Un motore di ricerca della somiglianza dei giocatori di calcio di prima categoria supportato dall’AI
Il team di Comparisonator è orgoglioso e felice di presentare il suo nuovissimo motore di ricerca di similitudini di giocatori di calcio sviluppato dai suoi ingegneri AI, un risultato raffinato di un anno di ricerca e sviluppo.
Trovare i ‘gemelli’ nello stile di gioco e nel profilo in tutto il mondo per un calciatore che lei interroga.
Gli scout preferiscono sempre pensare in termini di ‘somiglianza’ quando sono alla ricerca di talenti, sia che si tratti di un giovane prospetto nelle squadre giovanili o di un candidato al trasferimento di livello mondiale nei campionati di primo livello. Tuttavia, si tratta di un compito più complicato di quanto sembri, in quanto la nozione di ‘somiglianza’ è una questione altamente soggettiva. A parte l’analisi sportiva, a causa di questa mancanza di universalità, le misure di somiglianza costituiscono uno dei sottocampi più complessi di tutte le applicazioni matematiche.
Un algoritmo rivoluzionario
Comparisonator Team ha posto particolare enfasi sulla ricerca di giocatori con stili di gioco simili, utilizzando indicatori digitali sul campo. Eravamo consapevoli dell’alto livello di richiesta dalle nostre discussioni a priori con numerosi capi scout in tutto il mondo. Pertanto, la nostra task force AI è stata mobilitata per sviluppare un prodotto soddisfacente circa un anno fa. Abbiamo scelto di utilizzare tutte le tecniche di apprendimento profondo e di scienza dei dati all’avanguardia, che hanno portato ad un’architettura promettente e innovativa, sia per i nostri clienti che per la ricerca accademica nell’IA.
Gli scout e i professionisti dell’industria calcistica sono sempre parte integrante dello sviluppo di ogni prodotto Comparisonator con i loro preziosi feedback, come è avvenuto anche per il nostro algoritmo di somiglianza AI. Grazie a questo agile ciclo produttivo, i parametri del nostro algoritmo vengono messi a punto alla perfezione.
Più complicato che ovvio: stile di gioco
Al centro del nostro algoritmo c’è l’obiettivo di riuscire a caratterizzare qualcosa di intrinsecamente complesso e soggettivo: lo stile di gioco. Sembra un compito semplice e veloce per gli agenti di calcio professionisti o per il pubblico abituale fare un collegamento tra gli stili di gioco dei giocatori: ‘… Questo terzino destro mi ricorda Bissaka del Manchester United…” Purtroppo, si tratta di una sfida ambiziosa per gli informatici, che devono essere in grado di sviluppare una cosa del genere utilizzando i dati delle grandi statistiche dei calciatori. Ecco perché abbiamo sviluppato l’algoritmo Comparisonator Similarity Index, che utilizza un motore di apprendimento profondo all’avanguardia come nucleo principale. Come già detto, lo stile di gioco è un concetto soggettivo. Può variare in modo significativo da scout a scout. I nostri complessi approcci di apprendimento profondo assicurano di minimizzare questo pregiudizio, cercando allo stesso tempo di rivelare modelli nascosti non così ovvi nello stile di gioco.
La nostra architettura di apprendimento profondo
In questo paragrafo, rappresenteremo brevemente il nostro approccio, i tipi di dati utilizzati, la struttura del nostro autoencoder di apprendimento profondo e il metodo di quantizzazione della somiglianza dei calciatori. Per motivi di segretezza commerciale, non indichiamo esplicitamente i nomi delle caratteristiche statistiche e i parametri dell’architettura di apprendimento profondo utilizzata.
Prima di tutto, ci aspettiamo che un giocatore abbia giocato almeno 720 minuti sul campo per il periodo previsto (stagione o mezza stagione), per poter disporre di dati statistici sufficienti e significativi.
La spina dorsale del nostro algoritmo è un autoencoder variazionale profondo end-to-end, che include anche blocchi convoluzionali/deconvoluzionali per codificare i dati spaziali. L’architettura è stata realizzata in modo rigoroso, scegliendo in modo specifico la larghezza-profondità degli strati, le funzioni di attivazione più adatte, il regime di addestramento e la regolazione degli iperparametri.
Oltre alla novità dell’architettura, un impegno altrettanto considerevole è stato dedicato alla scelta e all’ingegnerizzazione delle caratteristiche. Abbiamo determinato il miglior set di caratteristiche spaziali e non spaziali e la loro corretta organizzazione e pre-elaborazione nel modello.
Un’ulteriore innovazione si trova anche nella fase finale del nostro algoritmo: l’estrazione statistica delle incorporazioni dal livello variazionale e la riduzione efficiente della dimensionalità con una metodologia adeguata di questi valori di contesto semantico complessivo. Infine, le somiglianze tra i giocatori vengono misurate sulla base di questo insieme finale di informazioni ridotte.
L’algoritmo utilizza le più recenti tecniche di intelligenza artificiale per mappare insieme i calciatori con profili simili nello stile di gioco; piuttosto che prendere direttamente le loro semplici metriche di performance, competitività in campionato, età, valutazione, ecc. Quindi, piuttosto che abbinare i top player con i loro coetanei di livello mondiale o utilizzare semplici statistiche chiave come i gol, gli xG o gli assist, il nostro algoritmo di apprendimento profondo apprende un profilo complessivo di gioco altamente complesso per un calciatore. Ciò consente ai talent scout di effettuare ricerche interessanti, come ad esempio un giocatore giovane e conveniente, che compete in campionati di basso livello, e che ha un profilo complessivo in-game simile a quello di Messi. Oppure, nel caso in cui una squadra perda un determinato giocatore a causa di un trasferimento, di un infortunio o di un basso rendimento, gli scout possono generare un elenco di candidati che hanno uno stile corrispondente a quello del giocatore da sostituire.
Schema della nostra architettura di apprendimento profondo e della tecnica di misurazione della somiglianza
