Αγγλία-Γερμανία: Ποιος ο ρόλος της τεχνητής νοημοσύνης στο σημερινό παιχνίδι;
Ο αριθμός των σημείων δεδομένων που παράγονται από έναν μόνο αγώνα έχει πολλαπλασιαστεί από τρεις ή τέσσερις χιλιάδες σε έως και τέσσερα εκατομμύρια τα τελευταία χρόνια.
To νοκ-άουτ παιχνίδι της Αγγλίας με τη Γερμανία για τη φάση των «16» στο Euro 2020 θα μπορούσε να διευθετηθεί με…spreadsheets. Ενώ οι παίκτες εξασκούνται στα πέναλτι και δουλεύουν στο πρέσινγκ, στο παρασκήνιο οι επιστήμονες δεδομένων και από τις δύο ομάδες προετοιμάζονται για τον αγώνα εδώ και μήνες, δημιουργώντας φακέλους αντιπάλων, αξιολογώντας τα επίπεδα φυσικής κατάστασης και «κοσκινίζοντας» τον τεράστιο όγκο δεδομένων που είναι πλέον διαθέσιμος στο κορυφαίο επίπεδο του αθλήματος.
Βασικές πληροφορίες σχετικά με γεγονότα αγώνων, όπως πάσες και σουτ, είναι διαθέσιμες για περισσότερες από δύο δεκαετίες, αλλά τα τελευταία πέντε χρόνια η τεχνολογία έχει καταστήσει φθηνότερη και ευκολότερη την παρακολούθηση της κίνησης ενός παίκτη κατά τη διάρκεια ενός αγώνα, χρησιμοποιώντας εξελιγμένους αλγόριθμους επεξεργασίας βίντεο, όπως συμβαίνει και κατά την προπόνηση, μέσω της χρήσης φορητών τεχνολογιών.
Ο αριθμός των σημείων δεδομένων που παράγονται από έναν μόνο αγώνα έχει πολλαπλασιαστεί από τρεις ή τέσσερις χιλιάδες σε έως και τέσσερα εκατομμύρια τα τελευταία χρόνια, καθώς έχει καταστεί δυνατό να εντοπίζεται η θέση και των 22 παικτών αρκετές φορές το δευτερόλεπτο. Προσθέστε τις πληροφορίες που συλλέγονται κατά την προπόνηση και τα δεδομένα σχετικά με τη διατροφή, την ενυδάτωση, τον φόρτο εργασίας και ούτω καθεξής, και υπάρχει μια «χιονοστιβάδα» υλικού και πληροφορίας.
«Ένα πράγμα που έλειπε ιστορικά από τις ομάδες είναι η ικανότητα ανάλυσης και κατανόησης αυτών των δεδομένων» σημειώνει στο Athletic ο Omar Chaudhuri, από την εταιρεία αθλητικών πληροφοριών Twenty First Group.
Η Γερμανική Ομοσπονδία Ποδοσφαίρου (DFB) χρησιμοποιεί δεδομένα για να προσπαθήσει να εκτιμήσει, για παράδειγμα, αν είναι καλύτερο για έναν νεαρό παίκτη να παραμείνει για μεγαλύτερο χρονικό διάστημα σε έναν μικρότερο σύλλογο ή να μετακινηθεί στην ακαδημία μιας από τις μεγάλες ομάδες της Bundesliga. Από το 2004 διεξάγει τακτικά τεστ δεξιοτήτων με τους νεαρούς παίκτες της και πλέον διαθέτει μια βάση δεδομένων με περισσότερους από 175.000 παίκτες, έχοντας τη δυνατότητα να συγκρίνει την απόδοση ενός πιθανού μελλοντικού αστέρα με τους σημερινούς παίκτες της ελίτ για να δει πώς ήταν στην ίδια ηλικία.
«Έχουμε δεδομένα για κάθε τρέξιμο, πάσα, σπριντ, επιτάχυνση» λέει ο Pascal Bauer, επιστήμονας δεδομένων της DFB. Όταν πρόκειται για την προετοιμασία των αγώνων, τα δεδομένα χρησιμοποιούνται κυρίως για να επιταχύνουν το έργο των αναλυτών βίντεο. Αντί να χρειάζεται να ξεφυλλίσουν χειροκίνητα εκατοντάδες ώρες υλικού από αγώνες για να βρουν βασικά αποσπάσματα για το πώς αντιδρά ένας αντίπαλος σε καταστάσεις δύο εναντίον ενός, για παράδειγμα, τα εργαλεία μηχανικής μάθησης και ανάλυσης δεδομένων μπορούν να χρησιμοποιηθούν για να επισημάνουν αυτόματα τέτοια περιστατικά στους αναλυτές. Αυτά τα εργαλεία βρίσκονται ακόμη σε νηπιακό στάδιο στο ποδόσφαιρο, με την εταιρία DeepMind να συνεργάζεται με τη Λίβερπουλ για την περαιτέρω ανάπτυξη εργαλείων τεχνητής νοημοσύνης για το ποδόσφαιρο. «Αυτή τη στιγμή, πρόκειται σε μεγάλο βαθμό για τη διευκόλυνση της ζωής των αναλυτών βίντεο – το 95% αυτού που κάνουμε είναι αυτοματοποίηση διαδικασιών» σημειώνει ο Bauer.
Την Τετάρτη 22 Ιουνίου, πριν από τον τελευταίο αγώνα της Γερμανίας στον όμιλο με την Ουγγαρία, η ομάδα δεδομένων της DFB ετοίμασε προκαταρκτικές εκθέσεις και για τους πέντε πιθανούς αντιπάλους της ομάδας στον επόμενο γύρο. Μόλις ακουγόταν το τελικό σφύριγμα και ήταν σαφές ότι θα έπαιζαν με την Αγγλία, μια έκθεση στάλθηκε στους προπονητές, ώστε να ξεκινήσουν την προετοιμασία τους. Τα δεδομένα βοήθησαν τους αναλυτές βίντεο να κάνουν τη δουλειά τους πιο γρήγορα στο σύντομο χρονικό διάστημα μεταξύ των αγώνων.
