Tactic-AI :یک دستیار هوش مصنوعی برای تاکتیک‌های فوتبال
گزارش پروژه Tactic AI شرکت دیپ مایند گوگل :
به عنوان بخشی از همکاری چندساله ما با باشگاه لیورپول، ما یک سیستم هوش مصنوعی کامل توسعه می‌دهیم که می‌تواند به مربیان در مورد ضربات کرنر مشاوره دهد.
باشگاه لیورپول در مرحله نیمه‌نهایی لیگ قهرمانان اروپا ۲۰۱۹، بازگشتی تاریخی را رقم زد. یکی از لحظات نمادین این مسابقه، ضربه کرنر هوشمندانه‌ای از ترنت الکساندر-آرنولد بود که دیووک اوریگی را در موقعیت گلزنی قرار داد. این گل به‌عنوان یکی از بزرگ‌ترین لحظات تاریخ باشگاه لیورپول ثبت شده است.
ضربات کرنر پتانسیل بالایی برای گلزنی دارند، اما طراحی یک استراتژی مؤثر برای اجرای آن‌ها نیازمند ترکیبی از شهود انسانی و تحلیل بازی است. مربیان باید الگوهای رفتاری تیم‌های حریف را شناسایی کرده و در لحظه واکنش مناسبی نشان دهند.
ما TacticAI را معرفی می‌کنیم؛ یک سیستم هوش مصنوعی که با استفاده از مدل‌های پیش‌بینی‌کننده و مولد، بینش‌های تاکتیکی ارزشمندی را در اختیار کارشناسان قرار می‌دهد، به‌ویژه در زمینه ضربات کرنر. باوجود محدودیت داده‌های استاندارد درباره کرنرها، TacticAI با بهره‌گیری از یادگیری عمیق هندسی، نتایجی پیشرفته ارائه می‌دهد و به توسعه مدل‌هایی با قابلیت تعمیم بهتر کمک می‌کند.
ما TacticAI را در چارچوب یک همکاری چندساله با باشگاه لیورپول توسعه داده و مورد ارزیابی قرار داده‌ایم. بررسی‌ها نشان می‌دهد که کارشناسان انسانی در ۹۰٪ موارد، پیشنهادهای این سیستم را به تاکتیک‌های سنتی ترجیح داده‌اند.
TacticAI نشان‌دهنده پتانسیل هوش مصنوعی در تحول دنیای ورزش برای بازیکنان، مربیان و هواداران است. فوتبال، به دلیل ماهیت پویای خود و تعاملات چندعاملی در دنیای واقعی، بستری ایده‌آل برای توسعه فناوری‌های پیشرفته محسوب می‌شود. پیشرفت هوش مصنوعی در ورزش می‌تواند به حوزه‌های گوناگونی، از بازی‌های رایانه‌ای و رباتیک گرفته تا مدیریت ترافیک، گسترش یابد.
TacticAI یک سیستم هوش مصنوعی کامل است که با ترکیب مدل‌های پیش‌بینی‌کننده و مولد، به تحلیل اتفاقات رخ‌داده در بازی‌های گذشته می‌پردازد و پیشنهادهایی برای تنظیم تاکتیک‌ها ارائه می‌دهد تا احتمال دستیابی به یک نتیجه مطلوب افزایش یابد.
توسعه یک برنامه بازی با باشگاه لیورپول
پنج سال پیش، ما همکاری چندساله‌ای را با باشگاه لیورپول آغاز کردیم تا هوش مصنوعی را در تحلیل ورزشی پیشرفته‌تر کنیم.
اولین مقاله ما، Game Plan، به بررسی این موضوع پرداخت که چرا باید از هوش مصنوعی برای کمک به تاکتیک‌های فوتبال استفاده کرد و نمونه‌هایی مانند تحلیل ضربات پنالتی را برجسته ساخت. در سال ۲۰۲۲، ما Graph Imputer را توسعه دادیم که نشان می‌داد چگونه هوش مصنوعی می‌تواند با یک سیستم پیش‌بینی‌کننده اولیه برای وظایف تحلیلی در فوتبال ترکیب شود. این سیستم قادر بود حرکات بازیکنانی را که خارج از کادر دوربین بودند پیش‌بینی کند، حتی در شرایطی که داده‌های ردیابی در دسترس نبودند – در غیر این صورت، باشگاه‌ها مجبور بودند برای بررسی بازی، یک استعدادیاب را به‌صورت حضوری به ورزشگاه بفرستند.
اکنون، ما TacticAI را به‌عنوان یک سیستم کامل هوش مصنوعی توسعه داده‌ایم که از ترکیب مدل‌های پیش‌بینی‌کننده و مولد بهره می‌برد. این سیستم به مربیان اجازه می‌دهد تا سناریوهای جایگزین چیدمان بازیکنان را برای هر تاکتیک موردنظر شبیه‌سازی کرده و سپس پیامدهای احتمالی این سناریوها را مستقیماً ارزیابی کنند.
