Un motor de búsqueda de similitudes entre jugadores de fútbol respaldado por IA
El equipo de Comparisonator está orgulloso y feliz de presentar su nuevo motor de búsqueda de similitudes de jugadores de fútbol de cosecha propia desarrollado por sus ingenieros de IA, un refinado resultado de un esfuerzo de I+D de 1 año.
Encontrar a los “gemelos” en estilo de juego y perfil en todo el mundo de un futbolista que usted consulta.
Los ojeadores siempre prefieren pensar en términos de “similitud” a la hora de buscar talentos, ya se trate de una promesa en ciernes en los equipos juveniles o de un candidato a fichaje de talla mundial en las ligas de primer nivel. Sin embargo, se trata de una tarea más engorrosa de lo que parece, ya que la noción de “similitud” es una cuestión muy subjetiva. Aparte de la analítica deportiva, debido a esta falta de universalidad, las medidas de similitud constituyen uno de los subcampos más complejos de todas las aplicaciones matemáticas.
Un algoritmo revolucionario
El equipo Comparisonator ha hecho especial hincapié en la búsqueda de jugadores con estilos de juego similares mediante indicadores digitales sobre el terreno. Éramos conscientes del alto grado de demanda a partir de nuestras conversaciones a priori con numerosos ojeadores jefe de todo el mundo. Por lo tanto, nuestro grupo de trabajo de IA se movilizó para desarrollar un producto satisfactorio hace aproximadamente un año. Optamos por utilizar todas las técnicas punteras de aprendizaje profundo y ciencia de datos, lo que dio lugar a una arquitectura prometedora e innovadora; tanto para nuestros clientes como para la investigación académica en IA.
Los ojeadores y profesionales de la industria del fútbol siempre participan plenamente en el desarrollo de cada producto de Comparisonator con sus valiosos comentarios, lo que también ocurrió con nuestro algoritmo de similitud de IA. Gracias a este ágil ciclo productivo, los parámetros de nuestro algoritmo se afinan hasta la perfección.
Más complicado que obvio : Estilo de juego
En el corazón de nuestro algoritmo se encuentra el objetivo de poder caracterizar algo inherentemente complejo y subjetivo : el estilo de juego. Parece una tarea sencilla y rapidísima para los agentes de fútbol profesionales o el público habitual establecer la conexión entre los estilos de juego de los jugadores : ‘… Este lateral derecho me recuerda a Bissaka del Manchester United ..’ Desgraciadamente, es un reto ambicioso para los informáticos poder desarrollar algo así utilizando grandes datos estadísticos de futbolistas. Por eso hemos desarrollado el algoritmo de índice de similitud Comparisonator utilizando como núcleo principal un motor de aprendizaje profundo de última generación. Como ya se ha mencionado, el estilo de juego es un concepto subjetivo. Puede variar significativamente de un ojeador a otro. Nuestros complejos enfoques de aprendizaje profundo garantizan minimizar este sesgo, al tiempo que intentan revelar patrones ocultos no tan obvios en el estilo de juego.
Nuestra arquitectura de aprendizaje profundo
En este apartado, representaremos brevemente nuestro enfoque, qué tipos de datos se utilizan, la estructura de nuestro autocodificador de aprendizaje profundo y el método de cuantificación de la similitud de los futbolistas. Debido al secreto comercial, no precisamos explícitamente los nombres de las características estadísticas y los parámetros de la arquitectura de aprendizaje profundo empleada.
En primer lugar, esperamos que un jugador haya jugado al menos 720 minutos en el campo durante el periodo previsto (temporada o media temporada), para poder disponer de suficientes datos estadísticos significativos.
La columna vertebral de nuestro algoritmo es un autocodificador variacional profundo de extremo a extremo, en el que también se incluyen bloques convolucionales/deconvolucionales para codificar los datos espaciales. La arquitectura se elaboró de forma rigurosa, mediante la elección específica de la anchura-profundidad de las capas, las funciones de activación más adecuadas, el régimen de entrenamiento y el ajuste de los hiperparámetros.
Además de la novedad de la arquitectura, se ha dedicado un esfuerzo igualmente considerable a la elección y la ingeniería de los rasgos. Hemos determinado el mejor conjunto de rasgos espaciales y no espaciales y su organización y preprocesamiento adecuados en el modelo.
También existe otra innovación en el último paso de nuestro algoritmo: la extracción estadística de las incrustaciones de la capa variacional y la reducción eficaz de la dimensionalidad con una metodología adecuada de estos valores de contexto semántico global. Por último, las similitudes entre los jugadores se miden basándose en este conjunto final de información reducida.
El algoritmo utiliza las últimas técnicas de inteligencia artificial para mapear juntos a los futbolistas con perfiles similares en estilo de juego; en lugar de tomar directamente sus simples métricas de rendimiento, competitividad en la liga, edad, valoración, etc. Por lo tanto, en lugar de emparejar a los mejores jugadores con sus homólogos de talla mundial o de utilizar simples estadísticas clave como goles, xG o asistencias; nuestro algoritmo de aprendizaje profundo aprende un perfil general de juego muy complejo para un futbolista. Esto permite a los ojeadores realizar consultas interesantes como la de un jugador joven y asequible, que compite en ligas de bajo nivel y que tiene un perfil general en el juego como Messi. O en caso de que, un equipo pierda a un jugador en particular debido a un traspaso, una lesión o un bajo rendimiento; los ojeadores pueden generar una lista de candidatos que tengan un estilo similar al suyo para sustituirlo.
Esquema de nuestra arquitectura de aprendizaje profundo y técnica de medición de la similitud
