کاربرد هوش مصنوعی در فوتبال

در فینال جام جهانی، وقتی نتیجه بازی فوق‌العاده حساس شده، سرمربی انگلیس یک نکته تاکتیکی مهم از دستیارش دریافت می‌کند. این دستیار درمیابد که مدافع چپ فرانسه خسته شده و در برابر پاس‌های بلند و قطری آسیب‌پذیر است.

این اطلاعات سریع به بازیکنان منتقل می‌شود و همان‌طور که پیش‌بینی شده بود، نتیجه می‌دهد؛ گل پیروزی انگلیس را از سمت راست می‌زنند. همین تغییر کوچک باعث می‌شود انگلیس بعد از سال‌ها دوباره بزرگ‌ترین جام فوتبال جهان را به دست بیاورد. وقتی از سرمربی درباره این تغییر سرنوشت‌ساز می‌پرسند، او از «چشم‌هایش روی سکو» می‌گوید؛ اما نه چشم‌های یک مربی، بلکه یک دوربین فوق‌پیشرفته.

این دستگاه نه‌تنها بازی را لحظه‌به‌لحظه دنبال می‌کند، بلکه با مدل هوش مصنوعی داخلی‌اش الگوهایی را تشخیص می‌دهد که می‌توان از آن‌ها برای ضربه‌زدن به حریف استفاده کرد. این هفته دیلی‌میل اسپورت گفت که آرسنال چگونه از هوش مصنوعی برای تحلیل تاکتیکی در آماده‌سازی مسابقات بهره می‌برد. گام بعدی این است که تحلیل‌ها به‌صورت زنده هنگام بازی انجام شود و تیم‌ها همان لحظه از آن استفاده کنند. شاید این اتفاق در جام جهانی بعدی رخ ندهد، اما احتمال زیادی وجود دارد که تا جام جهانی ۲۰۳۰ به یک روند معمول تبدیل شود.

هفته گذشته طی رویداد Hudl Performance Insights در ورزشگاه کریون کاتج، متخصصان مختلف دنیای فوتبال دور هم جمع شدند تا درباره آینده این ورزش صحبت کنند. یکی از موضوعات اصلی، همان‌طور که انتظار می‌رفت، نقش رو به رشد هوش مصنوعی در فوتبال بود. امروزه خیلی از باشگاه‌ها به‌طور معمول از مدل‌های هوش مصنوعی استفاده می‌کنند تا داده‌های فیزیکی بازیکنان را مورد بررسی قرار داده و براساس معیارهای مختلف، فهرست گزینه‌های مناسب برای نقل‌وانتقال‌ها را به دست بیاورند.

اما حالا قرار است همه چیز یک قدم جلوتر برود؛ اِد سالی، که ۱۹ سال در بولتون و منچسترسیتی کار کرده و حالا مدیر بخش راهکارهای مشتری در شرکت جهانی Hudl است، توضیح می‌دهد:

امروز مدل‌هایی در حال ساخت هستند که می‌توانند ظرف چند ساعت، تعداد بیشتری از مسابقات را تحلیل کنند؛ بیشتر از تمام بازی‌هایی که در تاریخ فوتبال انجام شده است.

از نگاه مربیان، برگ برنده واقعی همینه که اطلاعات زنده و لحظه‌ای از هوش مصنوعی دریافت کنند. یعنی همه داده‌ها در همان لحظه رصد شوند و درک دقیقی از سبک بازی‌ و تاکتیک‌های شما داشته باشد.

اگر متوجه شویم حریف طوری ترکیب خود را چیده که می‌خواهد برنامه‌های ما را مختل کند، باید خیلی سریع این موضوع را تشخیص بدهیم و چند پیشنهاد مناسب برای پاسخ به آن داشته باشیم. این همان مرز جدید فناوری است.

سالی می‌گوید Hudl در حال سرمایه‌گذاری روی مفهوم «ورزشگاه هوشمند» است؛ جایی که دوربین‌ها، سیستم‌های ردیابی و ابزارهای پوشیدنی همه به هم وصل‌ هستند.

