Trí tuệ nhân tạo trong thể thao hiện diện ở mọi nơi trên thế giới, từ phân tích sau trận đấu đến hành động trong trò chơi cho đến trải nghiệm của người hâm mộ. Nếu bạn đã xem phim Bóng tiềnbạn phải hiểu rõ cách thức hoạt động của tính năng tối ưu hóa hiệu suất dựa trên dữ liệu trong thể thao và thay đổi các trò chơi mà chúng ta vô cùng yêu thích mãi mãi.
Xung đột chiến thuật dựa trên dữ liệu
Các huấn luyện viên đã sử dụng khoa học dữ liệu trong thể thao để nâng cao thành tích của các cầu thủ trong hai thập kỷ qua. Họ đã sử dụng dữ liệu lớn để đưa ra những đánh giá trong tích tắc trên sân và họ đã dựa vào phân tích thể thao để giúp họ khám phá điều quan trọng tiếp theo vì lợi ích của trò chơi và đội của họ hoặc sự phát triển của một cầu thủ cụ thể.
Các trọng tài cũng đã áp dụng Công nghệ hỗ trợ video (VAR) trong bóng đá để hỗ trợ họ đưa ra những phán đoán chính xác hơn về những tình huống quan trọng nhất, chẳng hạn như quả phạt đền, quả đá phạt và thẻ đỏ. Mặt khác, công nghệ đường dây điều tra hình ảnh để quyết định xem bóng có vượt qua vạch vôi hay không để quyết định bàn thắng hay việt vị. Như bạn thấy, AI ngày càng đưa ra nhiều quyết định hơn tại các sân bóng đá.
Những điều trên chỉ là một vài ví dụ về cách AI thay đổi những trò chơi mà chúng ta yêu thích. Trải nghiệm thể thao sẽ còn thay đổi nhiều hơn nữa khi Deep Learning đã tham gia.
Trí tuệ nhân tạo trong thể thao
Phân tích dữ liệu và trí tuệ nhân tạo có thể dự đoán chính xác mọi thứ có thể định lượng được. Thế giới thể thao đầy rẫy những thành phần có thể đo lường được, khiến nó trở thành nơi thử nghiệm tuyệt vời cho trí tuệ nhân tạo. Những năm gần đây, ứng dụng trí tuệ nhân tạo trong thể thao ngày càng trở nên phổ biến. Với ảnh hưởng tốt mà họ có được nhờ khả năng ngày càng được cải thiện, họ sẽ tiếp tục mở rộng sang thế giới thể thao. Mặt khác, trí tuệ nhân tạo đã đóng một vai trò quan trọng trong các lĩnh vực thể thao sau:
Phân tích hiệu suất
Các nhà phân tích và huấn luyện viên phải kiểm tra nhiều điểm dữ liệu để đánh giá hiệu suất. Điều này cho phép họ biết người chơi xuất sắc ở đâu và thiếu sót ở đâu. Các số liệu được sử dụng để đánh giá sự đóng góp của họ khác nhau tùy thuộc vào vị trí của từng cầu thủ trong đội. Ví dụ, trong bóng đá, các chỉ số hiệu suất chính của các cầu thủ tấn công hướng tới mục tiêu khác với các chỉ số hiệu suất chính của các tiền vệ hoặc hậu vệ sáng tạo. Mặc dù không phải tất cả các yếu tố hiệu suất đều có thể định lượng được nhưng phần lớn trò chơi của người chơi có thể định lượng và đo lường được.
Đặc điểm tính cách của cầu thủ có thể được xác định bằng cách áp dụng trí tuệ nhân tạo để so sánh các yếu tố định tính và các biến số, sau đó đo lường kết quả để dự đoán giá trị định tính tương ứng của cầu thủ. Trí tuệ nhân tạo trong thể thao cũng được sử dụng để tìm ra các mẫu trong kế hoạch, điểm mạnh và sai sót của đối thủ trước trận đấu. Điều này giúp các huấn luyện viên tạo ra các gamelans có tính tập trung cao độ dựa trên nghiên cứu của họ về đối thủ và nâng cao cơ hội chiến thắng.
Sức khỏe, thể chất và sự an toàn
AI đã trở thành công cụ mới nhất trong bộ dụng cụ y tế của các đội. Người chơi thường xuyên phải trải qua các cuộc kiểm tra thể chất sử dụng AI để phân tích nhiều biến số sức khỏe và chuyển động của người chơi để đánh giá thể lực của họ và thậm chí phát hiện sớm các dấu hiệu mệt mỏi hoặc chấn thương do căng thẳng. Hành động ngay lập tức có thể hỗ trợ nhân viên y tế của các đội thể thao trong việc giữ cho vận động viên của họ khỏe mạnh và an toàn khỏi bị tổn hại bằng cách xử lý kịp thời những vấn đề này.