TacticAI برای پاسخ به سه پرسش کلیدی طراحی شده است:
- برای یک چیدمان تاکتیکی مشخص در ضربه کرنر، چه اتفاقی خواهد افتاد؟
به‌عنوان مثال، چه کسی بیشترین احتمال دریافت توپ را دارد و آیا موقعیت شوت‌زنی ایجاد خواهد شد؟
- پس از اجرای یک تاکتیک، چگونه می‌توانیم آن را تحلیل کنیم؟
به‌عنوان مثال، آیا تاکتیک‌های مشابه در گذشته موفق بوده‌اند؟
- چگونه می‌توان تاکتیک‌ها را برای دستیابی به یک نتیجه خاص تنظیم کرد؟
به‌عنوان مثال، چگونه باید جای‌گیری بازیکنان دفاعی را تغییر داد تا احتمال موقعیت‌های شوت‌زنی کاهش یابد؟
پیش‌بینی نتایج ضربات کرنر با استفاده از یادگیری عمیق هندسی
ضربه کرنر زمانی اعلام می‌شود که توپ پس از برخورد با بازیکن تیم مدافع از خط دروازه عبور کند. پیش‌بینی نتایج ضربات کرنر پیچیده است، زیرا به دلیل تصادفی بودن بازی از سوی بازیکنان فردی و تعاملات بین آن‌ها، نتایج قابل پیش‌بینی نیستند. این امر برای مدل‌سازی توسط هوش مصنوعی چالش‌برانگیز است زیرا داده‌های استاندارد ضربات کرنر بسیار محدود هستند – در هر فصل لیگ برتر، تنها حدود ۱۰ ضربه کرنر در هر مسابقه اجرا می‌شود.
تبدیل موقعیت‌های ضربه کرنر به یک نمایش گرافی
(A) چگونه موقعیت‌های ضربه کرنر به نمایش گراف تبدیل می‌شوند. هر بازیکن به‌عنوان یک گره در گراف در نظر گرفته می‌شود. یک شبکه عصبی گرافی بر روی این گراف عمل می‌کند و نمایه هر گره را با استفاده از فرایند پیام‌رسانی به‌روز می‌کند.
(B) چگونه TacticAI یک ضربه کرنر داده شده را پردازش می‌کند. تمام چهار ترکیب ممکن از بازتاب‌ها به ضربه کرنر اعمال شده و به مدل اصلی TacticAI وارد می‌شود. این بازتاب‌ها با هم تعامل کرده و نمایه نهایی بازیکنان را محاسبه می‌کنند که می‌تواند برای پیش‌بینی نتایج استفاده شود.
TacticAI با استفاده از یادگیری عمیق هندسی، پیش‌بینی دقیقی از اجرای ضربات کرنر ارائه می‌دهد. در گام نخست، ارتباط‌های ضمنی میان بازیکنان به‌طور مستقیم مدل‌سازی می‌شود، به این صورت که چیدمان ضربه کرنر به‌عنوان یک گراف نمایش داده می‌شود، جایی که گره‌ها نشان‌دهنده‌ی بازیکنان (با ویژگی‌هایی مانند موقعیت، سرعت، قد و غیره) و یال‌ها نمایش‌دهنده‌ی روابط بین آن‌ها هستند. سپس، تقارن تقریبی زمین فوتبال مورد استفاده قرار می‌گیرد. معماری هندسی ما نسخه‌ای از شبکه عصبی پیچشی هموردای گروهی (Group Equivariant Convolutional Network) است که تمامی چهار بازتاب ممکن از یک وضعیت (اصلی، افقی، عمودی، ترکیبی) را تولید می‌کند و پیش‌بینی‌های مربوط به دریافت‌کنندگان توپ و موقعیت‌های شوت را در تمامی این چهار نسخه همگن‌سازی می‌کند. این روش، فضای جستجوی توابعی را که شبکه عصبی می‌تواند نمایش دهد، به مجموعه‌ای محدود می‌کند که تقارن بازتاب را رعایت می‌کنند – و این امر منجر به ایجاد مدل‌هایی با قابلیت تعمیم بالاتر و نیاز به داده‌های آموزشی کمتر می‌شود.
ارائه پیشنهادهای سازنده به متخصصان انسانی
با استفاده از مدل‌های پیش‌بینی‌کننده و مولد، TacticAI می‌تواند به مربیان کمک کند تا ضربات کرنر مشابه را شناسایی کرده و تاکتیک‌های مختلف را آزمایش کنند.
در روش‌های سنتی، تحلیلگران برای تدوین تاکتیک‌ها و ضدتاکتیک‌ها، مجبور بودند ویدئوهای بسیاری از بازی‌ها را بازبینی کنند تا نمونه‌های مشابه را بیابند و تیم‌های رقیب را مطالعه کنند. اما TacticAI با محاسبه خودکار نمایش عددی بازیکنان، این امکان را فراهم می‌کند که متخصصان به‌راحتی و با کارایی بیشتر، سناریوهای مشابه در بازی‌های گذشته را جستجو کنند. ما این موضوع را از طریق مطالعات کیفی گسترده با کارشناسان فوتبال تأیید کردیم، به‌طوری‌که TacticAI توانست در ۶۳٪ مواقع نزدیک‌ترین سناریوی مشابه را بازیابی کند، که تقریباً دو برابر دقت معیار ۳۳٪ روش‌های متداولی است که فقط بر اساس شباهت موقعیت بازیکنان پیشنهاد ارائه می‌دهند.
