L'IA Devient « L'homme Clé » Dans Les Jeux De Football : DeepMind Lance TacticAI, Avec Une Praticité De Disposition Tactique Jusqu'à 90%

Lors des éliminatoires de la Coupe du monde qui viennent de se terminer, l'équipe nationale chinoise de football a battu Singapour 4:1 à domicile à Tianjin, balayant la morosité d'avoir été à égalité avec l'adversaire lors du match précédent alors qu'elle menait, et a également inauguré la première victoire de l'équipe en 2024. Actuellement, l'équipe chinoise se classe deuxième du groupe C et a conservé ses espoirs de se qualifier pour les huitièmes de finale.

Tout en savourant la joie de la victoire, certains supporters ont également examiné les données du match et ont constaté que le ratio d'opportunités de corner obtenues par les deux équipes sur l'ensemble du match était de 10:1. L'équipe nationale chinoise était loin devant, mais n'a pas réussi à marquer un but. Au lieu de cela, il a raté un but vide, ce qui est vraiment regrettable.

En fait, les « coups de pied arrêtés » tels que les corners peuvent offrir aux joueurs une brève interruption dans les confrontations de course à haute intensité. Déployer des troupes dans la surface de réparation adverse est souvent une excellente occasion de mettre en œuvre la tactique de l'entraîneur. De nombreux matchs classiques de l’histoire du football ont confirmé son importance.

Le 7 mai 2019, le match retour de la demi-finale de la Ligue des champions s'est déroulé à Anfield. Après un énorme déficit de 0:3 en première mi-temps, Liverpool a marqué trois buts d'affilée, et finalement le corner inattendu d'Arnold a contribué à compléter le but gagnant.

À ce moment-là, Arnold a commencé à s'éloigner de la zone du drapeau de coin. Tout le monde pensait qu'il allait donner le corner à Shaqiri sur le côté, mais il est rapidement revenu et a botté le corner à Origi dans la surface de réparation, complétant finalement un renversement de situation 4:3 et interprétant parfaitement le charme de la tactique du corner.

Chaque fois qu'une tactique est formulée, il faut non seulement prendre en compte les caractéristiques de capacité de ses propres joueurs, mais aussi résumer les caractéristiques tactiques de l'équipe adverse en fonction des records des matchs passés. Les deux nécessitent que le personnel d’entraîneurs examine une grande quantité de données vidéo et en analyse les détails.

Heureusement, avec le développement de la science et de la technologie, une grande quantité de ressources de données ont été accumulées dans le domaine du football. L'intelligence artificielle effectue des statistiques et des analyses complètes sur la force, la vitesse, la précision de tir, etc. des athlètes, et génère des rapports de données à partir de celles-ci. Cela permet aux entraîneurs d’identifier plus intuitivement les forces et les faiblesses des athlètes et de développer des plans d’entraînement et des tactiques de jeu plus ciblés, ce qui allège considérablement la pression sur les entraîneurs et les managers.

Sur cette base,Google DeepMind et le Liverpool Football Club s'associent pour lancer TacticAI, l'assistant d'intelligence artificielle pour le coaching de football.Le système utilise des méthodes d'apprentissage profond géométrique pour fournir aux professionnels des informations sur les tactiques de corner grâce à des modèles prédictifs et génératifs. Comparées aux dispositions en pratique, les tactiques proposées par TacticAI sont reconnues par les experts humains dans 901 cas TP3T.

Points saillants de la recherche :

* La disposition tactique proposée par TacticAI est privilégiée par les évaluateurs experts humains dans tous les cas de 90%.

* La précision de la prédiction de réception de balle est aussi élevée que 74%, et les chances de tir sont augmentées de 13%.

* Fournir une référence pour la recherche de disposition tactique des coups de pied arrêtés ou d'autres activités avec des situations de match suspendu.

Adresse du document :
https://www.nature.com/articles/s41467-024-45965-x
Suivez le compte officiel et répondez « 角球 » pour obtenir le PDF complet

Ensemble de données : quatre sources de données principales, collectant des informations sur les caractéristiques sous tous leurs aspects

L'ensemble de données d'origine comprend 9 693 coups de pied de coin collectés en Premier League au cours des saisons 2020-21, 2021-22 et 2022-23, fournis par le Liverpool FC, y compris les 4 sources de données suivantes :

* Données du cadre de suivi des joueurs spatio-temporels,Les positions et les vitesses de tous les joueurs et de tous les ballons sur le terrain ont été suivies pendant chaque match.

* Données de flux d'événements,Les événements ou actions (par exemple, passes, tirs et buts) qui se sont produits dans les images de suivi correspondantes ont été annotés.

* Données de l'équipe de match,Les données personnelles des joueurs ont été enregistrées, notamment leur taille, leur poids et leur position.

