کاربرد هوش مصنوعی در ورزش: فوتبال چگونه از تکنولوژی بهره می‌برد؟

تیم تحریریه
۲۴ خرداد ۱۴۰۰

زمان مطالعه: 6 دقیقه

خلق محیط‌های آزمایشی که به انتقال تحقیقات هوش مصنوعی از آزمایشگاه‌ها به دنیای واقعی کمک کنند، امری چالش‌برانگیز است. کاربرد هوش مصنوعی در ورزش و بازی‌ها سابقه‌ای دیرینه دارد. عرصه‌ی ورزشی، فرصتی طلایی برای پژوهشگران هوش مصنوعی است و به عنوان محیطی چندعاملی و پویا، بستری آزمایشی فراهم می‌آورد که در آن، سیستم‌های مجهز به هوش مصنوعی می‌توانند در اتخاذ تصمیمات پیچیده و فوری به انسان‌ها کمک کنند.

رشد پرسرعت داده‌های ورزشی در عصر حاضر، حاکی از این است که اکنون در برهه‌ای حیاتی برای حوزه‌ی تحلیل ورزشی قرار داریم. دسترسی به داده‌های ورزشی در کمیت‌ها و کیفیت‌های گوناگون به صورت فزاینده در حال افزایش است؛ روند تحولی این داده ها از آمار مربوط به بیس‌بال به سوی داده‌هایی دقیق‌تر، همچون اطلاعات جریان مسابقه (مثل تعداد پاس‌ها یا شوت‌ها که در حاشیه صفحه نوشته می‌شود)، موقعیت بازیکن گیرنده، یا داده‌های حاصل از سنسورهای بدنی، تغییر یافته است. با این حال، تنها چند سال است که حوزه‌ی تحلیل ورزشی برای درک تصمیمات و ارائه‌ی پیشنهادات به افراد از یادگیری ماشینی و هوش مصنوعی استفاده می‌کند. در مقاله‌ی قبلی که با همکاری باشگاه فوتبال لیورپول (LFC) انجام داده و در ژورنال JAIR منتشر کردیم، سعی کردیم با تکیه بر یادگیری آماری، درک ویدئویی و نظریه‌ی بازی، چشم‌انداز آینده‌ی تحلیل ورزشی را رسم کنیم. در این مقاله، نشان دادیم که فوتبال، بستری کوچک اما مفید برای مطالعات هوش مصنوعی به شمار می‌رود و در بلندمدت می‌تواند از طریق سیستم‌های کمک‌مربی ویدئویی خودکار (AVAC) به تصمیم‌گیران این حوزه کمک کند.

فهرست مقاله پنهان

1 فوتبال: فرصتی طلایی برای هوش مصنوعی

2 هوش مصنوعی چطور به فوتبال کمک می‌کند؟

3 مقاله و لینک‌های مرتبط:

فوتبال: فرصتی طلایی برای هوش مصنوعی

فوتبال دیرتر از سایر ورزش‌ها شروع به جمع‌آوری گسترده‌ی داده‌ها کرد. این داده‌ها که به تحقق اهداف تحلیل علمی کمک می‌کنند، می‌توانند نقش مؤثری در پیشرفت بازی تیم‌ها داشته باشند. این موضوع از چند نظر قابل توجیه است؛ برجسته‌ترین دلیل این است که با توجه به بزرگ بودن زمین بازی، تحرک بالای بازی و مواردی از این دست، فوتبال، قابلیت کنترل‌پذیری کمتری دارد. شرایط و جریان غالب بر بازی هم عمدتاً بر افرادی که سابقه و تجارب خاص خود را دارند، بستگی دارد. در همین راستا می‌توان به مثال آریگو ساچی اشاره کرد، از مدیران و مربیان موفق فوتبال ایتالیا که خودش هیچ‌گاه در مستطیل سبز پا به توپ نشد. زمانی که ساچی در سال 1987، پست مربی‌گری میلان را بر عهده گرفت، به دلیل بی‌تجربگی موردانتقاد قرار گرفت؛ اما با این جمله‌ی مشهورش پاسخ منتقدان را داد: «نمی‌دانستم برای این‌که کسی سوارکار خوبی شود، اول باید اسب بوده باشد!»