Công nghệ thiết bị đeo ngày càng phổ biến trong các tổ chức thể thao hàng đầu để theo dõi chuyển động và đặc điểm thể chất của vận động viên trong quá trình luyện tập cũng như theo dõi sức khỏe tổng thể của đội. Trí tuệ nhân tạo trong thể thao liên tục giám sát luồng dữ liệu được thu thập bởi các thiết bị đeo này để phát hiện các tín hiệu cảnh báo có thể cho thấy người chơi đang phát triển các bệnh về cơ xương hoặc tim mạch. Các câu lạc bộ thể thao bảo quản những tài sản quan trọng nhất của họ ở trạng thái tốt nhất trong những mùa giải dài.
Tìm kiếm nhân tài
Có sự ăn ý trong tất cả các đội, không chỉ trong thể thao mà trong tất cả các loại đội, và các yếu tố sẽ quyết định liệu tài năng mới gia nhập đội có phải là người phù hợp hay không là loại vượt xa khả năng dữ liệu lớn của con người. tâm trí. May mắn thay, nhiều chi tiết khiến trò chơi mà chúng ta yêu thích trở nên độc đáo và tuyệt vời đã được đưa ra ánh sáng nhờ dữ liệu lớn và chúng ta không có quyền hiểu chúng; đó là trí tuệ nhân tạo.
Trí tuệ nhân tạo trong thể thao sử dụng dữ liệu lịch sử để dự đoán tiềm năng tương lai của người chơi trước khi đầu tư. Nó cũng được sử dụng để tính toán giá trị thị trường để người chơi đưa ra những lời đề nghị phù hợp đồng thời thu hút được tài năng mới. Bằng cách này, các câu lạc bộ sẽ dễ dàng tìm thấy những tài năng phù hợp cho đội của mình và loại bỏ những tổn thất tiềm tàng từ những vụ chuyển nhượng không phù hợp, những giả định mù quáng và định giá sai lầm.
Trọng tài và báo chí
Trọng tài là một trong những trường hợp đầu tiên của Trí tuệ nhân tạo trong thể thao. Công nghệ mắt diều hâu đã được sử dụng trong môn cricket để xác định xem người đánh bóng có bị loại hay không dựa trên hoàn cảnh LBW. Công nghệ đã cải thiện tính công bằng và tuân thủ luật pháp của đua xe. NASCAR đã sử dụng giám sát video để xác định các hành vi vi phạm quy tắc, như đã từng làm trong các môn thể thao khác.
NLP và AI được thiết lập để cách mạng hóa việc báo cáo tin tức. Báo chí tự động sắp xuất hiện và nó đã bị ảnh hưởng từ báo chí thể thao từ lâu. NLP và AI trong việc đưa tin sẽ có tác động rất lớn đến cách đưa tin tức. Trí tuệ nhân tạo trong thể thao sử dụng dữ liệu để tạo ra văn bản dễ đọc về các sự kiện thể thao.
3 các loại dữ liệu thể thao chính
Trí tuệ nhân tạo hoạt động với dữ liệu từ nhiều nguồn khác nhau để đưa ra dự đoán về các môn thể thao khác nhau, bao gồm nhưng không giới hạn ở bóng đá, bóng rổ, bóng chày, bóng chuyền, quần vợt, bơi lội, võ thuật, v.v. Điểm số hộp, dữ liệu sự kiện và dữ liệu theo dõi là ba dữ liệu thể thao phổ biến nhất. Thông tin về không gian và thời gian của trò chơi càng chi tiết thì nhà phân tích càng có thể đào sâu hơn.
Thống kê điểm số hộp
Thống kê tỷ số cấp cao (tỷ số trận đấu giữa hiệp, tỷ số trận đấu cả trận, cầu thủ ghi bàn, thời gian ghi bàn, thẻ vàng, v.v.) có thể tóm tắt toàn bộ trận đấu chỉ trong vài giây để cho biết trận đấu đó diễn ra như thế nào. Mặt khác, số liệu thống kê tỷ số cơ bản có thể cho bạn biết ai thắng trận, đội nào dẫn trước trước, thời điểm các bàn thắng được ghi và khoảng cách giữa họ. Số liệu thống kê về điểm số cung cấp một bức tranh đẹp về một trận đấu và một số mức độ hồi phục của trận đấu.
Điểm số ở ô cũng cung cấp mức độ thông tin chi tiết hơn. Ví dụ: họ có thể chứng minh đội nào thực hiện nhiều cú sút hơn và chất lượng của những cú sút đó bằng cách hiển thị số lần thực hiện và số bàn thắng ghi được. Họ cũng có thể chia nhỏ sự phân bổ quyền sở hữu giữa các đội, đội nào có nhiều quả phạt góc hơn, phạm lỗi nhiều hơn, cứu thua nhiều hơn, v.v. Họ có thể ghi lại diễn biến trận đấu, đội nào chiếm ưu thế hoặc trận đấu đó diễn ra như thế nào trong vài giây.
