Yunanistan’ın en çok okunan ve takip edilen spor gazetecilerinden Vasilis Sambrakos, Comparisonator CEO’su Tarkan Batgün ile bir röportaj gerçekleştirdi ve röportaj Sport24’te yayınlandı. İşte bazı önemli başlıklar:
Vasilis Sambrakos, scouting platformu Comparisonator’ın kurucusu Tarkan Batgün ile veri analitiği ve yapay zeka teknolojisinin futbol kulüplerinin transfer yapma yöntemlerine getirdiği devrimi tartışıyor.
Tarkan Batgün, modern scouting ve performans analizi alanında tanınan bir isim.
Dört kıtada yirmi yılı aşkın deneyimiyle, profesyonel kulüplerde Scouting Direktörü ve Performans Analizi Başkanı olarak çalıştı, federasyonlarda ve eğitim kuruluşlarında ders verdi ve şu anda futbol oyuncularını veri ve yapay zeka aracılığıyla değerlendirmek ve karşılaştırmak için dünya çapında en gelişmiş araçlardan biri olan Comparisonator platformunun CEO’sudur.
Futbol bilgisini, teknolojik uzmanlığı ve Avrupa’dan Türkiye’ye, Avustralya’dan ABD’ye pazarlar arasındaki farklılıkları derinlemesine anlamayı bir araya getirdiği için kariyeri onu scouting’in geleceği hakkındaki uluslararası tartışmaların merkezine taşıdı. Bu geçmişiyle, büyük veri ve Yapay Zeka çağında futbolun nasıl geliştiği konusunda en yetkili muhataplardan biridir.
Görüşmemizde Batgün, Yunanistan dışında oynayan ve günümüzde öne çıkan genç Yunan futbolculara değiniyor. Ve modern scouting’in dijital teknoloji, veriye dayalı karar verme ve yapay zeka modelleri tarafından nasıl dönüştürüldüğünü ve artık takımların yetenekleri belirleme, değerlendirme ve tahmin etme yöntemlerini nasıl değiştirdiğini açıklıyor.
-Avustralya’dan Türkiye’ye ve Avrupa’ya kadar farklı kıtalarda futbol analitiği ve scouting alanında çalıştınız. Bu uluslararası deneyim, bugün verilere ve yetenek tespitine yaklaşımınızı nasıl şekillendirdi?
“Futbolda dört kıtada çalışmak bana temel bir gerçeği öğretti: veriler kültürel bağlam olmadan hiçbir şey ifade etmiyor. Avustralya, Türkiye ya da Belçika’daki bir oyuncu aynı rakamları ortaya koyabilir ama çevre, ligin temposu ve taktiksel kültür bu rakamların anlamını tamamen değiştirir.
Avustralya’da geçirdiğim zaman sistematizasyon ve teknolojiyi anlamama yardımcı oldu; Türkiye’de oyuncu gelişimi ve scouting’in insani yönüne odaklandım; ve Avrupa’da bu iki dünyayı nasıl hizalayacağımı öğrendim. Bu nedenle Comparisonator’da yapay zekamız sadece hesaplamalar yapmakla kalmıyor, her ülkedeki futbolun “diline” uyum sağlıyor.
Yerel anlayış ve uluslararası karşılaştırma arasındaki bu denge, teknolojimizi küresel olarak faydalı kılan ve veriler aracılığıyla futbol kültürleri arasında köprüler kurma konusunda beni tutkulu tutan şeydir.”
-Küresel etkinliklerde ve futbol forumlarında konuştunuz, Milano, Londra, Barselona’dan Sırbistan, Avustralya ve Türkiye’ye kadar çok sayıda veri, yapay zeka ve scouting panelini koordine ettiniz ve hem kulüplere hem de federasyonlara danışmanlık yaptınız. Size futbol camiasında bu düzeyde uluslararası saygı ve tanınırlık kazandıran şey nedir sizce?
“Futbolda saygı unvanlarla değil, tutarlılık ve adanmışlıkla gelir. Yirmi yılı aşkın bir süredir, nadiren aynı dili konuşan üç dünyayı birbirine bağlamak için çalıştım: futbol, akademi ve teknoloji.
İlk Scouting Laboratuvarı modelini oluşturmaktan, Wyscout, Sportstec, Hudl, SoccerLab gibi uluslararası veri şirketleriyle danışman olarak işbirliği yapmaya kadar, her zaman bireylerin ötesine geçebilecek sistemler kurmaya çalıştım. Uluslararası forumlarda konuşurken – ister Roma’daki Sosyal Futbol Zirvesi’nde, ister DealDone Sırbistan’da ya da Macaristan Futbol Forumu’nda – amacım teknoloji “satmak” değil.