* Données de match diverses,Comprend les dates des matchs, les informations sur le stade, ainsi que la longueur et la largeur du terrain.

Les chercheurs ont examiné et filtré les données ci-dessus et sont finalement restés avec 7 176 coups de pied de coin valides. Les données ont été échantillonnées de manière aléatoire et divisées en un ensemble d’entraînement et un ensemble de validation dans un rapport de 8:2, et la même méthode de division a été utilisée dans toutes les tâches ultérieures.

Adresse du jeu de données :

https://my5353.com/p30375

Méthode expérimentale : Prédire les résultats des coups de pied de coin grâce à l'apprentissage profond géométrique

Premièrement, afin d’utiliser efficacement les données sur les coups de pied de coin, les chercheurs ont modélisé les relations implicites entre les joueurs et ont converti les formes des coups de pied de coin en une représentation graphique.Chaque nœud représente un joueur (y compris des caractéristiques telles que la position, la vitesse, la hauteur, etc.), les bords représentent la relation entre eux et chaque nœud est mis à jour en transmettant des messages aux nœuds adjacents.

Ensuite, les chercheurs ont analysé la manière dont un corner donné a été géré, en utilisant l'apprentissage profond géométrique et en exploitant la symétrie approximative d'un terrain de football pour générer quatre réflexions possibles d'une situation donnée (originale, H-flip, V-flip et HV-flip). Parmi eux, l'apprentissage profond géométrique part de la symétrie et intègre les propriétés géométriques dans l'apprentissage automatique pour mieux caractériser la structure intrinsèque et modifier les modèles des données et améliorer les capacités de représentation, de généralisation et de généralisation de l'algorithme.

Enfin, les quatre combinaisons de réflexion sont appliquées à la structure du réseau neuronal graphique de la zone de corner et ensuite introduites dans TacticAI. TacticAI se compose de trois modèles prédictifs et génératifs, qui utilisent tous la même architecture encodeur-décodeur. L'encodeur a la même structure pour toutes les tâches, tandis que le modèle de décodeur génère des sorties de formes correspondantes en fonction des exigences de chaque tâche de référence.Les trois modèles correspondent aux trois tâches de référence de cette étude, à savoir la prédiction de la réception de balle, la prédiction du tir et la génération de stratégies de disposition tactique.

En résumé, dans la prédiction de réception de balle, TacticAI peut prédire si un corner entraînera un tir avec une précision de 71%. Dans la prédiction des tirs, les chercheurs ont constaté que la probabilité moyenne de tir de l'équipe en défense est passée d'environ 75% pour un véritable corner à environ 69% après l'ajustement.La probabilité de tir de l'équipe attaquante est passée d'environ 18% à environ 31%.

Conclusion expérimentale : Quatre études de cas sur l'efficacité pratique de TacticAI

Pour évaluer l’efficacité réelle de TacticAI, les chercheurs ont invité cinq experts du football, dont trois scientifiques des données, un analyste vidéo et un assistant d’entraînement, à mener une analyse quantitative de TacticAI basée sur quatre cas.

1. Authenticité des échantillons de corners générés par TacticAI

Tout d’abord, pour évaluer le réalisme des ajustements générés, les chercheurs ont synthétisé un ensemble de données et évalué les différences entre les corners synthétiques générés par TacticAI et les corners réels.

Plus précisément, les chercheurs ont attribué à chaque échantillon un score de +1 s’il était évalué manuellement comme réel et de 0 dans le cas contraire. La note moyenne des cinq évaluateurs pour chaque échantillon a été calculée.Il a été constaté qu’il n’y avait pas de différence significative dans les notes moyennes entre les coups de pied de coin réels et les coups de pied de coin générés (z = -0,34, p > 0,05). Par conséquent, les échantillons de corner générés par TacticAI sont authentiques.
z et p sont des indicateurs statistiques couramment utilisés dans les tests d'hypothèses en statistique.

2. TacticAI prédit la crédibilité du récepteur

Deuxièmement, pour prédire le récepteur, si au moins 1 récepteur apparaissait dans les 3 premières prédictions de TacticAI, le réviseur évaluait la prédiction de TacticAI à +1, sinon elle était notée à 0.

Après avoir calculé la moyenne des notes prédites des attrapeurs d'échantillons, les chercheurs ont constaté qu'il n'y avait pas de différence statistiquement significative dans les notes moyennes des attrapeurs prédits pour l'échantillon réel et l'échantillon généré (z = 0,97, p > 0,05).

Il existe des différences individuelles dans les évaluations des prédictions de capture par différents évaluateurs, et dans ce cas, TacticAI est toujours capable de maintenir une précision élevée dans le top 3, ce qui montre sa grande confiance dans la tâche de prédiction des receveurs.