Τα δεδομένα των αγώνων συνδυάζονται επίσης με δεδομένα προπόνησης, ώστε να παρέχονται εκτιμήσεις για την κόπωση ενός παίκτη και για το αν πλησιάζει την «κόκκινη γραμμή», όπου διατρέχει μεγαλύτερο κίνδυνο τραυματισμού. Αυτό ήταν ιδιαίτερα σημαντικό ειδικά αυτή τη σεζόν λόγω του γεμάτου ποδοσφαιρικού προγράμματος που επέβαλε η πανδημία. Η Γερμανία είχε ορισμένους παίκτες από την Τσέλσι που έπαιξαν στον τελικό του Champions League και έφτασαν μια εβδομάδα αργότερα από την υπόλοιπη ομάδα, καθώς και παίκτες από την Μπάγερν Μονάχου που είχαν δύο εβδομάδες ρεπό, οπότε έπρεπε να εξισορροπηθούν πολλοί διαφορετικοί παράγοντες για το επίπεδο ετοιμότητας των παικτών.
Κατά την προετοιμασία ενός τουρνουά, τα δεδομένα μπορούν επίσης να βοηθήσουν στην επιλογή της ομάδας. Για παράδειγμα, λέει ο Chaudhuri, η Twenty First Group έχει συνεργαστεί με εθνικές ομάδες για να τις βοηθήσει να συγκρίνουν τις επιδόσεις παικτών που παίζουν σε διαφορετικά πρωταθλήματα, αξιολογώντας για παράδειγμα πώς δέκα γκολ στην αγγλική Premier League συγκρίνονται με δέκα γκολ στη Bundesliga.
Μετά τα παιχνίδια, υπάρχει αμφίδρομη συνεργασία μεταξύ αναλυτών και προπονητών, προσθέτει ο Bauer. Οι επιστήμονες δεδομένων μπορεί να εντοπίσουν κάτι ασυνήθιστο στους όγκους πληροφοριών που παράγονται μετά από έναν αγώνα και να το επισημάνουν στους προπονητές. Αλλά, πιο συχνά, τα δεδομένα χρησιμοποιούνται για να προσθέσουν ένα επίπεδο αντικειμενικότητας σε ένα προαίσθημα ή μια αίσθηση που μπορεί να είχε το προπονητικό επιτελείο μετά από ένα παιχνίδι.
Η DFB χρησιμοποιεί μια σειρά από διαφορετικές μετρήσεις για να αξιολογήσει την απόδοση της ομάδας μετά από ένα παιχνίδι, πέρα από τα γνωστά στατιστικά στοιχεία. Υπάρχουν επίσης κάποιες εξειδικευμένες μετρήσεις που έχει αναπτύξει η γερμανική ομοσπονδία και συνδέονται με την αγωνιστική φιλοσοφία που θέλουν να χρησιμοποιούν οι παίκτες της και πως αυτό συνδέεται με την προσωπικότητά τους, για παράδειγμα.
Η αγγλική ομοσπονδία από την πλευρά της αρνήθηκε να δώσει πληροφορίες στο σχετικό ρεπορτάζ, αλλά βρίσκεται επίσης εν μέσω της δικής της επανάστασης στη χρήση της τεχνητής νοημοσύνης για το ποδόσφαιρο. Χρησιμοποιεί GPS trackers για να μετράει πόσο μακριά και γρήγορα τρέχουν οι παίκτες κατά τη διάρκεια της προπόνησης και παρακολουθεί την απόδοσή τους στο γυμναστήριο και τον τρόπο που κοιμούνται.
Τα δεδομένα έχουν ήδη αποδώσει αποτελέσματα στον αγωνιστικό χώρο. Στην πορεία προς το Παγκόσμιο Κύπελλο του 2018, για παράδειγμα, η Αγγλία έκανε σημαντική ανάλυση στα πέναλτι – στα οποία παρουσιάζει σημαντική αδυναμία στα μεγάλα τουρνουά – εξετάζοντας παραμέτρους όπως το πόσο καιρό περίμεναν οι παίκτες μεταξύ του σφυρίγματος του διαιτητή και του χτυπήματος της μπάλας. Αυτό συνέβαλε στη νίκη της Αγγλίας στα πέναλτι εναντίον της Κολομβίας, μόλις τη δεύτερη που πέτυχε ποτέ σε μεγάλο τουρνουά.
Τον τελευταίο λόγο όμως τον έχουν οι προπονητές. Η πρόκληση για τους αναλυτές δεδομένων είναι να παρέχουν πληροφορίες για τους προπονητές χωρίς να δίνουν τόσες πολλές που να «πνίγονται» σε αυτές. Μιλώντας το 2019 για αυτό το θέμα ο προπονητής της Αγγλίας Gareth Southgate το συνόψισε καλά. «Κατακλυζόμαστε από δεδομένα και η πρόκλησή μας είναι να βρούμε πραγματικά τι είναι περισσότερο χρήσιμο για εμάς» είπε. «Στο ποδόσφαιρο έχουμε χαμηλό σκορ, όχι όπως στο μπάσκετ για παράδειγμα, και πολλά τυχαία γεγονότα. Τα δεδομένα σε βοηθούν να διαβάσεις πάρα πολλά πράγματα, αλλά υπάρχουν κάποια σταθερά πράγματα που ξέρουμε ότι πρέπει να κάνουμε για να είμαστε σε θέση να κερδίσουμε».