تحلیل فوتبال، چالش‌های فراوانی دارد؛ چالش‌هایی که می‌توان به کمک تکنیک‌های گوناگون هوش مصنوعی در صدد رفعشان برآمد. این تکنیک‌ها برگرفته از یک علم میان‌رشته‌ای هستند که بر حوزه‌های بینایی کامپیوتری، یادگیری آماری و نظریه‌ی بازی تکیه دارند (تصویر 2). هرکدام از این حوزه‌ها به صورت جداگانه نیز نقش مفیدی در تحلیل فوتبال دارند؛ اما با ترکیب آن‌ها می‌توان به نتایجی بی‌سابقه دست یافت. همه‌ی بازیکنان باید به صورت پی‌درپی و در حضور بازیکنان دیگر (از تیم خودی یا حریف) تصمیماتی بگیرند؛ اینجاست که نظریه‌ی بازی، یک نظریه‌ی تصمیم‌گیری تعاملی، وارد صحنه می‌شود. علاوه بر این، بر اساس بازنمایی‌های عملکرد بازیکنان درون زمین، می‌توان راهکارهای تاکتیکی که بازیکنان در پاسخ به موقعیت‌های بازی انتخاب می‌کنند را آموخت؛ امری که به یادگیری آماری مرتبط می‌شود. در آخر، به کمک ورودی‌های تصویری و ویدئویی گسترده می‌توان، به صورت خودکار، بازیکنان را ردیابی و سناریوهای بازی را شناسایی کرد.

مروری بر سه حوزه‌ی اصلی (نظریه‌ی بازی، یادگیری آماری و بینایی کامپیوتری) که در پیشرفت تحلیل فوتبال نقش مهمی ایفا کرده‌اند. در این تصویر، مثال‌هایی از کاربرد هر حوزه مشاهده می‌کنید که برگرفته از ادبیات پژوهشی مربوطه است. نتیجه‌ی همپوشانی آن‌ها نیز در قسمت وسط نمودار آورده شده است.

سیستم AVAC مدنظر ما، محصولی جامع است که در نتیجه‌ی همکاری و ادغام این سه حوزه‌ی پژوهشی به دست می‌آید (شکل 2). در نتیجه‌ی مطالعاتی که از وضعیت حال حاضر این حوزه‌ها داشتیم، علاوه بر ارائه‌ی نقشه‌راهی برای مسائل علمی و مهندسی چند سال آینده، نتایج اولیه ادغام تحلیل‌های انجام شده از هر سه حوزه (نظریه‌ی بازی، یادگیری آماری و بینایی کامپیوتری) را نیز توضیح می‌دهیم؛ پژوهش حاضر بر آن است تا نقش این حوزه‌ی مهم در توسعه‌ی ورزش فوتبال را دنبال کند.

هوش مصنوعی چطور به فوتبال کمک می‌کند؟

نظریه‌ی بازی نقش مهمی در مطالعه‌ی بازی‌ها ایفا می‌کند و مبنایی نظری برای راهبردهای رفتاری بازیکنان فراهم می‌آورد. در فوتبال، بسیاری از سناریوها را می‌توان به صورت «بازی‌ با جمع صفر Zero-sum games» مدلسازی کرد؛ از ابتدای تولد نظریه‌ی بازی، این مدل بیشتر از بقیه مورد بررسی قرار گرفته است. به عنوان مثال، موقعیت ضربه پنالتی را به عنوان یک بازی نامتقارن متشکل از دو بازیکن مدل‌سازی می‌کنیم که در آن راهبردهای پنالتی‌زن را می‌توان در سه دسته‌ی شوت به سمت چپ، راست و مرکز، گروه‌بندی کرد. برای مطالعه‌ی این مسئله، بردار بازیکنان را به تحلیلی که نظریه‌ی بازی از سناریوی ضربه پنالتی انجام می‌دهد، اضافه می‌کنیم؛ بردار بازیکن، خلاصه‌ای از سبک بازی هر یک از بازیکنان است. بر اساس این بازنمایی‌ها، می‌توانیم پنالتی‌زن‌هایی که سبک مشابهی دارند را در یک گروه قرار دهیم و سپس تحلیل مبتنی بر نظریه بازی را در سطح گروهی اجرا کنیم (شکل 3). نتایج مطالعات ما نشان دادند که بین این گروه‌ها، از نظر راهبردهای شوت‌زنی، تفاوت معنادار وجود دارد: یک گروه ترجیح می‌دهند به سمت چپ دروازه ضربه بزنند؛ در حالی‌که گروهی دیگر، به سمت چپ و راست دروازه به یک اندازه ضربه می‌زنند. بر اساس این رویکرد که مبتنی بر نظریه‌ی بازی است، می‌توان فوتبال را به شکل بازی‌های temporally extended (گسترده‌ی زمانی) تحلیل کرد و بدین ترتیب، ذات پیوسته‌ی آن‌ها را مدنظر قرار داد. تحلیل‌های انجام شده برای ارائه‌ی پیشنهادات تاکتیکی به بازیکنان و حتی بهینه‌سازی راهبرد کلی تیمی به کار می‌روند.