این شرکت همین حالا هم فناوری‌هایی دارد که می‌تواند الگوهایی مثل بازیکنانی که بیش از حد عرض زمین را می‌گیرند یا بازیکنانی که توانایی ارسال پاس‌های خط‌شکن دارند، تشخیص دهد. او همچنین اضافه می‌کند:

قدم بعدی این است که فناوری خودش پیشنهاد بدهد؛ مثلاً بگوید اگر این کار را انجام دهیم چه می‌شود؟ یا تشخیص دهد که چند بازیکن در چهار کرنر قبلی تمرکز خود را از دست داده‌اند. بعد مربیان می‌توانند همان لحظه این پیام را به بازیکنان منتقل کنند.

هوش مصنوعی کم‌کم در جذب بازیکنان هم نقش مهمی پیدا کرده است. متیو بنهام، مالک برنتفورد، و تونی بلوم، مالک برایتون، با کمک مدل‌های پیشرفته، بازیکنانی را جذب کرده‌اند که باعث شده جایگاه تیم‌هایشان در لیگ برتر تثبیت شوند. با پیشرفت سیستم‌های هوش مصنوعی، این ابزارها همواره در حال پیشرفته‌تر شدن هستند.

آرسنال از این نظر جلوتر بود و در سال ۲۰۱۴ شرکت تحلیل داده StatDNA را خریداری کرد. از جمله باشگاه‌های دیگری که همین مسیر را دنبال می‌کنند می‌توان نوریچ و بیرمنگام را مثال زد؛ نوریچ در حال مذاکره برای خرید شرکت src ftbl و بیرمنگام اوایل امسال Real Analytics را خرید. باشگاه‌های لیگ برتر، از جمله چلسی، در تلاش هستند تا سیستم‌های اختصاصی خود را تکمیل و بهینه کنند.

این مسیر فقط خاص باشگاه‌ها نیست؛ آژانس‌های بزرگ هم بخش‌های داده و تحلیل خود را با کمک هوش مصنوعی راه‌اندازی کرده‌اند. مثلاً Raiola Global Management، آژانس تجاری تیم رایولا که توسط مینو رایولا تأسیس شده بود، مدلی ساخته که با استفاده از داده‌های مختلف، مشخص می‌کند کدام باشگاه‌ها برای بازیکنان تحت قراردادشان مناسب هستند. به این ترتیب، تاتنهام به عنوان مقصد ایده‌آل برای میکی فن دی فن و لیورپول برای رایان گراونبرخ شناسایی شدند.

۳ بازیکن برتر خط حمله تاریخ فوتبال از نظر هوش مصنوعی کدامند؟

مارک نِروگنا، مدیرعامل رایولا، می‌گوید:

تقریباً سه سال طول کشید تا چنین مدلی ساخته شود. مدل‌هایی از این دست تأثیر زیادی روی نقل‌وانتقالات خواهند داشت و به تعیین ارزش واقعی بازیکنان هم کمک می‌کنند. ما مدل‌هایی برای رتبه‌بندی باشگاه‌ها و لیگ‌ها، ویژگی‌های تاکتیکی و همچنین فنی تیم‌ها و بازیکنان ساخته‌ایم؛ و بعد سراغ تحلیل مربی و کل باشگاه می‌رویم.

در اینجا برنامه‌ریزی بودجه اهمیت پیدا می‌کند. همان‌طور که برایتون و برنتفورد با استفاده هوشمندانه از داده‌ها جلوتر از رقبا بوده‌اند، باشگاه‌های هم‌سطح ممکن است به جای جذب یک مهاجم جدید، روی نوآوری‌های پیشرفته هوش مصنوعی سرمایه‌گذاری کنند.

باشگاه لینکلن سیتی یکی از کم‌درآمدترین تیم‌های لیگ دسته یک است، اما با استفاده هوشمندانه از ابزارهای خارج از زمین، از جمله هوش مصنوعی، هم‌اکنون در رده دوم جدول قرار دارد. مایکل اسکوبالا، سرمربی این تیم، می‌گوید:

دو فصل گذشته روی نوع خاصی از پرتاب‌های بلند تمرکز کرده‌ایم و از هوش مصنوعی برای تصمیم‌گیری‌هایمان کمک گرفته‌ایم.

تیم مربیان و کارشناسان ورزشی ما در این فرآیند دخیل بوده‌اند؛ ما از هوش مصنوعی نیز برای تصمیم‌گیری‌هایمان کمک گرفته‌ایم. حالا این فناوری ناگهان در سطح بالاتر خودش را نشان می‌دهد، هرچند ما دو فصل پیش آن را وارد سیستم کردیم. دلیل و منطق مشخصی پشت اینکه کجا و چرا از آن استفاده می‌کنیم وجود دارد.

