Nuestro proyecto TácticaAI es un asistente de inteligencia artificial diseñado para ayudar a los entrenadores de fútbol en la toma de decisiones tácticas, como en las patadas de esquina. Este sistema ha sido desarrollado en colaboración con Liverpool FC durante varios años. Una de las jugadas icónicas en las semifinales de la Liga de Campeones 2019 fue una patada de esquina de Trent Alexander-Arnold que resultó en un gol de Divock Origi, que se ha convertido en uno de los más importantes en la historia del Liverpool FC. A pesar de que las patadas de esquina tienen un gran potencial para marcar goles, su éxito depende en gran medida de la intuición humana y el diseño táctico.
En Nature Communications presentamos TácticaI: un sistema de inteligencia artificial capaz de proporcionar información táctica sobre las patadas de esquina a través de modelos predictivos y generativos. A pesar de la escasa disponibilidad de datos de oro en este tipo de jugadas, TacticaI ha logrado buenos resultados gracias al uso de un enfoque geométrico de aprendizaje profundo. En colaboración con los expertos de Liverpool Football Club, se han preferido las sugerencias del sistema del 90% del tiempo sobre las configuraciones tácticas empleadas en la práctica. Ahora hemos desarrollado un sistema completo de IA que combina modelos predictivos y generativos. Este sistema permite a los entrenadores examinar diferentes configuraciones alternativas para cada rutina de interés, y luego evalúar directamente los resultados posibles de esas configuraciones. La plataforma TácticaAI está diseñada para responder a tres preguntas básicas: ¿Cuál será el resultado de una determinada jugada táctica de patada de esquina? Por ejemplo, ¿será probable que reciba la pelota y se realice un intento de disparo? ¿Podemos entender qué ocurrió después de haber jugado una configuración determinada?, por ejemplo, ¿funcionaron bien tácticas similares en el pasado? ¿Cómo podemos ajustar las tácticas para obtener un resultado específico? ¿Deberían reubicarse los jugadores defensores para reducir la probabilidad de intentos de tiro? El aprendizaje geométrico profundo permite que una patada de esquina sea representada gráficamente. Cada jugador se considera como un nodo en un gráfico. Una red neuronal opera a través de este gráfico actualizando la representación de cada nodo mediante el paso de mensajes. Las cuatro posibles combinaciones de reflejos se aplican a la esquina y se procesan con el núcleo del modelo TácticaI. Interactúan para calcular las representaciones finales del jugador, que se pueden utilizar para predecir los resultados.
TácticaAI predice exitosamente el juego de patadas de esquina mediante la aplicación de un enfoque geométrico de aprendizaje profundo. relaciones implícitas entre los jugadores mediante la representación de configuraciones de patada de esquina como gráficos, en los que los nodos representan a los jugadores (con características
como la posición, la velocidad, la altura, etc.) y los bordes representan las relaciones entre ellos. Entonces, aprovechamos una simetría aproximada de
el campo de fútbol. Nuestra arquitectura geométrica es una variante del Grupo Equivariante Convolutional Network que genera todo
cuatro posibles reflexiones de una situación dada (original, F-Flipp, V-Flipp, HV-Flipp) y obliga a nuestras predicciones para
los receptores y los intentos de disparo para ser idénticos en los cuatro de ellos. Este enfoque reduce el espacio de búsqueda posible
funciones que nuestra red neuronal puede representar a aquellos que respetan la simetría de la reflexión — y produce modelos más generalizables,
proporcionar sugerencias constructivas a los expertos humanos mediante el aprovechamiento de sus modelos predictivos y generativos,
TácticaAI puede ayudar a los entrenadores al encontrar patadas similares en la esquina, y probar diferentes tácticas. Tradicionalmente, para desarrollar tácticas
y contra las tácticas, los analistas volverían a ver muchos videos de juegos para buscar ejemplos similares y estudiar equipos rivales. calcula automáticamente las representaciones numéricas de los jugadores, lo que permite a los expertos buscar de manera fácil y eficiente relevantes
validamos esta observación intuitiva a través de extensos estudios cualitativos con expertos del fútbol, que
encontró que las primeras recuperaciones de TácticaI-1 fueron relevantes 63% del tiempo, casi el doble del 33% de referencia visto en los enfoques que sugieren
pares basados en el análisis directo de la similitud de posición del jugador. El modelo generativo de TácticaI también permite a los entrenadores humanos rediseñar
táctica de patada de esquina para optimizar las probabilidades de ciertos resultados, como reducir la probabilidad de un intento de disparo para un
la configuración defensiva. TacticaI proporciona recomendaciones tácticas que ajustan las posiciones de todos los jugadores en un equipo en particular. estos ajustes propuestos, los entrenadores pueden identificar patrones importantes, así como actores clave para el éxito o fracaso de una táctica,
Más rápido. (A) Un ejemplo de una patada en la esquina donde hubo un intento de disparo en la realidad. (B) TácticaAI puede generar un ajuste contrafactual en
que la probabilidad de disparo se ha reducido mediante el ajuste de la posición y las velocidades de los defensores. (C)
las posiciones del defensor resultan en la probabilidad reducida del receptor para atacar jugadores 2-4. Este modelo puede generar varios escenarios estratégicos y entrenadores pueden examinar diferentes opciones.
En nuestro análisis cuantitativo, demostramos que TácticaI fue precisa en la predicción de receptores de tiro de esquina y situaciones de disparo, y que el reposicionamiento del jugador se asemejó al desarrollo de obras reales. Además, evaluamos estas sugerencias cualitativamente en un estudio ciego donde los evaluadores no sabían si las tácticas eran del juego real o generadas por TácticaAI. Los expertos en fútbol del Liverpool FC encontraron que nuestras recomendaciones no se podían distinguir de las situaciones reales, y fueron preferidas en un 90% de los casos. Esto demuestra que las predicciones de TácticaI no sólo son precisas sino útiles y prácticas. Por ejemplo, la mayoría de los evaluadores prefieren las recomendaciones de cuatro jugadores. Los defensores más alejados de la esquina corren mejores cubiertas y el grupo central de defensores mejora sus corridas de cobertura en el área del penalty. Los defensores centrales, junto con un mejor posicionamiento para otros dos defensores en la zona de la meta. Además, TacticaI es un sistema completo de IA que puede proporcionar a los entrenadores información táctica inmediata, extensa y precisa – y también práctica en el campo. Con Tacticai, hemos desarrollado una asistente de IA para las tácticas del fútbol y logrado un hito en el desarrollo de herramientas asistentes en deportes AI. Esperamos que la investigación futura pueda ayudar a desarrollar asistentes que abarquen más entradas multimodales fuera de los datos del jugador, y ayudar a los expertos en más maneras. Demostramos cómo se puede utilizar la IA en el fútbol, pero el fútbol también puede enseñarnos mucho sobre la IA. Es un juego altamente dinámico y desafiante para analizar, con muchos factores humanos desde el físico hasta la psicología. Es un reto incluso para los expertos como entrenadores experimentados para detectar todos los patrones. Esperamos aprender muchas lecciones en el desarrollo de tecnologías de asistencia más amplias que combinen la experiencia humana y el análisis de IA para ayudar a la gente en el mundo real. Para obtener más información sobre TacticaI, lea nuestro artículo en Nature Communications
