logologologologo
  • صفحه اصلی
  • محصولات
  • پایگاه دانش
  • درباره ما
  • تماس با ما
ژوئن 24, 2021
parallax background

فوتبال - یک مجال مناسب برای هوش مصنوعی


توسعه تجزیه و تحلیل ورزش از طریق تحقیقات هوش مصنوعی
 

ایجاد محیط های آزمایشی برای کمک به پیشرفت تحقیقات هوش مصنوعی درمحیط خارج از آزمایشگاه و ورود به دنیای واقعی بسیار چالش برانگیز است. با توجه به ارتباط طولانی هوش مصنوعی با بازی ها، می دانیم ورزش فرصت و بستری مهیج برای محققان فراهم می کند که در آن یک سیستم دارای هوش مصنوعی می تواند به انسان در تصمیم گیری های پیچیده و در زمان واقعی در یک محیط چند عاملی با ده ها فرد پویای در حال تعامل با یکدیگر کمک کند. رشد سریع جمع آوری داده های ورزشی نشان دهنده جایگاه با اهمیت تجزیه و تحلیل ورزش در عصر کنونی می باشد. دسترسی به داده های ورزشی هم از نظر کمیت و هم به لحاظ دانه بندی در حال افزایش است، و در حال تبدیل از آمار تجمیعی سطح بالا و sabermetricها به اطلاعات ریزتر و داده های دقیق تر مانند اطلاعات جریان رویداد (به عنوان مثال ، اطلاعات زیر نویس شده پاس ها و شوت ها)، اطلاعات دقیق موقعیت بازیکنان، و حسگرهای روی بدن می باشد. حوزه تجزیه و تحلیل ورزشی اخیراً شروع به استفاده از یادگیری ماشین و هوش مصنوعی هم برای فهم و یادگیری و هم ارائه مشاوره به تصمیم گیرندگان در حوزه ورزش کرده است. در مقاله اخیر ما، که با همکاری باشگاه فوتبال لیورپول (LFC) در JAIR منتشر شده است، ما چشم اندازی از آینده تجزیه و تحلیل ورزش با استفاده از ترکیب یادگیری آماری، درک ویدیو و نظریه بازی، ارائه داده ایم. نشان دادیم که فوتبال، به صورت خاص، یک عالم کوچک مفید برای مطالعه تحقیقات هوش مصنوعی است، و مزایایی را در بلند مدت برای تصمیم گیرندگان در ورزش در قالب یک سیستم دستیاری مربی خودکار ویدیویی (AVAC) فراهم می کند.

 

فوتبال - یک مجال مناسب برای هوش مصنوعی

در مقایسه با ورزش های دیگر، جمع آوری سیستماتیک مجموعه داده ها برای اهداف تجزیه و تحلیل علمی در جهت پیشرفت روند بازی تیم ها، در فوتبال بسیار دیر آغاز شد. این امر دلایل مختلفی دارد، بارزترین دلیل این است که با توجه به ویژگیهای بازی (زمین بزرگ در فضای باز ، بازی پویا و غیره) در مقایسه با سایر ورزشها کنترل بسیار کمتری در تنظیمات قابل اعمال است، و همچنین بیشتر به متخصصان با سابقه در فوتبال حرفه ای اعتماد می شود. در همین راستا، آریگو ساچی، مربی موفق فوتبال ایتالیا که در زندگی حرفه ای خود هرگز فوتبال حرفه ای بازی نکرد،هنگام مربیگری در میلان در سال 1987 به انتقادات بی تجربگی که علیه وی مطرح شده بود با جمله معروف خود: "هیچ وقت نمی دانستم برای اینکه یک سوارکار باشم اول باید اسب باشم." پاسخ داد. چالش هایی که در تجزیه تحلیل فوتبال مطرح می شود برای طیف گسترده ای از تکنیک های هوش مصنوعی مناسب است و از نقاط اشتراک 3 زمینه ذیل ناشی می شود: بینایی کامپیوتر، یادگیری آماری و نظریه بازی (در شکل 1 نشان داده شده). در حالی که این زمینه ها به طور جداگانه برای تجزیه و تحلیل فوتبال مفید می باشند، اما به صورت خاص مزایای آنها وقتی ملحق شوند ملموس تر می شود: بازیکنان باید در حضور سایر بازیکنان تصمیم گیری های متوالی(مشارکتی و رقابتی) انجام دهند و به این ترتیب با نظریه بازی، نظریه تصمیم گیری تعاملی، بسیار مرتبط می شود. علاوه بر این، راه حل های تاکتیکی برای موقعیت های خاص در بازی را می توان بر اساس نمایش های بازیکنان خاص و در بازی یاد گرفت، که این موضوع یادگیری آماری را به یک حوزه بسیار مرتبط تبدیل می کند. سرانجام، می توان بازیکنان را ردیابی کرد و سناریوهای بازی را به طور خودکار از ورودی های تصویر و ویدئو که به طور گسترده در دسترس هستند، شناخت.

