Eine erstklassige Fußballspieler-Ähnlichkeitssuchmaschine mit KI-Unterstützung
Das Team von Comparisonator ist stolz und glücklich, seine brandneue, von seinen KI-Ingenieuren entwickelte Suchmaschine für die Ähnlichkeit von Fußballspielern zu präsentieren, die das raffinierte Ergebnis einer einjährigen Forschungs- und Entwicklungsarbeit ist.
Finden Sie die ‘Zwillinge’ im Spielstil und im Profil eines von Ihnen gesuchten Fußballers rund um den Globus.
Scouts ziehen es immer vor, bei der Suche nach Talenten in Begriffen wie ‘Ähnlichkeit’ zu denken, sei es ein heißer Kandidat in den Jugendmannschaften oder ein Weltklasse-Transferkandidat in den Top 1-Tier-Ligen. Diese Aufgabe ist jedoch mühsamer als es scheint, denn der Begriff “Ähnlichkeit” ist eine höchst subjektive Angelegenheit. Abgesehen von der Sportanalytik ist die Messung der Ähnlichkeit aufgrund dieses Mangels an Universalität eines der komplexesten Teilgebiete aller mathematischen Anwendungen.
Ein revolutionärer Algorithmus
Das Comparisonator Team hat besonderen Wert darauf gelegt, Spieler mit ähnlichen Spielstilen anhand digitaler Indikatoren auf dem Spielfeld zu finden. Aus unseren Gesprächen mit zahlreichen Chefscouts auf der ganzen Welt wussten wir, dass eine große Nachfrage besteht. Daher wurde unsere KI-Taskforce vor etwa einem Jahr mobilisiert, um ein zufriedenstellendes Produkt zu entwickeln. Wir haben uns dafür entschieden, alle hochmodernen Deep Learning- und Data Science-Techniken einzusetzen, was zu einer vielversprechenden und innovativen Architektur geführt hat; sowohl für unsere Kunden als auch für die akademische Forschung im Bereich KI.
Scouts und Profis aus der Fußballbranche sind mit ihren wertvollen Rückmeldungen stets voll in die Entwicklung jedes Comparisonator-Produkts eingebunden, so auch bei unserem KI-Ähnlichkeitsalgorithmus. Dank dieses agilen Produktionszyklus werden die Parameter unseres Algorithmus bis zur Perfektion abgestimmt.
Eher kompliziert als offensichtlich : Spielstil
Im Mittelpunkt unseres Algorithmus steht das Ziel, etwas von Natur aus komplexes und subjektives zu charakterisieren: den Spielstil. Es scheint eine unkomplizierte und blitzschnelle Aufgabe für professionelle Fußballagenten oder normale Zuschauer zu sein, die Verbindung zwischen den Spielstilen von Spielern herzustellen: “… Dieser Rechtsverteidiger erinnert mich an Bissaka von Manchester United …’ Leider ist es eine große Herausforderung für Informatiker, so etwas mit Hilfe großer Statistikdaten von Fußballspielern zu entwickeln. Deshalb haben wir den Comparisonator Similarity Index Algorithmus entwickelt, dessen Herzstück eine hochmoderne Deep Learning Engine ist. Wie bereits erwähnt, ist der Spielstil ein subjektives Konzept. Er kann sich von Scout zu Scout erheblich unterscheiden. Unsere komplexen Deep-Learning-Ansätze sorgen dafür, dass diese Verzerrung minimiert wird, während wir gleichzeitig versuchen, nicht so offensichtliche versteckte Muster im Spielstil aufzudecken.
Unsere Deep Learning Architektur
In diesem Abschnitt stellen wir kurz unseren Ansatz, die verwendeten Datentypen, die Struktur unseres Deep Learning Autoencoders und die Methode zur Quantisierung der Ähnlichkeit von Fußballern vor. Aufgrund von Geschäftsgeheimnissen geben wir die Namen der statistischen Merkmale und die Parameter der verwendeten Deep-Learning-Architektur nicht explizit an.
Zunächst einmal erwarten wir, dass ein Spieler im vorgesehenen Zeitraum (Saison oder Halbsaison) mindestens 720 Minuten auf dem Feld gespielt hat, um über ausreichend aussagekräftige statistische Daten zu verfügen.
Das Rückgrat unseres Algorithmus ist ein durchgängiger tiefer Variations-Autoencoder, der auch Faltungs/Entfaltungsblöcke zur Kodierung räumlicher Daten enthält. Die Architektur wurde rigoros ausgearbeitet, indem die Breite und Tiefe der Schichten, die am besten geeigneten Aktivierungsfunktionen, das Trainingsverfahren und die Abstimmung der Hyperparameter gezielt ausgewählt wurden.
Neben der Neuartigkeit der Architektur wurde ein ebenso großer Aufwand für die Auswahl und Entwicklung der Merkmale betrieben. Wir haben den besten Satz von räumlichen und nicht-räumlichen Merkmalen und deren richtige Organisation und Vorverarbeitung im Modell bestimmt.
Eine weitere Innovation besteht auch im letzten Schritt unseres Algorithmus: die statistische Extraktion von Einbettungen aus der Variationsschicht und die effiziente Reduzierung der Dimensionalität mit einer angemessenen Methodik dieser allgemeinen semantischen Kontextwerte. Schließlich werden die Ähnlichkeiten zwischen den Spielern auf der Grundlage dieser endgültigen reduzierten Informationen gemessen.
Der Algorithmus verwendet die neuesten Techniken der künstlichen Intelligenz, um Fußballer mit ähnlichen Profilen im Spielstil zusammenzuführen, anstatt direkt ihre einfachen Leistungsmetriken, Ligawettbewerbsfähigkeit, Alter, Bewertung usw. zu verwenden. Anstatt also Top-Spieler mit ihren Weltklasse-Kollegen abzugleichen oder einfache Schlüsselstatistiken wie Tore, xG oder Assists zu verwenden, lernt unser Deep-Learning-Algorithmus ein hochkomplexes Gesamtprofil eines Fußballers im Spiel. So können Scouts interessante Anfragen stellen, z.B. nach einem jungen und erschwinglichen Spieler, der in unteren Ligen spielt und ein ähnliches Spielprofil wie Messi aufweist. Oder für den Fall, dass ein Team einen bestimmten Spieler aufgrund eines Transfers, einer Verletzung oder schwacher Leistungen verliert, können Scouts eine Liste von Kandidaten erstellen, die den gleichen Spielstil wie Messi haben und ihn ersetzen.
Überblick über unsere Deep Learning-Architektur und Ähnlichkeitsmessverfahren