Dữ liệu từng lần chơi
Dữ liệu từng lần chơi (còn được gọi là dữ liệu sự kiện) chi tiết hơn thống kê điểm số hộp vì nó bao gồm bối cảnh xung quanh bổ sung về các lần xuất hiện quan trọng trong trò chơi. Ví dụ: các nhận xét từng trận về một trận đấu có thể cung cấp mô tả bằng văn bản về từng phút của trận đấu. Tương tự, dữ liệu không gian trò chơi (tức là vị trí không gian của người chơi) có thể được sử dụng để tạo ra các biểu diễn trực quan về một số sự kiện quan trọng nhất trong một trận đấu, chẳng hạn như cách ghi một bàn thắng cụ thể. Nó không giống như xem video, nhưng đó là một cái nhìn số hóa ngắn gọn về cách chơi trong thế giới thực có thể được xây dựng lại trong vài giây.
Theo dõi dữ liệu
Mức dữ liệu chi tiết nhất hiện đang được thu thập trong thể thao là dữ liệu theo dõi. Nó cho phép chiếu tất cả các cầu thủ và quả bóng lên sơ đồ sân để tái tạo trận đấu tốt nhất từ cảnh video thô—việc có hình ảnh kỹ thuật số của tất cả các cầu thủ trên toàn bộ sân cho phép các nhà phân tích thực hiện tìm kiếm chính xác hơn là chỉ xem nguồn cấp dữ liệu video điều đó chỉ thể hiện một phần của sân.
Dữ liệu thể thao đến từ đâu?
Cách tiếp cận phổ biến nhất để thu thập dữ liệu thể thao là thông qua phân tích video. Video thô của trận đấu làm cơ sở cho việc phân tích video, bao gồm việc xem thủ công hoặc tự động ghi lại (tức là thị giác máy tính) các sự kiện có liên quan từ trận đấu để tạo số liệu thống kê. Ngày nay, cả ba loại dữ liệu thể thao (tỷ số hộp, dữ liệu sự kiện và dữ liệu theo dõi người chơi) về cơ bản đều dựa trên video. Tuy nhiên, các công nghệ mới đã được triển khai trong nhiều môn thể thao khác nhau để thu thập dữ liệu nổi bật trong những năm gần đây.
NFL hiện đang sử dụng thiết bị theo dõi Nhận dạng Tần số Vô tuyến (RFID) được tích hợp trên miếng đệm vai của người chơi để theo dõi vị trí x và y của từng người chơi trên sân. Trong chơi gôn, radar và công nghệ cảm biến khác đã theo dõi đường đi của quả bóng và đưa ra những hình ảnh trực quan ngoạn mục.
Thiết bị GPS được sử dụng trong bóng đá cũng như các môn thể thao đồng đội khác để theo dõi chuyển động của cầu thủ và các dữ liệu khác như nhịp tim và cường độ nỗ lực. Những thiết bị đeo này có lợi ích là chúng có thể được sử dụng trong cả các trận đấu tập luyện và thi đấu. Trong thế giới phân tích thể thao, dữ liệu thị trường thường đề cập đến dữ liệu cá cược. Đó là một cách tiếp cận gián tiếp để tái tạo lại câu chuyện của trận đấu, tận dụng lợi thế của các cá nhân đưa ra dự đoán của họ.
Làm thế nào để thu thập dữ liệu thể thao sâu hơn?
Mục tiêu chính của việc thu thập dữ liệu thể thao là tái tạo câu chuyện về trận đấu một cách chính xác nhất có thể, sử dụng tầm nhìn của con người hoặc máy ảnh dựa trên cảnh quay thô. Sau đó, video được xử lý để tạo ra định dạng số hóa có thể đọc và hiểu được, cho phép chúng tôi phát triển những hiểu biết sâu sắc có thể áp dụng được.
Việc tái cấu trúc hiệu suất bằng dữ liệu thường bắt đầu bằng việc chia trò chơi thành các phần dễ hiểu, chẳng hạn như mục tiêu. Chúng tôi cố gắng tìm hiểu điều gì đã xảy ra trong từng phân đoạn của trò chơi này, nó diễn ra như thế nào và nó được thực hiện tốt như thế nào đối với từng phần.
Công việc của các nhà phân tích video hiện được sử dụng để số hóa dữ liệu thể thao từng trận từ đoạn phim video. Con người ghi lại (hoặc sống trong cơ sở thể thao) các sự kiện trong trò chơi bằng ghi chú của họ. Hệ thống thu thập dữ liệu theo từng lần chơi cung cấp bản tường thuật về các hoạt động cuối sở hữu, mô tả những gì đã xảy ra trong một lần chơi hoặc sở hữu cụ thể.