از نظر یادگیری آماری می‌توان گفت که در تحلیل ورزشی، ظرفیت زیادی برای (کاربرد هوش مصنوعی در ورزش) یادگیری بازنمایی‌ها وجود دارد. به کمک یادگیری آماری، می‌توان خلاصه‌ای آگاهی‌بخش از رفتار بازیکنان و تیم‌های فوتبال فراهم آورد. علاوه بر این، از نظر ما، تعامل نظریه‌ی بازی و یادگیری آماری می‌تواند بیش از پیش منجر به پیشرفت تحلیل‌‌های ورزشی شود. برای مثال، در سناریوی ضربه پنالتی که بالاتر مطرح شد، آمار مربوط به بازیکنان (بردار بازیکن)، توانست کیفیت تحلیل را ارتقاء دهد و بدین ترتیب بینشی عمیق‌تر نسبت به رفتارهای مختلف بازیکنان و تصمیم‌گیری‌های آن‌ها در ضربات پنالتی در اختیار بگذارد. یک نمونه‌ی دیگر از کاربرد یادگیری آماری در این حوزه ghosting یا سایه‌اندازی است؛ منظور از سایه‌اندازی، استفاده از داده‌ها برای تحلیل واپس‌نگرانه‌ی رفتار و اقداماتی است که باید (به جای آن‌چه واقعاً روی داده است) اتفاق می‌افتادند (این مفهوم در یادگیری آنلاین و نظریه‌ی بازی به عنوان «حسرت» مطرح شده است). مدل سایه‌اندازی، بر اساس مواردی همچون میانگین تیم یا کل لیگ، مسیرهای دیگری که بازیکنان می‌توانستند انتخاب کنند را نشان می‌دهد. این مدل، مسیرهای پیش‌بینی‌شده را اغلب به صورت یک لایه‌ی نیمه‌شفاف روی بازی اصلی به تصویر می‌کشد؛ نام ghosting یا سایه‌اندازی نیز از همین موضوع گرفته شده است (تصویر 4). مدل‌های پیش‌بینی مسیر از طریق تحلیل موقعیت‌های کلیدی بازی و سناریوهای احتمالی آن، بینش خوبی در اختیار ما قرار می‌دهند. از دیگر قابلیت‌های این مدل‌ها می‌توان به پیش‌بینی مشکلات احتمالی (تغییرات تاکتیکی، مصدومیت بازیکن کلیدی، تعویض و …) و تأثیر آن‌ها روی عملکرد تیم و همچنین، پاسخ تیم رقیب به این تغییرات، اشاره کرد.

نمونه‌ای از مدلسازی پیش‌بین با استفاده از داده‌های ردیابی فوتبال. در این تصویر، علاوه بر برچسب‌های حقیقی مربوط به حرکات توپ، خط حمله و خط دفاع، راهکارهای دفاعی که توسط یک مدل «پیش‌بینی مسیر متوالی» پیش‌بینی شده‌اند، به تصویر کشیده شده‌اند.

