KI Wird Zum „Schlüsselspieler“ in Fußballspielen: DeepMind Veröffentlicht TacticAI Mit Taktischer Layout-Praktikabilität Bis Zu 90%

In den gerade beendeten WM-Qualifikationsspielen besiegte die chinesische Fußballnationalmannschaft Singapur zu Hause in Tianjin mit 4:1. Damit vertrieb sie die Trübsal des vorherigen Unentschiedens gegen den Gegner, als sie in Führung lag, und läutete gleichzeitig den ersten Sieg der Mannschaft im Jahr 2024 ein. Aktuell belegt das chinesische Team den zweiten Platz in Gruppe C und hofft weiterhin auf den Einzug ins Achtelfinale.

Während sie ihre Siegesfreude genossen, überprüften einige Fans auch die Spieldaten und stellten fest, dass das Verhältnis der Eckstoßmöglichkeiten für beide Seiten im gesamten Spiel 10:1 betrug. Die chinesische Nationalmannschaft lag weit vorne, konnte jedoch kein Tor erzielen. Stattdessen schoss er ins leere Tor, was wirklich bedauerlich war.

Tatsächlich können „Standardsituationen“ wie Eckbälle den Spielern in hochintensiven Laufkonfrontationen eine kurze Unterbrechung verschaffen. Der Einsatz von Truppen im gegnerischen Strafraum ist oft eine hervorragende Möglichkeit, die Taktik des Trainers umzusetzen. Viele klassische Spiele der Fußballgeschichte haben seine Bedeutung bestätigt.

Am 7. Mai 2019 fand das Rückspiel des Champions-League-Halbfinales in Anfield statt. Nach einem enormen 0:3-Rückstand in der ersten Halbzeit erzielte Liverpool drei Tore in Folge und schließlich verhalf Arnold mit einem unerwarteten Eckstoß zum Siegtreffer.

Zu diesem Zeitpunkt begann Arnold, den Eckfahnenbereich zu verlassen. Alle dachten, er würde Shaqiri den Eckstoß seitlich zuspielen, doch er kehrte schnell zurück und schoss den Eckstoß zu Origi im Strafraum, womit er schließlich den 4:3-Rückstand vollendete und den Charme der Eckstoßtaktik perfekt interpretierte.

Bei jeder Taktikformulierung müssen nicht nur die Fähigkeitsmerkmale der eigenen Spieler berücksichtigt werden, sondern auch die taktischen Merkmale der gegnerischen Mannschaft müssen auf Grundlage der bisherigen Spielaufzeichnungen zusammengefasst werden. Beides erfordert, dass das Trainerteam eine große Menge an Videodaten überprüft und die Details entschlüsselt.

Glücklicherweise konnten mit der Entwicklung von Wissenschaft und Technologie große Mengen an Datenressourcen im Bereich Fußball angesammelt werden. Künstliche Intelligenz führt umfassende Statistiken und Analysen zu Kraft, Geschwindigkeit, Schussgenauigkeit usw. von Sportlern durch und erstellt daraus Datenberichte. Dadurch können Trainer die Stärken und Schwächen der Athleten intuitiver erkennen und gezieltere Trainingspläne und Spieltaktiken entwickeln, was den Druck auf Trainer und Manager erheblich verringert.

Auf dieser GrundlageGoogle DeepMind und der Liverpool Football Club arbeiten zusammen, um den künstlichen Intelligenzassistenten TacticAI für Fußballtrainer auf den Markt zu bringen.Das System verwendet geometrische Deep-Learning-Methoden, um Profis durch prädiktive und generative Modelle Einblicke in die Eckstoßtaktik zu geben. Verglichen mit den Layouts in der Praxis werden die von TacticAI vorgeschlagenen Taktiken in 90%-Fällen von menschlichen Experten erkannt.

Forschungshighlights:

* Das von TacticAI vorgeschlagene taktische Layout wird von menschlichen Expertenbewertern in allen Fällen von 90% bevorzugt.

* Die Genauigkeit der Ballannahmevorhersage beträgt bis zu 74% und die Schusschance erhöht sich um 13%.

