Система поиска сходства футболистов высшего класса, поддерживаемая искусственным интеллектом
Команда Comparisonator с гордостью и радостью представляет новую отечественную систему поиска сходства футболистов, разработанную инженерами по искусственному интеллекту, которая стала результатом исследований и разработок, длившихся 1 год.
Найдите “близнецов” в стиле игры и профиле по всему миру для футболиста, которого вы запрашиваете.
Скауты всегда предпочитают думать в терминах “схожести”, когда ищут таланты, будь то горячие перспективы в молодежных командах или трансферные кандидаты мирового класса в высших лигах 1-го уровня. Однако это более сложная задача, чем кажется на первый взгляд, поскольку понятие “схожесть” является весьма субъективным. Помимо спортивной аналитики, из-за отсутствия универсальности измерения сходства представляют собой одну из самых сложных подобластей всех математических приложений.
Революционный алгоритм
Команда Comparisonator сделала особый акцент на поиске игроков со схожим стилем игры с помощью цифровых индикаторов на поле. Мы знали о высоком уровне спроса, который возник в результате наших априорных обсуждений с многочисленными главными скаутами по всему миру. Поэтому около года назад наша целевая группа по искусственному интеллекту была мобилизована для разработки удовлетворяющего требованиям продукта. Мы решили использовать все самые современные методы глубокого обучения и науки о данных, что привело к созданию перспективной и инновационной архитектуры; как для наших клиентов, так и для академических исследований в области ИИ.
Скауты и профессионалы футбольной индустрии всегда принимают полноценное участие в разработке каждого продукта Comparisonator, предоставляя свои ценные отзывы, так было и с нашим алгоритмом сходства AI. Благодаря такому быстрому производственному циклу параметры нашего алгоритма отлаживаются до совершенства.
Сложнее, чем очевидно : Игровой стиль
В основе нашего алгоритма лежит цель – дать характеристику чему-то по своей сути сложному и субъективному: игровому стилю. Профессиональным футбольным агентам или обычным зрителям кажется несложной и молниеносной задачей установить связь между игровыми стилями игроков: ‘… Этот правый защитник напоминает мне Биссаку из “Манчестер Юнайтед”…” К сожалению, для компьютерных ученых это амбициозная задача – разработать такую вещь, используя большие статистические данные футболистов. Именно поэтому мы разработали алгоритм индекса сходства Comparisonator, использующий в качестве основного ядра современный движок глубокого обучения. Как уже упоминалось, стиль игры – понятие субъективное. Он может значительно отличаться у разных скаутов. Наши сложные подходы к глубокому обучению позволяют минимизировать эту предвзятость и в то же время пытаются выявить неочевидные скрытые закономерности в стиле игры.
Наша архитектура глубокого обучения
В этом параграфе мы кратко расскажем о нашем подходе, о том, какие типы данных используются, о структуре нашего автоэнкодера глубокого обучения и методе квантования сходства футболистов. В силу коммерческой тайны мы не указываем в явном виде названия статистических признаков и параметры используемой архитектуры глубокого обучения.
Прежде всего, мы ожидаем, что игрок сыграл не менее 720 минут на поле в течение предполагаемого периода (сезона или полусезона), чтобы иметь достаточно значимые статистические данные.
Основой нашего алгоритма является сквозной глубокий вариационный автоэнкодер, в который также входят конволюционные/деконволюционные блоки для кодирования пространственных данных. Архитектура была тщательно проработана, путем конкретного выбора ширины-глубины слоев, наиболее подходящих функций активации, режима обучения и настройки гиперпараметров.
Помимо новизны архитектуры, не менее значительные усилия были потрачены на выбор и разработку функций. Мы определили наилучший набор пространственных и непространственных признаков, а также их правильную организацию и предварительную обработку в модели.
Дальнейшие инновации также присутствуют на заключительном этапе нашего алгоритма: статистическое извлечение вкраплений из вариативного слоя и эффективное сокращение размерности с правильной методологией этих общих значений семантического контекста. Наконец, сходство между игроками измеряется на основе этого конечного набора сокращенной информации.
Алгоритм использует новейшие методы искусственного интеллекта, чтобы сопоставить футболистов со схожими профилями в игровом стиле, а не брать напрямую их простые показатели эффективности, конкурентоспособность в лиге, возраст, стоимость и т.д. Таким образом, вместо того, чтобы сопоставлять лучших игроков с их сверстниками мирового класса или использовать простые ключевые статистические данные, такие как голы, xG или передачи; наш алгоритм глубокого обучения изучает очень сложный общий игровой профиль футболиста. Это позволяет скаутам делать интересные запросы, например, о молодом и доступном игроке, выступающем в лигах низкого уровня, который имеет общий игровой профиль, как у Месси. Или в случае, если команда теряет определенного игрока из-за трансфера, травмы или низкой результативности; скауты могут составить список кандидатов, которые подходят ему по стилю, чтобы заменить его.
Общая схема нашей архитектуры глубокого обучения и техники измерения сходства
