamente da qualsiasi luogo.

Ma le riprese di per sé non garantiscono la vittoria di un giocatore. Il vero, estenuante lavoro si svolge nei reparti costruiti per generare le registrazioni dei giochi.

Lì, il personale della squadra deve identificare correttamente i giocatori delle squadre avversarie, le loro posizioni, posizioni e movimenti, nonché le formazioni offensive e difensive.

Devono quindi fare osservazioni approfondite su tutto, dalle strategie generali impiegate dal l'allenatore dell'opposizione fino ai dettagli granulari sui movimenti e sulle tendenze dei giocatori, in modo da poter adottare contromisure schiuso.

Anche: Questo progetto di apprendimento automatico potrebbe aiutare a far ripartire le auto a guida autonoma

Questo livello di analisi richiede molte ore. Ci sono 55 giocatori nel roster di ciascuna squadra e 32 squadre nel campionato. Se stai anche esaminando i nastri storicamente, guardando le opere teatrali degli anni precedenti per aggiungere più profondità alla tua analisi, allora è tempo sufficiente per assicurarti di non vedere mai la luce del giorno.

Inoltre, è difficile fare un'analisi corretta. La preparazione delle registrazioni dei giochi è un lavoro scrupoloso, soprattutto per gli esseri umani. Per il machine learning, invece, è un gioco da ragazzi.

È tutta una questione di angoli

Quando il team di ingegneri della BYU ha iniziato a guardare le registrazioni delle partite di calcio del college, è stato subito evidente che c'era un grosso problema: non c'erano angoli di ripresa coerenti e praticabili.

A livello universitario, il posizionamento delle telecamere durante le partite tende ad essere ovunque e non tutti i giocatori in campo sono sempre visibili da un'angolazione della telecamera. Poi c'è il quarterback, che si piazza davanti al centro bloccandolo. E anche i difensori più vicini alla linea di scrimmage sono ostacolati dalla linea offensiva.

Anche: Questa nuova tecnologia potrebbe spazzare via GPT-4 e tutto il resto

Affinché un algoritmo di apprendimento automatico funzioni senza sforzo e in modo automatico, dovrebbe poter fare affidamento su di esso angoli che sono costantemente gli stessi in tutti i filmati di giochi universitari che coinvolgono la BYU o qualcuno dei loro avversari.

Quindi, per risparmiare tempo, il team della BYU ha deciso di elaborare una prova di concetto, utilizzando una soluzione basata sul gioco invece di aspettare che le angolazioni della telecamera si risolvessero da sole.

"Ci siamo quindi imbattuti in una soluzione: il videogioco Madden 2020 NFL", ha detto Lee a ZDNet. "In realtà ti consente di posizionare l'inquadratura della telecamera in una varietà di luoghi diversi e ci ha dato il controllo e la coerenza di cui il nostro algoritmo aveva bisogno."

La visuale della telecamera che si è rivelata più utile è stata un punto di osservazione dall'alto, a volo d'uccello, da cui si potevano vedere quasi tutti i giocatori. Insieme alle visuali della end zone che mostravano sia l'attacco che la difesa, ogni giocatore poteva essere coperto in modo coerente.

Anche:I migliori servizi di streaming sportivo

La soluzione ha funzionato e l'algoritmo del team della BYU è stato in grado di identificare ed etichettare 1.000 immagini e video del gioco.

"Otteniamo una precisione superiore al 90% sia sul rilevamento che sull'etichettatura dei giocatori, e una precisione dell'84,8% sull'identificazione della formazione", hanno riferito i ricercatori.

In effetti, la precisione di identificazione della formazione raggiungeva il 99,5% se la formazione I più complessa, che aveva la visuale di diversi giocatori ostacolata, veniva eliminata dall'algoritmo.

Una visione vincente

Allora, cosa significa tutto questo successo per l’immediato futuro dell’analisi calcistica? "Beh, potresti avere accesso ai video trasmessi delle partite della NFL, filtrare gli spot pubblicitari, i grafici che mettono sullo schermo, ma non è così efficiente. È molto più lavoro", ha detto Lee.

"Non c'è davvero bisogno di avere una vista a volo d'uccello, giusto? Devi solo stare in alto, così possiamo vedere tutto il campo. E se non riesci a vedere dalla telecamera in alto, dovresti essere in grado di vedere dalla end zone. Una volta sincronizzato tutto, sei a posto", ha aggiunto Lee.

Anche: L’intelligenza artificiale generativa sta cambiando il tuo percorso professionale nel settore tecnologico. Cosa sapere

Beh, indovina un po'? La NFL pubblica da tempo tutte le partite della NFL della stagione utilizzando il formato Tutti-22 formato: una telecamera appollaiata in alto sulla linea delle 50 yard, da dove puoi vedere tutti i giocatori in campo.

Anche i fan più entusiasti possono accedere a questi dati per $ 75 all'anno.

Conferenze calcistiche universitarie della NCAA iniziato facendo la stessa cosa l’anno scorso, ma l’iniziativa è ancora agli inizi.

In altre parole, ciò che l’algoritmo della BYU ha consentito con Madden 2020 può essere facilmente trasposto nella NFL mentre parliamo – e dovrebbe essere solo questione di tempo prima che le squadre universitarie seguano l’esempio.

Anche:Le migliori app di fantacalcio

Ho chiesto a Lee cosa accadrebbe se gli algoritmi, con il controllo totale di ogni strategia, controstrategia e forza e debolezza dei giocatori, diventano allenatori più efficaci degli umani, istruendo i giocatori direttamente tramite il casco microfoni.

"È spaventoso", ha detto Lee. "Gli allenatori diventano obsoleti. Probabilmente non è così bello."