* Bereitstellung von Referenzen für die taktische Layout-Recherche von Standardsituationen oder anderen Aktivitäten mit unterbrochenen Spielsituationen.

Papieradresse:
https://www.nature.com/articles/s41467-024-45965-x
Folgen Sie dem offiziellen Konto und antworten Sie mit „角球“, um das vollständige PDF zu erhalten

Datensatz: Vier Hauptdatenquellen, die Feature-Informationen zu allen Aspekten sammeln

Der ursprüngliche Datensatz besteht aus 9.693 Eckbällen, die in der Premier League in den Saisons 2020–21, 2021–22 und 2022–23 gesammelt und vom FC Liverpool bereitgestellt wurden, einschließlich der folgenden 4 Datenquellen:

* Raum-Zeit-Player-Tracking-Framework-Daten,Die Positionen und Geschwindigkeiten aller Spieler und Bälle auf dem Feld wurden während jedes Spiels verfolgt.

* Ereignisstromdaten,Die Ereignisse oder Aktionen (z. B. Pässe, Schüsse und Tore), die in den entsprechenden Tracking-Frames auftraten, wurden kommentiert.

* Spielteamdaten,Dabei wurden die persönlichen Daten der Spieler erfasst, darunter Größe, Gewicht und Position.

* Verschiedene Spieldaten,Beinhaltet Spieldaten, Stadioninformationen sowie Spielfeldlänge und -breite.

Die Forscher prüften und filterten die oben genannten Daten und kamen schließlich auf 7.176 gültige Eckbälle. Die Daten wurden nach dem Zufallsprinzip ausgewählt und im Verhältnis 8:2 in Trainingsdaten und Validierungsdatensätze aufgeteilt. Bei allen nachfolgenden Aufgaben wurde dieselbe Aufteilungsmethode verwendet.

Datensatzadresse:

https://my5353.com/p30375

Experimentelle Methode: Vorhersage von Eckstoßergebnissen durch geometrisches Deep Learning

Um die Eckstoßdaten effektiv nutzen zu können, modellierten die Forscher zunächst die impliziten Beziehungen zwischen den Spielern und wandelten die Eckstoßformen in eine grafische Darstellung um.Jeder Knoten stellt einen Spieler dar (einschließlich Merkmalen wie Position, Geschwindigkeit, Größe usw.), die Kanten stellen die Beziehung zwischen ihnen dar und jeder Knoten wird durch die Weitergabe von Nachrichten an benachbarte Knoten aktualisiert.

Als nächstes analysierten die Forscher, wie ein bestimmter Eckstoß ausgeführt wurde. Dabei verwendeten sie geometrisches Deep Learning und nutzten die ungefähre Symmetrie eines Fußballfeldes, um vier mögliche Spiegelbilder einer bestimmten Situation zu erzeugen (Original, H-umgedreht, V-umgedreht und HV-umgedreht). Unter ihnen beginnt das geometrische Deep Learning mit der Symmetrie und bettet geometrische Eigenschaften in das maschinelle Lernen ein, um die intrinsische Struktur und Änderungsmuster der Daten besser zu charakterisieren und die Darstellungs-, Generalisierungs- und Verallgemeinerungsfähigkeiten des Algorithmus zu verbessern.

Schließlich werden alle vier Reflexionskombinationen auf die Graph-Neuralnetzwerkstruktur des Eckstoßbereichs angewendet und weiter in TacticAI eingespeist. TacticAI besteht aus drei prädiktiven und generativen Modellen, die alle dieselbe Encoder-Decoder-Architektur verwenden. Der Encoder weist für alle Aufgaben dieselbe Struktur auf, während das Decodermodell entsprechend den Anforderungen jeder Benchmark-Aufgabe Ausgaben mit entsprechenden Formen generiert.Die drei Modelle entsprechen den drei Benchmark-Aufgaben dieser Studie, nämlich der Vorhersage des Ballempfangs, der Schussvorhersage und der Entwicklung taktischer Layoutstrategien.

