Trabajando con datos de seguimiento de jugadores de 7176 saques de esquina tomados en la Premier League durante 2020 y 2021, los investigadores comenzaron representando la disposición de los jugadores como un gráfico, con la posición, el movimiento, la altura y el peso de los jugadores codificados como nodos en el gráfico. y las relaciones entre jugadores como las líneas entre ellos. Luego utilizaron un enfoque llamado aprendizaje profundo geométrico, que aprovecha la simetría de un campo de fútbol para reducir la cantidad de procesamiento que la red neuronal necesitaba realizar. (Esta no es una estrategia nueva; se utilizó un enfoque similar en la influyente investigación AlphaGo de DeepMind).
El modelo resultante condujo a la creación de una serie de herramientas que podrían resultar útiles para los entrenadores de fútbol. Según la disposición de los jugadores en el momento en que se ejecuta el tiro, TacticAI puede predecir qué jugador tiene más probabilidades de hacer el primer contacto con el balón y si se realizará un tiro como resultado. Luego puede generar recomendaciones sobre las mejores maneras de ajustar la posición y el movimiento del jugador para maximizar las posibilidades de realizar un tiro (para el equipo atacante) o minimizarlo (para el equipo defensor), desplazando a un defensor para cubrir el primer poste. , por ejemplo, o poner a un hombre al borde del área.
A los expertos en fútbol de Liverpool les gustó especialmente cómo las recomendaciones de TacticAI podían identificar a los atacantes que eran críticos para el éxito de una táctica en particular, o a los defensores que estaban «dormidos al volante», dice Veličković. Los analistas pasan horas examinando secuencias de video buscando puntos débiles en las configuraciones defensivas de sus oponentes a los que puedan apuntar, o tratando de encontrar agujeros en el desempeño de su propio equipo para redoblar sus esfuerzos en los entrenamientos. «Pero es realmente difícil rastrear a 22 personas, en muchas situaciones diferentes», dice Veličković. «Si tienes una herramienta como esta, te ayuda inmediatamente a ver qué jugadores no se están moviendo de la manera correcta y cuáles deberían estar haciendo algo diferente».
TacticAI también se puede utilizar para encontrar otros rincones que presenten un patrón similar de jugadores y movimiento, lo que nuevamente ahorra horas de tiempo a los analistas. Según DeepMind, las sugerencias hechas por el modelo fueron calificadas como útiles por los entrenadores del Liverpool con el doble de frecuencia que las técnicas actuales, que se basan únicamente en las coordenadas físicas de los jugadores y no tienen en cuenta su movimiento o atributos físicos. (Dos esquinas pueden parecer iguales, pero si el delantero alto está en el borde del área en una y corriendo hacia el primer palo en la otra, eso probablemente sea importante).
Una cosa que también está haciendo, según Zhe Wang de DeepMind, otro colaborador principal del artículo, es compensar la falta de un lenguaje adecuado para describir la enorme variedad de cosas diferentes que pueden suceder en una esquina. A diferencia del fútbol americano, que tiene una nomenclatura profunda y histórica para diferentes jugadas y rutas de carrera, la coreografía de jugadas a balón parado con tanto detalle es un fenómeno relativamente nuevo. «Los diferentes entrenadores pueden tener sus propias expresiones para los patrones de tiros de esquina que observan», dice Wang. «Entonces, con TacticAI, esperamos utilizar el poder del aprendizaje profundo para establecer un lenguaje común para describir patrones de tiros de esquina».
En el futuro, según el artículo, los investigadores esperan convertir TacticAI en una interfaz de lenguaje natural para que los entrenadores puedan consultarla en texto y obtener respuestas a los problemas que intentan resolver en el campo. Veličković dice que el modelo podría usarse durante un juego para ayudar a los entrenadores a perfeccionar sus rutinas de esquina sobre la marcha, pero que es más probable que sea útil en los días previos a un partido, donde liberará tiempo a los entrenadores. «No queremos construir sistemas de IA que sustituyan a los expertos», afirma Veličković. «Queremos construir sistemas de inteligencia artificial que amplifiquen las capacidades de los expertos para que luego puedan hacer su trabajo de manera mucho más eficiente y tener más tiempo para la parte creativa del coaching».