 
fig1

شکل 1: یک نمای کلی از سه زمینه اصلی (نظریه بازی، یادگیری آماری و بینایی کامپیوتر) که در پیشرفت وضعیت تجزیه و تحلیل فوتبال نقش مهمی داشته است (با ذکر مثالهایی از ادبیات ذکر شده در هر حوزه مرتبط و مرزهای همپوشانی مرتبط)

 

سیستم AVAC که ما مجسم می کنیم در درون عالمی واقع شده است که درتقاطع این سه زمینه تحقیقاتی شکل گرفته است (شکل 1). ما در تحقیقات خود در این حوزه هیجان انگیز، نه تنها نقشه راهی برای مسائل علمی و مهندسی که می تواند درسالهای آینده حل شود ترسیم می کنیم، بلکه نتایج واقعی جدیدی را نیز در تقاطع تجزیه و تحلیل نظری بازی، یادگیری آماری و بینایی کامپیوترارائه می دهیم تا نشان دهیم این حوزه هیجان انگیز چه چیزی به فوتبال ارائه می دهد.


چگونه هوش مصنوعی می تواند به فوتبال کمک کند؟


تئوری بازی نقش مهمی در مطالعه ورزش بازی می کند و پیاده سازی نظری استراتژی های رفتاری بازیکنان را فراهم می کند. در مورد فوتبال ، بسیاری از سناریوهای آن را می توان به عنوان بازی های صفرمجموع که از زمان آغاز تئوری بازی ها به طور گسترده مورد بررسی قرار گرفته اند مدل کرد. به عنوان مثال، در اینجا ما وضعیت ضربه پنالتی را به عنوان یک بازی نامتقارن دو نفره مدل سازی می کنیم، جایی که استراتژی های شوت کننده را می توان با دقت بالا به عنوان شوت های چپ ، مرکز یا راست دسته بندی کرد. برای مطالعه این مسئله، ما تجزیه و تحلیل نظری بازی در سناریوی پنالتی را با بردارهای بازیکنان (Player Vectors)، که سبک بازی بازیکنان فوتبال را خلاصه می کند، تقویت می کنیم. با چنین بازنمایی هایی از بازیکنان منفرد ، ما می توانیم بازیکنانی با سبک بازی مشابه را گروه بندی کنیم و سپس تجزیه و تحلیل تئوری بازی را در سطح گروه انجام دهیم (شکل 2). نتایج ما نشان می دهد که استراتژی های شوت زنی مشخص شده از گروه های مختلف از نظر آماری متمایز هستند. به عنوان مثال، متوجه شدیم که یک گروه شوت زدن به گوشه سمت چپ دروازه را ترجیح می دهد، در حالی که گروه دیگر تمایل دارد که به گوشه های چپ و راست به طور مساوی شلیک کند. چنین بینشی ممکن است به دروازه بان ها کمک کند تا هنگام بازی با بازیکنان مختلف، استراتژی دفاعی متفاوت انتخاب کنند. با توجه به این دیدگاه نظری بازی، می توان با در نظر گرفتن زمان بازی فوتبال و تجزیه و تحلیل آن در قالب بازی های موقتا تمدید شده، از این روش برای توصیه تاکتیک مطلوب به تک تک بازیکنان استفاده کرد یا حتی گاه فراتر نهاد و برای بهینه سازی استراتژی کلی تیم اقدام کرد.

