DeepMind Ingin Menggunakan AI untuk Mengubah Sepak Bola


Pada bulan Maret 1950, seorang komandan sayap RAF dan akuntan terlatih bernama Charles Reep mengalihkan perhatiannya pada angka ke sepak bola. Reep, yang menjadi tertarik pada olahraga pada tahun 1930-an dan terpesona oleh tim Arsenal perintis Herbert Chapman, telah kembali dari Perang Dunia Kedua untuk menemukan bahwa revolusi taktis yang dia saksikan sebelumnya telah terhenti.

Akhirnya, di babak pertama selama pertandingan Divisi Tiga yang menjemukan antara Swindon Town dan Bristol City, di mana ia menyaksikan serangan yang tak terhitung jumlahnya tidak berarti apa-apa, kesabaran Reep habis. Dia mengambil buku catatan dan pensil dan mulai dengan marah mencatat apa yang terjadi di lapangan: Dia mulai menghitung jumlah operan dan tembakan dalam salah satu percobaan sistematis pertama menggunakan data untuk menganalisis sepak bola.

Tujuh dekade kemudian, revolusi data telah mencapai akar rumput — penggemar fasih dalam xG dan pengeluaran bersih, dan tim teratas mengambil statistik mahasiswa PhD langsung dari universitas untuk mencari keunggulan. Kini, juara bertahan Liga Inggris Liverpool telah bergabung dengan DeepMind untuk mengeksplorasi penggunaan kecerdasan buatan di dunia sepak bola. Makalah oleh para peneliti di dua organisasi, yang diterbitkan hari ini oleh Jurnal Penelitian Kecerdasan Buatan, menguraikan beberapa aplikasi potensial.

“Waktunya tepat,” kata Karl Tuyls, seorang peneliti AI di DeepMind dan salah satu penulis utama di makalah tersebut. Kolaborasi DeepMind di Liverpool muncul dari peran sebelumnya di universitas kota. (Pendiri DeepMind Demis Hassabis juga merupakan penggemar Liverpool seumur hidup dan merupakan penasihat penelitian.) Kedua kelompok berkumpul untuk membahas di mana AI mungkin dapat membantu pemain dan pelatih sepak bola. Liverpool juga memberi DeepMind data tentang setiap pertandingan Liga Premier yang dimainkan klub dari 2017 hingga 2019.

Dalam beberapa tahun terakhir, jumlah data yang tersedia di sepak bola telah membengkak dengan penggunaan sensor, pelacak GPS, dan algoritma visi komputer untuk melacak pergerakan pemain dan bola. Untuk tim sepak bola, AI menawarkan cara untuk menemukan pola yang tidak bisa dilakukan oleh pelatih; bagi peneliti DeepMind, sepak bola menawarkan lingkungan yang terbatas tetapi menantang bagi mereka untuk menguji algoritme mereka. “Sebuah permainan seperti [soccer] sangat menarik, karena ada banyak agen yang hadir, ada aspek persaingan dan kolaboratif, ”kata Tuyls. Tidak seperti catur, atau Go, sepak bola memiliki ketidakpastian yang melekat di dalamnya, karena dimainkan di dunia nyata.

Namun, itu tidak berarti Anda tidak dapat membuat prediksi — dan itu adalah salah satu area di mana AI dapat terbukti sangat berguna. Makalah ini menunjukkan bagaimana Anda dapat melatih model pada data tentang tim dan susunan pemain tertentu untuk memprediksi bagaimana para pemainnya akan bereaksi dalam situasi tertentu: Jika Anda menjatuhkan bola panjang ke saluran sebelah kanan melawan Manchester City, misalnya, Kyle Walker akan berjalan ke arah tertentu, sedangkan John Stones mungkin melakukan hal lain.

Ini dikenal sebagai “ghosting” —karena lintasan alternatif dihamparkan pada apa yang sebenarnya terjadi, seperti dalam video game — dan memiliki berbagai aplikasi yang berbeda. Ini dapat digunakan, misalnya, untuk memprediksi implikasi dari perubahan taktis atau bagaimana lawan mungkin bermain jika pemain kunci mengalami cedera. Ini adalah hal-hal yang kemungkinan besar akan diperhatikan oleh para pelatih, dan Tuyls menekankan bahwa tujuannya bukanlah merancang alat untuk menggantikannya. “Ada banyak data, banyak yang harus dicerna, dan tidak selalu mudah untuk menangani data yang sangat banyak ini,” katanya. “Kami mencoba membangun teknologi asistif.”

Sebagai bagian dari makalah, para peneliti juga melakukan analisis pada lebih dari 12.000 tendangan penalti yang dilakukan di seluruh Eropa dalam beberapa musim terakhir — mengkategorikan pemain ke dalam kelompok berdasarkan gaya permainan mereka, dan kemudian menggunakan informasi tersebut untuk membuat prediksi tentang di mana mereka paling sering berada. kemungkinan besar akan terkena penalti dan apakah mereka cenderung mencetak gol. Penyerang, misalnya, lebih cenderung membidik sudut kiri bawah daripada gelandang — yang mengambil pendekatan yang lebih seimbang, dan data menunjukkan bahwa strategi optimal untuk pengambil penalti, mungkin tidak mengejutkan, menendang ke sisi terkuat mereka.

Diposting oleh : Lagutogel