فوتبال فرصتی طلایی برای هوش مصنوعی

سعید واعظ: فوتبال دیرتر از سایر ورزش‌ها شروع به جمع‌آوری گستردهٔ 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 زمین‌بازی، تحرک بالای بازی و مواردی ازاین‌دست، فوتبال، قابلیت کنترل‌پذیری کمتری دارد. شرایط و جریان غالب بر بازی هم عمدتاً بر افرادی که سابقه و تجارب خاص خود رادارند، 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 ۱۹۸۷، پست مربی‌گری میلان را بر عهده گرفت، به دلیل بی‌تجربگی موردانتقاد قرار گرفت؛ اما با این جملهٔ 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 درصدد رفعشان برآمد. این تکنیک‌ها برگرفته از یک علم میان‌رشته‌ای هستند که بر حوزه‌های بینایی کامپیوتری، یادگیری آماری و نظریهٔ بازی تکیه‌دارند (تصویر ۲). هرکدام از این حوزه‌ها به‌صورت جداگانه نیز نقش مفیدی در تحلیل فوتبال دارند؛ اما با ترکیب آن‌ها می‌توان به نتایجی بی‌سابقه دست‌یافت. همهٔ بازیکنان باید به‌صورت پی‌درپی و در حضور بازیکنان دیگر (از تیم خودی یا حریف) تصمیماتی بگیرند؛ اینجاست که نظریهٔ بازی، یک نظریهٔ 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، به‌صورت خودکار، بازیکنان را ردیابی و سناریوهای بازی را شناسایی کرد.

• هوش مصنوعی چطور به فوتبال کمک می‌کند؟

نظریهٔ بازی نقش مهمی در مطالعهٔ بازی‌ها ایفا می‌کند و مبنایی نظری برای راهبردهای رفتاری بازیکنان فراهم می‌آورد. در فوتبال، بسیاری از سناریوها را می‌توان به‌صورت «بازی با جمع صفر» مدل‌سازی کرد؛ از ابتدای تولد نظریهٔ بازی، این مدل بیشتر از بقیه موردبررسی قرارگرفته است. به‌عنوان‌مثال، موقعیت ضربه پنالتی را به‌عنوان یک بازی نامتقارن متشکل از دو بازیکن مدل‌سازی می‌کنیم که در آن راهبردهای پنالتی‌زن را می‌توان در سه دستهٔ شوت به سمت چپ، راست و مرکز، گروه‌بندی کرد. برای مطالعهٔ این مسئله، بردار بازیکنان را به تحلیلی که نظریهٔ 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 ۳). نتایج مطالعات ما نشان دادند که بین این گروه‌ها، ازنظر راهبردهای شوت‌زنی، تفاوت معنادار وجود دارد: یک گروه ترجیح می‌دهند به سمت چپ دروازه ضربه بزنند؛ درحالی‌که گروهی دیگر، به سمت چپ و راست دروازه به یک اندازه ضربه می‌زنند. بر اساس این رویکرد که مبتنی بر نظریهٔ بازی است، می‌توان فوتبال را به شکل بازی‌های temporally extended (گستردهٔ زمانی) تحلیل کرد و بدین ترتیب، ذات پیوستهٔ آن‌ها را مدنظر قرارداد. تحلیل‌های انجام‌شده برای ارائهٔ پیشنهادات تاکتیکی به بازیکنان و حتی بهینه‌سازی راهبرد کلی تیمی به کار می‌روند.

سایه‌اندازی نیز از همین موضوع گرفته‌شده است (تصویر ۴). 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.

در آخر، به نقش بینایی کامپیوتری می‌پردازیم؛ بینایی کامپیوتری را می‌توان یکی از امیدوارکننده‌ترین رویکردها/حوزه‌هایی دانست که به توسعهٔ پژوهش‌های تحلیل ورزشی کمک می‌کنند. شناسایی رویدادها از روی تصاویر ویدئویی، موضوعی است که در بینایی کامپیوتری مورد تمرکز فراوان قرارگرفته است و کاربردهای فراوانی دارد (برای اطلاعات بیشتر به این پژوهش یا مقالهٔ خود ما مراجعه کنید). با برقراری ارتباط بین رویدادها و فریم‌های خاص، ویدئوها قابلیت جستجو پیداکرده و مفیدتر شده‌اند (برای مثال، استخراج قسمت‌های جالب ویدئوها به‌صورت 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 زمینهٔ این ویدئوها، علی‌رغم وجود تفاوت‌هایی، تنوع چندانی ندارد؛ امری که آن‌ها را برای الگوریتم‌های هوش مصنوعی به مسئله‌ای ایدئال تبدیل می‌کند. علاوه بر این داده‌ها، فراهم آورندگان خارجی نیز داده‌های رویدادی (که به‌صورت دستی برچسب‌گذاری شده‌اند) ارائه می‌دهند؛ این داده‌ها را می‌توان در آموزش مدل‌ها به کاربرد، اما تولید آن‌ها زمان‌بر است. هم الگوریتم‌های نظارت‌شده و هم غیر نظارت‌شده می‌توانند برای تشخیص رویدادهای فوتبالی از این داده‌ها استفاده کنند. برای مثال، تصویر ۱ (B) مصورسازی تغییریافته از یک مدل یادگیری عمیق را نشان می‌دهد که به روش نظارت‌شده، برای تشخیص رویدادهای هدف (مثل ضربه پنالتی) بر اساس تصاویر ویدئویی آموزش‌دیده است.

کاربرد هوش مصنوعی در ورزش و تکنیک‌های پیشرفتهٔ 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 رادارند که ورزش را مردمی‌تر کنند؛ برای مثال در انتخاب بازیکنان، به‌جای 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 قرارداد. ما معتقدیم تکنیک‌های هوش مصنوعی به‌کاررفته در عرصهٔ فوتبال را، که به‌صورت روزافزون در حال رشد و توسعه هستند، می‌توان در حوزه‌های وسیع‌تری نیز به کاربرد. در همین راستا قصد داریم در اواسط سال جاری، با همکاری چندین برگزارکنندهٔ دیگر، در اجلاس 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 جامعهٔ وسیع‌تر پژوهشگران دیتاست‌هایی در دسترس عموم قرار داده‌اند. علاوه بر این، در مقالهٔ مذکور، مروری جامع بر پژوهش‌های انجام‌شده در این حوزه ارائه‌شده است.