 
fig2
 
fig2b

شکل 2: (A) و (B) خوشه های Player Vectors را برای بازیکنان در یک پایگاه داده به عنوان مثال بیش از 12000 ضربه پنالتی مجسم می کند. با استفاده از چنین توصیفی از رفتار بازیکنان، می توان نقشه های گرمایی مربوط به اهداف توسط شوت کننده ها را در خوشه های مختلف تجسم کرد همانطور که در (C) نشان داده شده است.

 
در یادگیری آماری، هنوز یادگیری ازبازنمایی به طور کامل در تجزیه و تحلیل ورزشی مورد بهره برداری قرار نگرفته است، که این امر امکان تولید خلاصه آموزنده از رفتار بازیکنان و تیم های فوتبال را فراهم می کند. علاوه بر این، ما معتقدیم که تعامل بین تئوری بازی و یادگیری آماری می تواند باعث پیشرفت بیشتر در تجزیه و تحلیل ورزش شود. به عنوان مثال، در سناریوی ضربه پنالتی فوق ، تقویت تجزیه و تحلیل با آمار مخصوص بازیکنان (Player Vectors)، بینش عمیق تری در مورد نحوه رفتار یا تصمیم گیری انواع بازیکنان در سناریوی ضربه پنالتی فراهم می کند. به عنوان مثالی دیگر، می توان "Ghosting" را مطرح نمود كه مربوط به با تجزیه و تحلیل خاصی از داده هامی باشد و نشان می دهد هر بازیکن با در نظر گرفتن واپسنگری در تجزیه و تحلیل ورزشی (كه ارتباط با مفهوم پشیمانی در یادگیری آنلاین و نظریه بازی دارد) باید چگونه عمل كنند. مدل Ghosting مسیرهای جایگزین را برای بازیکن در یک بازی مشخص مثلا براساس میانگین لیگ یا یک تیم انتخاب شده پیشنهاد می دهد، . مسیرهای پیش بینی شده معمولاً به صورت یک لایه نیمه شفاف بر روی نمایش اصلی نشان داده می شوند ، از این رو اصطلاحGhosting یا "شبح" به کار می رود.(برای مثال تصویری شکل 3 را ببینید) مدل های تولید کننده پیش بینی مسیر حرکت به ما امکان می دهد تا با تجزیه و تحلیل موقعیت های کلیدی یک بازی و چگونگی بازی متفاوت آنها، بینش مناسب کسب کنیم. همچنین از این مدل ها می توان درپیش بینی پیامدهای مواردی چون اعمال یک تغییر تاکتیکی، آسیب دیدگی یک بازیکن اصلی یا تعویض یک بازیکن، درعملکرد تیم خود همراه با پاسخ حریف به چنین تغییری، استفاده کرد.
 
fig3

شکل 3: نمونه ای از مدل سازی پیش بینی کننده با استفاده از داده های ردیابی فوتبال. در اینجا، داده های صحیح زمین برای توپ، مهاجمان و مدافعان علاوه بر پیش بینی های مدافع که توسط یک مدل سیر پیش بینی متوالی ساخته شده، تجسم می یابد.