در آخر، به نقش بینایی کامپیوتری می‌پردازیم؛ بینایی کامپیوتری را می‌توان یکی از امیدوارکننده‌ترین رویکردها/حوزه‌هایی دانست که به توسعه‌ی پژوهش‌های تحلیل ورزشی کمک می‌کنند. شناسایی رویدادها از روی تصاویر ویدئویی، موضوعی است که در بینایی کامپیوتری مورد تمرکز فراوان قرار گرفته است و کاربردهای فراوانی دارد (برای اطلاعات بیشتر به این پژوهش یا مقاله‌ی خود ما مراجعه کنید). با برقراری ارتباط بین رویدادها و فریم‌های خاص، ویدئوها قابلیت جستجو پیدا کرده و مفیدتر شده‌اند (برای مثال، استخراج قسمت‌های جالب ویدئوها به صورت خودکار، امکان‌پذیر شده است). تصاویر ویدئویی فوتبال هم برای کاربرد بینایی کامپیوتری مناسب هستند. فراوانی بالای داده‌ها، پیش‌نیاز بسیاری از تکنیک‌های مدرن هوش مصنوعی است و تعداد زیاد ویدئوهای فوتبال این شرط را برآورده می‌کند. شرایط و زمینه‌ی این ویدئوها، علی‌رغم وجود تفاوت‌هایی، تنوع چندانی ندارد؛ امری که آن‌ها را برای الگوریتم‌های هوش مصنوعی به مسئله‌ای ایده‌آل تبدیل می‌کند. علاوه بر این داده‌ها، فراهم‌آورندگان خارجی نیز داده‌های رویدادی (که به صورت دستی برچسب‌گذاری شده‌اند) ارائه می‌دهند؛ این داده‌ها را می‌توان در آموزش مدل‌ها به کار برد، اما تولید آن‌ها زمان‌بر است. هم الگوریتم‌های نظارت‌شده و هم غیرنظارت‌شده می‌توانند برای تشخیص رویدادهای فوتبالی از این داده‌ها استفاده کنند. برای مثال، تصویر 1 (B) مصورسازی تغییرشکل‌یافته از یک مدل یادگیری عمیق را نشان می‌دهد که به روش نظارت‌شده، برای تشخیص رویدادهای هدف (مثل ضربه پنالتی) بر اساس تصاویر ویدئویی آموزش دیده است.

کاربرد هوش مصنوعی در ورزش و تکنیک‌های پیشرفته‌ی هوش مصنوعی در فوتبال می‌تواند این حوزه را از ابعاد گوناگون (بازیکنان، تصمیم‌گیرندگان، طرفداران، گزارشگران و …) متحول کند. این پیشرفت‌ها حائز اهمیت هستند و قابلیت این را دارند که ورزش را مردمی‌تر کنند؛ برای مثال در انتخاب بازیکنان، به جای اتکا بر نظرات شخصی متخصصان، می‌توان از تکنیک‌های بینایی کامپیوتری کمک گرفت و بدین ترتیب، مهارت‌های بازیکنانی که در نواحی محروم یا دسته‌های پایین‌تر بازی می‌کنند را نیز مدنظر قرار داد. ما معتقدیم تکنیک‌های هوش مصنوعی به کاررفته در عرصه‌ی فوتبال را، که به صورت روزافزون در حال رشد و توسعه هستند، می‌توان در حوزه‌های وسیع‌تری نیز به کار برد. در همین راستا قصد داریم در اواسط سال جاری، با همکاری چندین برگزارکننده‌ی دیگر، در کنفرانس IJCAI کارگاهی با موضوع «کاربرد هوش مصنوعی در تحلیل ورزشی» برگزار کنیم؛ علاقه‌مندان به این حوزه‌ها می‌توانند در این کارگاه شرکت کنند. خطاب به پژوهشگران نیز باید گفت که شرکت‌های تحلیل‌گر همچون StatsBomb و جامعه‌ی وسیع‌تر پژوهشگران دیتاست‌هایی در دسترس عموم قرار داده‌اند. علاوه بر این، در مقاله‌ی مذکور، مروری جامع بر پژوهش‌های انجام شده در این حوزه ارائه شده است.