Yapay Zeka Destekli Birinci Sınıf Bir Futbolcu Benzerliği Arama Motoru
Comparisonator ekibi, yapay zeka mühendisleri tarafından geliştirilen ve 1 yıllık Ar-Ge çalışmasının rafine bir sonucu olan yepyeni yerli futbolcu benzerlik arama motorunu sunmaktan gurur ve mutluluk duyuyor.
Sorguladığınız bir futbolcu için dünya çapında oyun tarzı ve profil açısından ‘ikizleri’ bulmak.
Gözlemciler yetenek ararken her zaman ‘benzerlik’ açısından düşünmeyi tercih eder, ister altyapı takımlarında gözde bir aday isterse de en üst 1. kademe liglerde dünya çapında bir transfer adayı olsun. Ancak, ‘benzerlik’ kavramı son derece öznel bir konu olduğundan, bu göründüğünden daha zahmetli bir iştir. Spor analitiği dışında, bu evrensellik eksikliği nedeniyle, benzerlik ölçümleri tüm matematiksel uygulamaların en karmaşık alt alanlarından birini oluşturur.
Devrim Niteliğinde Bir Algoritma
Comparisonator Ekibi, saha içi dijital göstergeleri kullanarak benzer oyun stillerine sahip oyuncuları bulmaya özellikle önem vermiştir. Dünyanın dört bir yanındaki çok sayıda baş gözlemciyle yaptığımız önsel görüşmelerden yüksek derecede talep olduğunun farkındaydık. Bu nedenle, yapay zeka görev gücümüz yaklaşık bir yıl önce tatmin edici bir ürün geliştirmek için harekete geçti. En son teknoloji ürünü derin öğrenme ve veri bilimi tekniklerini kullanmayı tercih ettik; bu da hem müşterilerimiz hem de yapay zeka alanındaki akademik araştırmalar için umut verici ve yenilikçi bir mimari ortaya çıkardı.
Futbol endüstrisinden gözlemciler ve profesyoneller, değerli geri bildirimleriyle Comparisonator ürünlerinin geliştirilmesinde her zaman tamamen yer alırlar, bu durum AI benzerlik algoritmamız için de geçerlidir. Bu çevik üretim döngüsü sayesinde, algoritmamızın parametreleri mükemmele doğru ince ayarlanmaktadır.
Açıktan Daha Karmaşık : Oyun Stili
Algoritmamızın temelinde, doğası gereği karmaşık ve öznel olan bir şeyi karakterize edebilme amacı yatmaktadır: Oyun Tarzı. Profesyonel futbol menajerleri veya sıradan izleyiciler için oyuncuların oyun tarzları arasında bağlantı kurmak karmaşık olmayan ve son derece hızlı bir görev gibi görünmektedir: ‘… Bu sağ bek bana Manchester United’dan Bissaka’yı hatırlatıyor …’ Ne yazık ki bu, bilgisayar bilimcileri için futbolcuların büyük istatistik verilerini kullanarak böyle bir şey geliştirebilmek için iddialı bir meydan okumadır. Bu nedenle, ana çekirdek olarak en son teknoloji derin öğrenme motorunu kullanarak Comparisonator Benzerlik İndeksi Algoritmasını geliştirdik. Daha önce de belirtildiği gibi, oyun stili öznel bir kavramdır. Gözlemciden gözlemciye önemli ölçüde değişebilir. Karmaşık derin öğrenme yaklaşımlarımız, bu önyargıyı en aza indirmeyi sağlarken, aynı zamanda oyun tarzındaki çok açık olmayan gizli kalıpları ortaya çıkarmaya çalışır.
Derin Öğrenme Mimarimiz
Bu paragrafta, yaklaşımımızı, hangi veri türlerinin kullanıldığını, derin öğrenme otomatik kodlayıcımızın yapısını ve futbolcu benzerliğini niceleme yöntemini kısaca açıklayacağız. Ticari gizlilik nedeniyle, istatistiksel özelliklerin adlarını ve kullanılan derin öğrenme mimarisinin parametrelerini açıkça belirtmiyoruz.
Öncelikle, yeterli anlamlı istatistiksel veriye sahip olabilmek için bir oyuncunun hedeflenen süre boyunca (sezon veya yarım sezon) sahada en az 720 dakika oynamış olmasını bekliyoruz.
Algoritmamızın omurgası, uzamsal verileri kodlamak için konvolüsyonel/dekonvolüsyonel blokları da içeren uçtan uca derin bir varyasyonel otomatik kodlayıcıdır. Mimari, katmanların genişliği-derinliği, en uygun aktivasyon fonksiyonları, eğitim rejimi ve hiper-parametrelerin ayarlanması gibi özel seçimlerle titizlikle hazırlanmıştır.
Mimarinin yeniliğinin yanı sıra, özelliklerin seçimi ve mühendisliği için de benzer bir çaba harcanmıştır. En iyi mekansal ve mekansal olmayan özellikler kümesini ve bunların modelde uygun şekilde düzenlenmesini ve ön işlemden geçirilmesini belirledik.
Algoritmamızın son adımında da başka yenilikler mevcuttur: varyasyonel katmandan gömülmelerin istatistiksel olarak çıkarılması ve bu genel anlamsal bağlam değerlerinin uygun metodolojisi ile boyutluluğun verimli bir şekilde azaltılması. Son olarak, oyuncular arasındaki benzerlikler bu son indirgenmiş bilgi kümesine dayalı olarak ölçülür.
Algoritma, doğrudan basit performans ölçütlerini, lig rekabetçiliğini, yaşı, değeri vb. almak yerine, oyun tarzında benzer profillere sahip futbolcuları bir araya getirmek için en son yapay zeka tekniklerini kullanır. Bu nedenle, en iyi oyuncuları birinci sınıf akranlarıyla eşleştirmek veya gol, xG veya asist gibi basit temel istatistikleri kullanmak yerine; derin öğrenme algoritmamız bir futbolcu için oldukça karmaşık bir genel oyun içi profil öğrenir. Bu sayede gözlemciler, Messi gibi genel bir oyun içi profile sahip, düşük seviyeli liglerde mücadele eden genç ve uygun fiyatlı bir oyuncu gibi ilginç sorgular yapabilirler. Ya da bir takımın transfer, sakatlık veya düşük performans nedeniyle belirli bir oyuncuyu kaybetmesi durumunda; gözlemciler, onun yerine geçebilecek uygun stile sahip adayların bir listesini oluşturabilir
Derin Öğrenme Mimarimizin ve Benzerlik Ölçüm Tekniğimizin Ana Hatları