 



نهایتاً، ما بینایی کامپیوتر را یکی از امیدوار کننده ترین راه ها برای پیشبرد مرزهای تحقیقات تجزیه و تحلیل ورزش است را مورد توجه قرار دادیم. از آنجایی که تشخیص وقایع صرفاً از طریق ویدئومی باشد و این موضوعی است که در بین طرفداران بینایی کامپیوترطرفداران زیادی دارد. به صورت بالقوه دامنه کاربرد بسیار وسیعی متصورمی باشد. با پیوند دادن رویدادها با فریم های خاص ، ویدیوها قابل جستجو و مفیدتر می شوند (به عنوان مثال برجسته سازی خودکار امکان پذیر است). ویدیوی فوتبال نیز به نوبه خود، حوزه کاربرد جالبی برای بینایی کامپیوترارائه می دهد. تعداد زیاد ویدیوهای فوتبال پیش نیاز تکنیک های مدرن هوش مصنوعی را برآورده می کند. در حالی که هر ویدیوی فوتبالی متفاوت است ، تنظیمات تفاوت زیادی ندارند ، و این کار را برای وضوح الگوریتم های AI ایده آل می کند. ارائه دهندگان ثالث نیزوجود دارند که می توانند در تهیه داده های رویداد دارای برچسب دستی که در آموزش مدل های ویدیویی مفید است و برای تولید آنها باید زمان زیادی صرف کرد، کمک کنند، بنابراین می توان از الگوریتم های نظارت شده و نظارت نشده برای تشخیص رویدادهای فوتبال استفاده کرد. استفاده از تکنیک های پیشرفته هوش مصنوعی در فوتبال می تواند انقلابی در بسیاری از جوانب بازی از جمله بازیکنان ، تصمیم گیرندگان ، طرفداران و پخش کنندگان ایجاد کند. چنین پیشرفتهایی نیز مهم خواهد بود زیرا توانایی دموکراتیزه کردن بیشتر این ورزش را دارد (به عنوان مثال ، به جای تکیه بر درخواست ارزیابی و داوری از دیده بانان / کارشناسان شخصی، می توان از روشهایی مانند بینایی کامپیوتر برای تعیین کمیت مهارتهای بازیکنان که در مناطق کمتر دیده شده مانند لیگ های دسته پایین تر یا امثالهم هستند استفاده کرد). ما معتقدیم که توسعه تکنیک های حال پیشرفت AI که از طریق عالم کوچک فوتبال ارائه می شود، ممکن است در حوزه های وسیع تری قابل استفاده باشد. برای محققان علاقه مند به این مبحث ، مجموعه داده های موجود در دسترس عموم می باشدو این اطلاعات هم از طریق شرکت های تحلیلی مانند StatsBomb (Data set ) و هم جامعه تحقیقاتی گسترده تر (Data set) در دسترس قرار گرفته است. همچنین، مقاله مروری جامع از تحقیقات در این حوزه را ارائه می دهد.

منبع: https://deepmind.com
به روز شده در تاریخ 7 می 2021

Related posts

ژوئن 21, 2021

سوالات سطح متوسط مصاحبه هوش مصنوعی


اطلاعات بیشتر
ژوئن 20, 2021

سوالات مصاحبه سطح پایه هوش مصنوعی


اطلاعات بیشتر
ژوئن 15, 2021

فیس بوک از کدام الگوریتم برای تشخیص چهره استفاده می کند؟


اطلاعات بیشتر

محصولات هاناتک


  • سامانه هوشمند احراز هویت

  • سامانه تشخیص چهره

  • سامانه آنالیز هوشمند ویدئو

  • سامانه تشخیص متن

راه ارتباطی


  • info@hanatech.ir

  • 09392388260

  • دفتر شماره 1: تهران- بلوار اشرفی اصفهانی- نرسیده به پل اتوبان همت - خیابان شهید قموشی- خیابان بهار- دانشگاه علم و فرهنگ - پارک ملی علوم، فناوری‌های نرم و صنایع فرهنگی واحد 1030

  • دفتر شماره 2: تهران - سعادت آباد - بلوار دریا - خیابان صرافهای جنوبی - خیابان 31 شرقی - پلاک 68 واحد 2

نمادها و مجوزها

تمامی حقوق این وبسایت متعلق به هوشمندسازان هاناتک می‌باشد.
این سایت توسط استودیو راست کلیک طراحی و راه‌اندازی شده است.