Bu, verilere ve yapay zeka mantığına dönüştürülmüş gerçek futbol bilgisini paylaşmakla ilgili. Bu alandaki insanlar bunu takdir ediyor – çünkü bunun hem sahadaki hem de ekran arkasındaki çalışmalardan geldiğini biliyorlar. Günün sonunda futbol evrensel bir dildir. Benim görevim verilerin bu dili akıcı bir şekilde konuşmasını sağlamaktı.”
-Yunanistan’dan uzakta düzenlenen şampiyonalarda mücadele eden genç futbolcular aransa hangi genç Yunanlılar öne çıkar?
Dünyanın herhangi bir yerinde U17-U19 veya profesyonel liglere giren genç oyuncuları belirlemek için Comparisonator Recruitment Shop modülünü kullanıyorum.
Bir yaş kategorisi ve milliyet & pasaport filtresi girdiğimde – örneğin bu durumda Yunanistan – sistem otomatik olarak her pozisyonda Yunan pasaportuna sahip oyuncuların bir listesini ve doğru yeteneği bulmak için seçilen istatistikleri gösteriyor.
Ben şahsen bu genç Yunan oyuncuların çoğunu dünya çapında takip ediyorum. Özellikle bazı ilginç isimler var:
- Theofanis Bakoulas (2005) – Rio Ave (Portekiz)
- Theodoros Sakoufakis (2007) – Union Berlin U19 (Almanya)
- Christos Kostoglou (2009) – Dortmund U17 (Almanya)
- Andreas Poulopoulos (2009) – Werder Bremen U17 (Almanya)
- Alexandros Zaverdinos (2007) – Sydney FC (Avustralya)
- Grigoris Politikis (2006) – Torino U20 (İtalya)
- Philippos Tsapipis (2008) – Horsens U19 (Danimarka)
Ayrıca Yunan kökenli birkaç önemli U23 oyuncusunu da takip ediyorum:
- Nektarios Triantis (2003) – Minnesota United (ABD)
- Michalis Kosidis (2002) – Zagleby Lubin (Polonya)
- Aidy Jaiko (2002) – Cherkasy (Ukrayna)”
-Sizin bakış açınıza göre, veri ve yapay zeka sayesinde son beş yılda futbol scoutinginde yaşanan en büyük değişim nedir?
“En büyük değişiklik yargıdan gerekçelendirmeye geçiş. Beş yıl önce, keşif çoğunlukla görüşlere dayanıyordu. Şimdi ise her gözlemin veri kanıtlarıyla desteklenmesi gerekiyor. Yapay zeka bunu mümkün kılarak sezgiyi ölçülebilir ve tekrarlanabilir bir şeye dönüştürdü.
Günümüzde gözlemciler oyuncuları sadece tanımlamakla kalmıyor; onları AI Puanları, trend tutarlılığı ve rol uyumu gibi metriklerle “doğruluyor”. İnsan deneyiminin yerini almadı, onu geliştirdi ve bir zamanlar içgüdü olan şeye yapı kazandırdı.”
-Bir oyuncunun gelecekteki performansının en güvenilir göstergelerinin ne tür veriler olduğunu düşünüyorsunuz?
“En güvenilir veriler, anları değil kalıpları açıklayan verilerdir. Comparisonator’da, bir oyuncunun tutarlılık eğiliminin, karar verme verimliliğinin ve fiziksel tekrarlanabilirliğinin, gelecekteki performansın bireysel önemli olaylardan daha güçlü göstergeleri olduğunu öğrendik.
“Ayrıca, bir oyuncunun sadece bir zamanlar ne kadar iyi olduğunu değil, zaman içinde performansının ne kadar sürdürülebilir olduğunu ölçmek için AI Fitness Puanlarına büyük ölçüde güveniyoruz. Bu, bağlama göre ayarlanmış performans ve rol uygunluğu ile birleştirildiğinde, bir oyuncunun sadece geçmişini değil, gerçek geleceğini de görmeye başlarsınız.”
-Yapay zeka, kulüplerin daha az bilinen veya değeri düşük pazarlardan oyunculara yatırım yaparken riski azaltmalarına nasıl yardımcı olabilir?
“Yapay Zeka, kulüplerin varsayımları kanıtlarla değiştirmesine olanak tanıyor. Daha az bilinen veya değeri düşük pazarlardaki oyuncuları takip ederken en büyük risk veri tutarsızlığıdır – farklı ligler, farklı oyun tarzları ve bağlamdaki boşluklar karşılaştırmayı neredeyse imkansız hale getirir.
İşte burada yapay zeka devreye giriyor. Comparisonator gibi platformlar aracılığıyla yapay zeka, her oyuncunun performansını normalleştirip evrensel bir futbol diline çeviriyor; böylece USL Ligi’ndeki bir stoper, Belçika Pro Ligi’ndeki bir stoperle etkili bir şekilde karşılaştırılabiliyor.