Zusammenfassend kann TacticAI bei der Ballannahmevorhersage mit einer Genauigkeit von 71% vorhersagen, ob ein Eckstoß zu einem Schuss führt. Bei der Schussvorhersage stellten die Forscher fest, dass die durchschnittliche Schusswahrscheinlichkeit der verteidigenden Mannschaft nach der Anpassung von etwa 75% für einen echten Eckstoß auf etwa 69% sank.Die Schusswahrscheinlichkeit der angreifenden Mannschaft stieg von etwa 18% auf etwa 31%.

Experimentelles Fazit: Vier Fallstudien zur praktischen Wirksamkeit von TacticAI

Um die tatsächliche Wirksamkeit von TacticAI zu bewerten, luden die Forscher fünf Fußballexperten, darunter drei Datenwissenschaftler, einen Videoanalysten und einen Trainerassistenten, ein, um anhand von vier Fällen eine quantitative Analyse von TacticAI durchzuführen.

1. Authentizität der von TacticAI generierten Eckstoßbeispiele

Um zunächst den Realismus der generierten Anpassungen zu bewerten, synthetisierten die Forscher einen Datensatz und bewerteten die Unterschiede zwischen den von TacticAI generierten synthetischen Eckstößen und den echten Eckstößen.

Konkret vergaben die Forscher jeder Probe eine Punktzahl von +1, wenn sie manuell als echt eingestuft wurde, und 0, wenn nicht. Für jede Probe wurde die Durchschnittspunktzahl der fünf Gutachter berechnet.Es zeigte sich, dass es keinen signifikanten Unterschied in der Durchschnittsbewertung zwischen tatsächlichen und generierten Eckbällen gab (z = -0,34, p > 0,05). Daher sind die von TacticAI generierten Eckstoßbeispiele authentisch.
z und p sind statistische Indikatoren, die häufig bei Hypothesentests in der Statistik verwendet werden.

2. TacticAI prognostiziert die Glaubwürdigkeit des Empfängers

Zweitens: Wenn bei den ersten drei Vorhersagen von TacticAI mindestens ein Empfänger auftauchte, bewertete der Prüfer die Vorhersage von TacticAI mit +1, andernfalls wurde sie mit 0 bewertet.

Nach der Mittelung der vorhergesagten Bewertungen der Stichprobenfänger stellten die Forscher fest, dass es keinen statistisch signifikanten Unterschied in den Durchschnittsbewertungen der vorhergesagten Fänger für die tatsächliche Stichprobe und die generierte Stichprobe gab (z = 0,97, p > 0,05).

Es gibt individuelle Unterschiede in der Bewertung der Fangvorhersagen durch verschiedene Bewerter, und in diesem Fall ist TacticAI immer noch in der Lage, eine hohe Top-3-Genauigkeit aufrechtzuerhalten, was sein großes Vertrauen in die Aufgabe der Fängervorhersage zeigt.

3. Effektivität von TacticAI bei der Eckstoßabfrage

Drittens führen Experten eine Ähnlichkeitsanalyse zwischen den von TacticAI abgerufenen Eckstößen und den Referenzeckstößen durch und bewerten sie mit +1, wenn die Eckstöße ähnlich sind, andernfalls mit 0.

Endlich gefundenEs gab keine signifikanten Unterschiede zwischen der Verteilung der Bewertungen der Bewerter, was auf eine hohe Übereinstimmung zwischen ihnen hinsichtlich der Effektivität von TacticAI beim Abrufen von Eckbällen hindeutet (F1,4 = 1,01, p > 0,1).
F1,4 und p sind statistische Indikatoren, die zur Beurteilung der Konsistenz oder des Fehlens eines signifikanten Unterschieds verwendet werden.

4. Die Praktikabilität der Strategieanpassung von TacticAI

Abschließend bewerteten die Forscher die Praktikabilität der Empfehlungen von TacticAI für Spieleranpassungen in realen Situationen. Im Einzelnen wurden jedem Prüfer 50 taktische Anpassungen und die entsprechenden Einstellungen für echte Eckbälle vorgelegt und die Prüfer bewerteten jede Anpassung als signifikante Verbesserung der Taktik (+1), signifikante Verschlechterung (-1) und keinen signifikanten Unterschied (0).

