من خلال العمل مع بيانات تتبع اللاعبين من 7176 ركلة ركنية تم التقاطها في الدوري الإنجليزي الممتاز خلال عامي 2020 و2021، بدأ الباحثون بتمثيل ترتيب اللاعبين كرسم بياني، مع تشفير موقع اللاعبين وحركتهم وطولهم ووزنهم كعقد على الرسم البياني. والعلاقات بين اللاعبين كالخطوط بينهما. ثم استخدموا نهجًا يسمى التعلم الهندسي العميق، والذي يستفيد من تماثل ملعب كرة القدم لتقليص كمية المعالجة التي تحتاجها الشبكة العصبية للقيام بها. (هذه ليست استراتيجية جديدة، فقد تم استخدام نهج مماثل في أبحاث AlphaGo المؤثرة التي أجرتها شركة DeepMind).
أدى النموذج الناتج إلى إنشاء عدد من الأدوات التي يمكن أن تكون مفيدة لمدربي كرة القدم. واستنادًا إلى ترتيب اللاعبين في لحظة تنفيذ الركلة، يمكن لـ TacticAI التنبؤ باللاعب الذي من المرجح أن يقوم بالاتصال الأول بالكرة، وما إذا كان سيتم تنفيذ التسديدة نتيجة لذلك. ويمكنه بعد ذلك إنشاء توصيات لأفضل الطرق لضبط موضع اللاعب وحركته لزيادة فرصة تسديد الكرة إلى الحد الأقصى (بالنسبة للفريق المهاجم) أو تقليلها (بالنسبة للفريق المدافع) – مع تحريك المدافع لتغطية القائم القريب. على سبيل المثال، أو وضع رجل على حافة المنطقة.
يقول فيليكوفيتش إن خبراء كرة القدم في ليفربول أعجبوا بشكل خاص كيف يمكن لتوصيات TacticAI تحديد المهاجمين الذين لعبوا دورًا حاسمًا في نجاح تكتيك معين، أو المدافعين الذين كانوا “نائمين على عجلة القيادة”. يقضي المحللون ساعات في فحص لقطات الفيديو بحثًا عن نقاط الضعف في الإعدادات الدفاعية لخصومهم التي يمكنهم استهدافها، أو يحاولون العثور على ثغرات في أداء فريقهم لمضاعفة التدريبات. يقول فيليكوفيتش: “لكن من الصعب حقًا تتبع 22 شخصًا، عبر العديد من المواقف المختلفة”. “إذا كان لديك أداة مثل هذه، فستساعدك على الفور في معرفة اللاعبين الذين لا يتحركون بالطريقة الصحيحة، وأي اللاعبين يجب أن يفعلوا شيئًا مختلفًا.”
يمكن أيضًا استخدام TacticAI للعثور على زوايا أخرى تتميز بنمط مماثل من اللاعبين والحركة، مما يوفر مرة أخرى ساعات من الوقت للمحللين. وفقًا لـ DeepMind، تم تصنيف الاقتراحات المقدمة من النموذج على أنها مفيدة من قبل مدربي ليفربول بمعدل ضعف التقنيات الحالية، والتي تعتمد فقط على الإحداثيات البدنية للاعبين ولا تأخذ في الاعتبار حركتهم أو سماتهم البدنية. (قد تبدو الركنتان متماثلتين، ولكن إذا كان المهاجم الطويل على حافة منطقة الجزاء في إحدى الركنتين ويركض نحو القائم القريب في الأخرى، فمن المحتمل أن يكون هذا مهمًا.)
أحد الأشياء التي تفعلها أيضًا، وفقًا لـ Zhe Wang من DeepMind، وهو مساهم رئيسي آخر في الورقة، هو التعويض عن عدم وجود لغة مناسبة لوصف مجموعة كبيرة من الأشياء المختلفة التي يمكن أن تحدث في الزاوية. على عكس كرة القدم الأمريكية، التي لديها تسميات عميقة ومتعددة الطوابق لمختلف المسرحيات ومسارات الجري، فإن تصميم الرقصات الثابتة لكرة القدم بمثل هذه التفاصيل يعد ظاهرة جديدة نسبيًا. يقول وانغ: “قد يكون للمدربين المختلفين تعبيراتهم الخاصة عن أنماط الركلات الركنية التي يلاحظونها”. “لذلك، مع TacticAI، نأمل في استخدام قوة التعلم العميق لإنشاء لغة مشتركة لوصف أنماط الركلات الركنية.”
في المستقبل، وفقًا للورقة البحثية، يأمل الباحثون في بناء TacticAI في واجهة لغة طبيعية حتى يتمكن المدربون من الاستعلام عنها في النص والحصول على إجابات للمشكلات التي يحاولون حلها في الميدان. يقول فيليكوفيتش أنه يمكن استخدام النموذج أثناء المباراة لمساعدة المدربين على تحسين إجراءات الركنيات الخاصة بهم بسرعة، ولكن من المرجح أن يكون مفيدًا في الأيام التي تسبق المباراة، حيث سيوفر وقت المدربين. يقول فيليكوفيتش: “لا نريد بناء أنظمة ذكاء اصطناعي تحل محل الخبراء”. “نريد أن نبني أنظمة ذكاء اصطناعي تعمل على تضخيم قدرات الخبراء حتى يتمكنوا بعد ذلك من القيام بعملهم بكفاءة أكبر والحصول على مزيد من الوقت للجزء الإبداعي من التدريب.”