نقش کارشناسانی که استعداد بازیکنان را شناسایی می‌کنند نیز مطمئناً تغییر خواهد کرد. با گذشت زمان، ماشین‌ها آن‌قدر در تحلیل اطلاعات و تماشای مسابقات کارآمد خواهند شد که شاید دیگر نیازی به «چشم در سکو» نباشد.

با این حال، هوش مصنوعی نمی‌تواند همه چیز را انجام دهد. این فناوری هنوز نمی‌تواند شرایط خانوادگی بازیکن، دوران کودکی او یا واکنشش به موقعیت‌های خاص را ارزیابی کند. مدل‌ها نمی‌توانند بفهمند بازیکن اهل تفریح شبانه است، چقدر به تغذیه‌اش اهمیت می‌دهد یا در مدیریت پول بی‌دقتی می‌کند. وقتی از اِد سالی پرسیدند که آیا ممکن است نقش کارشناسانی که استعداد بازیکنان را شناسایی می‌کنند، شبیه کار یک کارآگاه خصوصی شود، او تا حدی موافقت کرد:

نقش آن‌ها ممکن است از تماشای بازیکنان در عمل، به بررسی جزئیاتی که داده‌ها قادر به اندازه‌گیری‌شان نیستند، تغییر کند.

این افراد در سراسر فوتبال ارتباطاتی دارند که امکان بررسی‌های پس‌زمینه‌ای حیاتی برای هر انتقال را فراهم می‌سازد.

با استفاده از داده‌ها نمی‌توان فهمید که یک بازیکن چقدر احتمال دارد با دیگران اختلاف پیدا کند یا شرایط خانوادگی او چگونه است. داده‌ها شاید عالی به نظر برسند، اما اگر شخصیت بازیکن باعث اختلال در محیط تیم شود، آن داده‌ها بی‌فایده‌اند و فروش بازیکن نیز سخت می‌شود.

با این حال، افرادی که این بررسی‌ها را انجام می‌دهند، باید فوتبال را خوب بفهمند. آن‌ها می‌توانند رفتار بازیکن در تمرین را تحلیل کنند یا بدانند چگونه باید با بازیکن ناراحت برخورد کرد.

با پیشرفت سریع فناوری، کسانی که هم‌اکنون وارد این مسیر نمی‌شوند، احتمالاً جا می‌مانند. با اینکه استفاده از این فناوری هیجان‌انگیز است، اما کارشناسان درباره خطرات و ریسک‌های آن نیز هشدار می‌دهند.

کریس مارکهام، که پیش از پیروزی انگلیس مقابل کلمبیا در جام جهانی ۲۰۱۸، نگرش تیم را نسبت به ضربات پنالتی متحول کرد، هشدار می‌دهد که مدل‌های هوش مصنوعی همیشه با ریسک همراه هستند. مارکهام که چهار سال به عنوان مسئول تحلیل بازی‌ها در فدراسیون فوتبال انگلیس فعالیت داشته و پس از آن در هادرزفیلد و بولتون نیز کار کرده، می‌گوید:

امیدوارم سرعتی که مدل‌های هوش مصنوعی اطلاعات را پردازش می‌کنند، به ما اجازه دهد گفت‌وگوهای بهتری داشته باشیم و در نهایت تصمیمات بهتری بگیریم. اما تصور اینکه هوش مصنوعی ریسک خاصی به دنبال ندارد، اشتباه است. مدل‌ها تنها به اندازه داده‌هایی که به آن‌ها داده می‌شود، مفید هستند.

حدود ۲۰ سال پیش، داده‌ها تاثیر زیادی داشتند و باید با آن همراه می‌شدید. اکنون هم همین موضوع در مورد هوش مصنوعی صدق می‌کند.

با این حال، بازی هنوز مربوط به بازیکنان داخل زمین و مربیان در کنار زمین می‌شود که نقش اصلی را دارند، و گاهی متقاعد کردن آن‌ها نسبت به فناوری مدرن سخت‌ترین کار است. به همین دلیل همه ما باید تا جای ممکن اطلاعات کافی داشته باشیم.

تیم منتخب ۲۳ نفره تاریخ فوتبال به انتخاب هوش مصنوعی و به تفکیک پست‎های مختلف