Die Ergebnisse zeigten, dass die durchschnittliche Punktzahl aller fünf Gutachter 0,7 ± 0,1 betrug. Unter ihnen befanden menschliche Gutachter die Empfehlung 90% von TacticAI als positiv. Darüber hinaus waren ihre Bewertungen sehr konsistent (F1,4 = 0,45, p > 0,05).Dies lässt darauf schließen, dass dieser Nutzen unter menschlichen Experten allgemein anerkannt ist.

Zusammenfassend kann TacticAI die drei Benchmark-Aufgaben effizient erledigen und ist bei der Vorhersage, dem Abrufen und der taktischen Anpassung von Eckbällen praktisch effektiv.

KI durchbricht das traditionelle Fußballmuster und wird zum „Stürmer“ der neuen Ära

Der Zukunftsforscher und Trendbeobachter Richard van Hooijdonk sagte einmal: „Alles, was die heutige Generation tut und erlebt, beinhaltet ein technologisches Element. Um den Sport für diese und zukünftige Generationen attraktiv zu halten, haben wir keine andere Wahl, als weiterhin Technologie zu integrieren.“Wenn wir uns auf die technologischen Innovationen in der Welt des Fußballs konzentrieren, ist es nicht schwer festzustellen, dass KI nicht mehr nur eine Geheimwaffe für Trainerteams ist. Mit seinem allgegenwärtigen Einfluss verändert es still und leise die Struktur der gesamten Fußballbranche.

Von der Spielerauswahl über das tägliche Training bis hin zur taktischen Formulierung ist KI in immer mehr Zusammenhängen zu sehen. Zum Beispiel:

* Al Rihla, der von Adidas für die Weltmeisterschaft 2022 entworfene und produzierte Spielball,Die eingebaute Trägheitsmesseinheit kann den Schusspunkt des Fußballs genau erkennen. Durch die Kombination der Körperverfolgungsdaten des Spielers und der Ballverfolgungsdaten kann überwacht werden, ob der Angreifer in einer Abseitsposition den Ball berührt. (Klicken Sie hier, um den ausführlichen Bericht anzuzeigen: 4 Tore und 1 Punkt, die Technologie und harte Arbeit hinter Argentiniens Niederlage)

* AiSCOUT startet KI-gestützte Scouting-Plattform,Es überwindet die geografischen und ressourcenbedingten Einschränkungen des herkömmlichen Auswahlmechanismus und liefert den Scouts Daten zu den sportlichen, kognitiven und technischen Fähigkeiten usw. der Fußballspieler, sodass sie die Spieler präziser auswählen können.

* Zone7 führt eine KI-Plattform zur Vorhersage von Spielerverletzungen ein.Der Einsatz künstlicher Intelligenz zur Erkennung und Vorhersage von Spielerverletzungen kann Sportlern und Trainern helfen, das beste Gleichgewicht zwischen optimaler Bewegung und Verletzungsrisiko zu finden.

* ChyronHego startet KI-gestützte Schiedsrichterplattform,Durch KI-gesteuerte Ballverfolgung, Gliedmaßenverfolgung und Skelettmodellierungstechnologie werden die „Adleraugen“ des Schiedsrichters zu „elektronischen Augen“ aufgerüstet, die die Gliedmaßenposition des Spielers in wichtigen Passmomenten genau erfassen und dem Schiedsrichter helfen, genauere und zeitnahere Entscheidungen zu treffen.

Von der Spielerfindung und Verletzungsprävention bis hin zu Schiedsrichtern und Trainerassistenten hat die KI alle Aspekte des Fußballs erfasst. Es steht eine beispiellose Ära der Fußballintelligenz bevor. Wird sich die „Kluft zwischen Arm und Reich“ zwischen den Vereinen auf den KI-Inhalt des regulären Trainings der Spieler auswirken und somit den Matthäus-Effekt zwischen den Teams verschärfen? Ich befürchte, dass alle Beteiligten im gesamten Ökosystem gründlicher nachdenken müssen.

Quellen:
https://zhuanlan.zhihu.com/p/447351207
https://zhidao.baidu.com/question/161044184.html
https://soft.zhiding.cn/software_zone/2022/0622/3141934.shtml

https://www.sports-idea.com/news/12456.html
https://www.sohu.com/a/624410973_100111861