Um mecanismo de busca de similaridade de jogadores de futebol de primeira linha apoiado por IA
A equipe do Comparisonator tem o orgulho e a satisfação de apresentar seu novíssimo mecanismo de busca de semelhanças de jogadores de futebol desenvolvido por seus engenheiros de IA, um resultado refinado de um esforço de pesquisa e desenvolvimento de um ano.
Encontrar os “gêmeos” no estilo de jogo e no perfil ao redor do mundo para um jogador de futebol que o senhor deseja saber.
Os olheiros sempre preferem pensar em termos de “similaridade” ao procurar talentos, seja para uma boa perspectiva nas equipes de base ou para um candidato a transferência de classe mundial nas ligas de primeira divisão. No entanto, essa é uma tarefa mais complicada do que parece, pois a noção de “semelhança” é uma questão altamente subjetiva. Além da análise esportiva, devido a essa falta de universalidade, as medidas de similaridade constituem um dos subcampos mais complexos de todas as aplicações matemáticas.
Um algoritmo revolucionário
O Comparisonator Team deu ênfase especial à busca de jogadores com estilos de jogo semelhantes usando indicadores digitais em campo. Estávamos cientes do alto grau de demanda de nossas discussões a priori com vários olheiros-chefes em todo o mundo. Portanto, nossa força-tarefa de IA foi mobilizada para desenvolver um produto satisfatório há cerca de um ano. Optamos por usar todas as técnicas mais avançadas de aprendizagem profunda e ciência de dados, o que resultou em uma arquitetura promissora e inovadora, tanto para nossos clientes quanto para a pesquisa acadêmica em IA.
Os olheiros e profissionais do setor de futebol sempre participam integralmente do desenvolvimento de cada produto da Comparisonator com seus valiosos feedbacks, o que também foi o caso do nosso algoritmo de similaridade de IA. Graças a esse ciclo produtivo ágil, os parâmetros de nosso algoritmo são ajustados com perfeição.
Mais complicado do que óbvio : Estilo de jogo
No centro do nosso algoritmo está o objetivo de poder caracterizar algo inerentemente complexo e subjetivo: o estilo de jogo. Parece uma tarefa descomplicada e extremamente rápida para os agentes profissionais de futebol ou para o público comum fazer a conexão entre os estilos de jogo dos jogadores: “… Esse lateral direito me lembra o Bissaka do Manchester United…” Infelizmente, esse é um desafio ambicioso para que os cientistas da computação consigam desenvolver tal coisa usando grandes dados estatísticos de jogadores de futebol. É por isso que desenvolvemos o Algoritmo de Índice de Similaridade do Comparisonator usando o mecanismo de aprendizagem profunda de última geração como seu núcleo principal. Como mencionado anteriormente, o estilo de jogo é um conceito subjetivo. Ele pode variar significativamente de olheiro para olheiro. Nossas abordagens complexas de aprendizagem profunda garantem a minimização desse viés e, ao mesmo tempo, tentam revelar padrões ocultos não tão óbvios no estilo de jogo.
Nossa arquitetura de aprendizagem profunda
Neste parágrafo, apresentaremos brevemente nossa abordagem, quais tipos de dados são usados, a estrutura de nosso autoencoder de aprendizagem profunda e o método de quantização da similaridade do jogador de futebol. Devido ao sigilo comercial, não especificamos explicitamente os nomes dos recursos estatísticos e os parâmetros da arquitetura de aprendizagem profunda empregada.
Em primeiro lugar, esperamos que um jogador tenha jogado pelo menos 720 minutos em campo durante o período pretendido (temporada ou meia temporada), para que seja possível obter dados estatísticos significativos suficientes.
A espinha dorsal do nosso algoritmo é um autoencoder variacional profundo de ponta a ponta, que também inclui blocos convolucionais/desconvolucionais para codificar dados espaciais. A arquitetura foi elaborada rigorosamente, por meio da escolha específica da largura e profundidade das camadas, das funções de ativação mais adequadas, do regime de treinamento e do ajuste dos hiperparâmetros.
Além da novidade da arquitetura, um esforço considerável semelhante foi despendido na escolha e na engenharia dos recursos. Determinamos o melhor conjunto de recursos espaciais e não espaciais e sua organização e pré-processamento adequados no modelo.
Há mais inovação também na etapa final de nosso algoritmo: extração estatística de embeddings da camada variacional e redução eficiente da dimensionalidade com metodologia adequada desses valores de contexto semântico geral. Por fim, as semelhanças entre os jogadores são medidas com base nesse conjunto final de informações reduzidas.
O algoritmo usa as mais recentes técnicas de inteligência artificial para mapear os jogadores de futebol com perfis semelhantes no estilo de jogo, em vez de considerar diretamente suas métricas simples de desempenho, competitividade na liga, idade, avaliação etc. Portanto, em vez de combinar os melhores jogadores com seus pares de classe mundial ou usar estatísticas-chave simples, como gols, xG ou assistências, nosso algoritmo de aprendizagem profunda aprende um perfil geral altamente complexo de um jogador de futebol no jogo. Isso permite que os olheiros façam consultas interessantes, como um jogador jovem e acessível, competindo em ligas de baixo nível, que tenha um perfil geral no jogo como o de Messi. Ou, no caso de uma equipe perder um determinado jogador devido a transferência, lesão ou baixo desempenho, os olheiros podem gerar uma lista de candidatos que tenham um estilo correspondente ao dele para substituí-lo
Esboço de nossa arquitetura de aprendizagem profunda e técnica de medição de similaridade
