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.
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.
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.
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.