علاوه بر این، مدل مولد TacticAI به مربیان انسانی این امکان را می‌دهد که تاکتیک‌های ضربه کرنر را مجدداً طراحی کنند تا احتمال وقوع نتایج خاصی را بهینه‌سازی کنند، مثلاً در یک چیدمان دفاعی، احتمال ایجاد موقعیت شوت را کاهش دهند. TacticAI پیشنهادهای تاکتیکی ارائه می‌دهد که شامل تنظیم موقعیت تمامی بازیکنان یک تیم خاص است. با استفاده از این پیشنهادات، مربیان می‌توانند الگوهای کلیدی را شناسایی کرده و به سرعت بازیکنان مهمی را که در موفقیت یا شکست یک تاکتیک تأثیر دارند، تشخیص دهند.
(A) مثالی از یک ضربه کرنر که در واقعیت تلاش برای شوت انجام شد.
(B) TacticAI می‌تواند یک وضعیت معکوس (counterfactual) ایجاد کند که در آن احتمال شوت با تنظیم موقعیت و سرعت بازیکنان دفاعی کاهش یافته است.
(C) موقعیت‌های پیشنهادی بازیکنان دفاعی منجر به کاهش احتمال دریافت توپ برای بازیکنان تهاجمی ۲ تا ۴ می‌شود.
(D) مدل قادر است سناریوهای مختلفی از این دست را تولید کند و مربیان می‌توانند گزینه‌های مختلف را بررسی کنند.
در تحلیل کمی ما، نشان دادیم که TacticAI در پیش‌بینی گیرندگان توپ در ضربات کرنر و موقعیت‌های شوت دقیق است و جابجایی بازیکنان مشابه آن‌چه که در بازی‌های واقعی رخ داده، بوده است. همچنین این پیشنهادات را از لحاظ کیفی در یک مطالعه موردی ناشناس ارزیابی کردیم، جایی که ارزیاب‌ها نمی‌دانستند کدام تاکتیک‌ها از بازی واقعی گرفته شده و کدام‌ها توسط TacticAI تولید شده‌اند. کارشناسان فوتبال انسانی از باشگاه لیورپول دریافتند که پیشنهادات ما قابل تشخیص از ضربات کرنر واقعی نبوده و در ۹۰٪ مواقع نسبت به وضعیت‌های اصلی ترجیح داده شدند. این نشان می‌دهد که پیش‌بینی‌های TacticAI نه تنها دقیق هستند، بلکه مفید و قابل اجرا نیز می‌باشند.
نمونه‌هایی از اصلاحات استراتژیک که ارزیاب‌ها آن‌ها را به بازی‌های اصلی ترجیح دادند، جایی که TacticAI پیشنهادات زیر را داده است:
(A) پیشنهادات چهار بازیکن از نظر بیشتر ارزیاب‌ها مطلوب‌تر هستند.
(B) مدافعانی که از ضربه کرنر دورتر هستند، دویدن‌های پوششی بهتری دارند.
(C) دویدن‌های پوششی بهبود یافته برای گروه مرکزی مدافعان در داخل محوطه جریمه.
(D) دویدن‌های ردیابی به‌طور قابل توجهی بهتر برای دو مدافع مرکزی، همراه با موقعیت‌یابی بهتر برای دو مدافع دیگر در منطقه دروازه.
پیشرفت AI برای ورزش
TacticAI یک سیستم هوش مصنوعی کامل است که می‌تواند به مربیان بینش‌های تاکتیکی فوری، گسترده و دقیق ارائه دهد – که همچنین در میدان بازی عملی است. با TacticAI، ما یک دستیار هوش مصنوعی قوی برای تاکتیک‌های فوتبال توسعه داده‌ایم و به یک نقطه عطف در توسعه دستیارهای مفید در هوش مصنوعی ورزشی دست یافته‌ایم. امیدواریم که تحقیقات آینده بتوانند دستیارهایی توسعه دهند که ورودی‌های چندگانه‌تری از داده‌های بازیکن را شامل شوند و به روش‌های بیشتری به کارشناسان کمک کنند.
در این پروژه، ما نشان می‌دهیم که چگونه می‌توان از هوش مصنوعی در فوتبال استفاده کرد، اما فوتبال همچنین می‌تواند چیزهای زیادی درباره هوش مصنوعی به ما بیاموزد. این بازی یک بازی پویا و چالش‌برانگیز برای تحلیل است که شامل عوامل انسانی متعددی از فیزیک گرفته تا روانشناسی می‌شود. حتی برای کارشناسانی مانند مربیان باتجربه نیز چالش‌برانگیز است که تمام الگوها را شناسایی کنند. با TacticAI، امیدواریم که بسیاری از درس‌ها را در توسعه تکنولوژی‌های کمکی گسترده‌تر که ترکیب تخصص انسانی و تحلیل هوش مصنوعی هستند، یاد بگیریم تا به مردم در دنیای واقعی کمک کنیم.