Yapay zeka modelleri yalnızca istatistikleri değil, aynı zamanda ligin gücü, takım kalitesi ve taktiksel ortam gibi bağlamsal zorlukları da değerlendirir. Bu süreç, bilinmeyen oyuncuları ölçülebilir profillere dönüştürür. Kulüpler, bir oyuncunun daha zorlu bir ortamda oynaması halinde teorik olarak nasıl bir performans sergileyeceğini görebiliyor – ben buna “Sanal Transfer” teknolojisi diyorum.
İşe alım ekiplerinin imza atmadan önce sezgiler yerine tahmine dayalı modelleme kullanarak riski simüle etmelerine yardımcı olur. Kısacası, yapay zeka insan gözlemciliğinin yerini almaz, ancak onu geliştirir ve gözlemcilerin, özellikle geleneksel gözlemciliğin sınırlı veya önyargılı olduğu pazarlarda daha hızlı, daha güvenli ve daha bilinçli kararlar almasına olanak tanır.”
Kulüpler Comparisonator’ı kullandıklarında, keşif sırasında hangi veri noktalarına veya metriklere öncelik veriyorlar?
“Her kulüp verileri farklı şekilde kullanıyor, ancak ana öncelik netlik, bir oyuncunun sadece ne kadar performans gösterdiğini değil, neden performans gösterdiğini anlamak. Antrenörler ve gözlemciler Comparisonator’ı kullanırken genellikle ham rakamlardan ziyade rol bazlı metriklerle başlarlar.
Örneğin, basitçe “en çok çalım atan kim?” diye sormak yerine, “kim Defansif Bek olarak performans gösteriyor?” veya “kim Kutudan Kutuya Orta Saha oyuncusu profiline uyuyor?” diye soruyorlar.
Bu nedenle Comparisonator’ın platformu 700’den fazla istatistiksel parametreyi AI Puanlarına ve role özgü endekslere dönüştürerek kullanıcıların oyuncuları bir sistem içindeki işlevsel konumlarına göre değerlendirmelerine olanak tanır.
Kulüpler aşağıdaki gibi göstergelere öncelik verirler:
- AI Puanları (Genel Performans Endeksi)
- AI Fitness Puanları (Fiziksel Verimlilik Endeksi)
- Pozisyonel Rol Uyumu %
- Tutarlılık ve eğilim eğrileri
- Lig Zorluğu ve Takım Bağlamı ayarı
Bu ölçümler kulüplerin bir oyuncunun sadece kaç pas verdiğini ya da kaç çalım attığını değil, gerçekten ne kadar etkili olduğunu görmelerini sağlıyor. En çok kullanılan alanlar Oyuncuya Karşı Oyuncu modülleri ve Sanal Transfer özelliğidir.”
-Farklı kapasitedeki ligler arasındaki verileri nasıl normalleştiriyorsunuz ve bu normalleştirme bir oyuncunun adaptasyonunu tahmin etmede ne kadar güvenilir?
“Bu, futbol analizindeki en büyük zorluklardan biridir; tamamen farklı seviyelerde faaliyet gösteren liglerdeki oyuncuları karşılaştırmak. Comparisonator platformu, her oyuncunun performansını ligin zorluğuna, takımın gücüne ve rakiplerin kalitesine göre ayarlayan yapay zeka destekli bir normalleştirme motoru kullanıyor.
Zaman içinde, makine öğrenimi modelleri binlerce transfer ve sonuçtan öğrenerek ağırlıkları sürekli olarak iyileştirir. Sonuç teorik değil, öngörüseldir.”
-Yapay zeka modellerinizin ligin gücü, takımın oyun tarzı veya veri kıtlığından kaynaklanan önyargılardan kaçınmasını nasıl sağlarsınız?
“Önyargı, futbol verilerinin sessiz düşmanıdır. Bunu en aza indirmek için Comparisonator’ın yapay zeka modelleri çok ligli, çok sezonlu veri kümeleri üzerinde eğitilir. Her şey bağlamsal ağırlıklandırma yoluyla normalleştirilir – lig gücü, takım stili, topa sahip olma oranı, rakip seviyesi.
Veri kıtlığı olduğunda, model yanlış sonuçlar yaratmak yerine eğilime dayalı tahmine geçer.”
-Yapay zekaya dayalı tahminleri gerçek performans sonuçlarına göre nasıl doğruluyorsunuz?
“Doğrulama, teknolojinin gerçeklikle buluştuğu yerdir. Comparisonator’da her AI tahmini, transferlerden sonraki gerçek performansa karşı test edilir. Transfer öncesi tahmin edilen AI Puanlarını transfer sonrası sonuçlarıyla karşılaştırarak oyuncuların gerçekte nasıl uyum sağladığını takip ediyoruz.
Bu geri bildirim döngüsü, modelin kendi kendini düzeltmesini ve performans ayarlaması için hangi değişkenlerin gerçekten önemli olduğunu öğrenmesini sağlar.”
Röportajın orijinalini okumak için buraya tıklayın: https://www.sport24.gr/football/aftoi-einai-oi-nearoi-ellines-podosfairistes-pou-xexorizoun/