3. Efficacité de TacticAI pour la récupération des corners

Troisièmement, les experts effectuent une analyse de similarité entre les coups de pied de coin récupérés par TacticAI et les coups de pied de coin de référence, et leur attribuent la note +1 si les coups de pied de coin sont similaires, sinon 0.

J'ai finalement trouvé çaIl n’y avait pas de différences significatives entre la distribution des notes entre les évaluateurs, ce qui indique un degré élevé d’accord entre eux sur l’efficacité de la capacité de TacticAI à récupérer les tirs de type corner (F1,4 = 1,01, p > 0,1).
F1, 4 et p sont des indicateurs statistiques utilisés pour juger de la cohérence ou de l’absence de différence significative.

4. L'aspect pratique de l'ajustement stratégique de TacticAI

Enfin, les chercheurs ont évalué la praticité des recommandations de TacticAI pour les ajustements des joueurs dans des situations réelles. Plus précisément, chaque examinateur a reçu 50 ajustements tactiques et les paramètres de coup de pied de coin réels correspondants, et les examinateurs ont évalué chaque ajustement comme améliorant significativement la tactique +1, l'aggravant significativement -1 et ne faisant pas de différence significative 0.

Les résultats ont montré que la note moyenne des cinq évaluateurs était de 0,7 ± 0,1. Parmi eux, les évaluateurs humains ont trouvé la recommandation 90% de TacticAI favorable. De plus, leurs notes étaient très cohérentes (F1,4 = 0,45, p > 0,05).Cela suggère que cette utilité est largement reconnue parmi les experts humains.

En résumé, TacticAI peut effectuer efficacement les trois tâches de référence et est pratiquement efficace dans la prédiction des coups de pied de coin, la récupération et l'ajustement tactique.

Brisant le modèle traditionnel du football, l'IA devient « l'attaquant » de la nouvelle ère

Richard van Hooijdonk, futurologue et observateur de tendances, a déclaré un jour : « Pour la génération actuelle, tout ce qu’elle fait et vit comporte une part de technologie. Pour que le sport reste attractif pour cette génération et les générations futures, nous n’avons d’autre choix que de continuer à intégrer la technologie. »Lorsque nous nous concentrons sur l’innovation technologique dans le monde du football, il n’est pas difficile de constater que l’IA n’est plus seulement une arme secrète pour entraîner les équipes. Il remodèle discrètement l’ensemble de l’industrie du football avec son influence omniprésente.

De la sélection des joueurs à l’entraînement quotidien en passant par la formulation tactique, nous pouvons voir l’IA dans de plus en plus de liens. Par exemple:

* Al Rihla, le ballon de match conçu et produit par Adidas pour la Coupe du monde 2022,L'unité de mesure inertielle intégrée peut détecter avec précision le point de coup de pied du ballon de football. En combinant les données de suivi du corps du joueur et de suivi du ballon, il peut surveiller si l'attaquant en position de hors-jeu touche le ballon. (Cliquez pour voir le rapport détaillé : 4 buts et 1 point, la technologie et le travail acharné derrière la défaite de l'Argentine)

* AiSCOUT lance une plateforme de scoutisme assistée par l'IA,Il brise les limitations géographiques et de ressources du mécanisme de sélection traditionnel et fournit aux recruteurs des données sur les capacités athlétiques, cognitives, techniques, etc. des joueurs de football, afin qu'ils puissent sélectionner les joueurs avec plus de précision.

* Zone7 lance une plateforme de prédiction des blessures des joueurs basée sur l'IA,L’utilisation de l’intelligence artificielle pour identifier et prédire les blessures des joueurs peut aider les athlètes et les entraîneurs à trouver le meilleur équilibre entre mouvement optimal et risque de blessure.

* ChyronHego lance une plateforme d'arbitrage assistée par IA,Grâce à la technologie de suivi de balle, de suivi des membres et de modélisation squelettique pilotée par l'IA, les « yeux d'aigle » de l'arbitre sont transformés en « yeux électroniques », capturant avec précision la position des membres du joueur aux moments clés de la passe, aidant l'arbitre à prendre des décisions plus précises et plus rapides.

De la découverte des joueurs et de la prévention des blessures aux arbitres et aux assistants d’entraîneurs, l’IA s’est répandue dans tous les aspects du football. Une ère sans précédent en matière d’intelligence footballistique s’annonce. L'« écart entre riches et pauvres » entre les clubs affectera-t-il le contenu IA de l'entraînement régulier des joueurs et aggravera-t-il ainsi l'effet Matthew entre les équipes ? Je crains que toutes les parties impliquées dans l’ensemble de l’écosystème doivent réfléchir de manière plus approfondie.

Références :
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