Tuy nhiên, hệ thống ký hiệu của con người không cung cấp thông tin tốt nhất để tái tạo lại câu chuyện khi cần hiểu vở kịch đó phát triển như thế nào hoặc nó được trình diễn tốt như thế nào. Con người phải đối mặt với những hạn chế về nhận thức và chủ quan khi ghi lại mức độ dữ liệu rất tốt bằng tay, chẳng hạn như xác định ngày chính xác cho mỗi lần xuất hiện hoặc đưa ra đánh giá khách quan về mức độ hiệu quả của một vở kịch.
Leeds United của Marcelo Bielsa chuẩn bị thế nào cho trận đấu sắp tới?
Chúng ta càng có thể phân tích tốt hơn dựa trên dữ liệu thì dữ liệu càng chi tiết hơn. Nhu cầu chi tiết hơn trong việc theo dõi dữ liệu mang lại cho chúng tôi mức độ chi tiết cần thiết để thực hiện các phân tích phức tạp. Chiến lược, tìm kiếm và mô phỏng là những hoạt động phức tạp mà dữ liệu vượt trội và số liệu cải tiến có thể thực hiện tốt hơn đáng kể so với con người.
Marcelo Bielsa từng giải thích cách tiếp cận phân tích của mình tại Leeds United. Nhóm phân tích của ông theo dõi tất cả 51 trận đấu từ mùa giải hiện tại và trước đó của đối thủ sắp tới, mỗi trận đều lấy 4 giờ để học. Họ tìm kiếm những thông tin nhất định về đội hình xuất phát, hệ thống chiến thuật và đội hình cũng như các quyết định chiến lược mà họ đưa ra trong nghiên cứu này. Tuy nhiên, có thể cho rằng phương pháp này tốn thời gian, chủ quan và thường xuyên sai sót. Đây là lúc công nghệ có thể xuất hiện và tiết kiệm thời gian bằng cách tự động hóa quá trình phân tích hơn là việc một nhóm Nhà phân tích hiệu suất dành 200 giờ để phân tích đối thủ tiếp theo.
Mục đích là chuyển phân tích chiến lược thể thao từ cách tiếp cận định tính sang cách tiếp cận định lượng hơn. Có những mẫu ẩn trong dữ liệu. Tất cả các điểm dữ liệu được theo dõi bởi dữ liệu giám sát đều hữu ích cho việc phân tích chiến thuật và đội hình của các đội trong một trận bóng đá. Analytics không thể cho bạn biết bất cứ điều gì về những chủ đề này nếu không xử lý thêm dữ liệu. Điều này là do dữ liệu theo dõi bị nhiễu do các cầu thủ thay đổi vị trí trên sân. Tuy nhiên, dữ liệu theo dõi có thể giúp bạn nhận ra tâm lý và cấu trúc tiềm ẩn của một đội hoặc người chơi, từ đó cho phép nó lộ diện.
AI dự đoán kết quả trận đấu
Trí tuệ nhân tạo trong thể thao có thể hỗ trợ dự đoán trận đấu theo nhiều cách khác nhau. Một là thông qua thông tin có nguồn gốc từ cộng đồng, đôi khi được sử dụng ngầm. Khách hàng có thể đặt cược vào kết quả của các sự kiện khác nhau bằng cách sử dụng thị trường dự đoán, chẳng hạn như trao đổi cá cược. Đó là cách tiếp cận dựa trên nguồn lực từ cộng đồng và nếu thị trường có đủ người tham gia để đại diện cho toàn bộ kiến thức chung của thị trường, với lượng thông tin đa dạng và quyền tự do quyết định theo cách phân tán, thì đó là công cụ dự báo đáng tin cậy nhất hiện có. Điều này không thể giải thích được vì chúng tôi không biết tại sao mọi người lại đưa ra quyết định cá cược của mình. Nếu có đủ số lượng cá nhân tham gia vào các thị trường này thì tất cả thông tin có thể tưởng tượng được để dự đoán đều có sẵn. Không thể vượt trội hơn độ chính xác của thị trường nếu đúng như vậy.
Một cách tiếp cận khác là sử dụng một phương pháp dựa trên dữ liệu rõ ràng chỉ dựa vào các trận đấu lịch sử và phương pháp học máy để dự đoán kết quả trận đấu. Kỹ thuật này yêu cầu dữ liệu sâu và chính xác để hoạt động và nó chỉ có thể ghi lại hiệu suất được biểu thị bằng các điểm dữ liệu được thu thập. Ưu điểm của việc sử dụng chiến lược dựa trên dữ liệu là nó có thể linh hoạt và dễ hiểu. Nó cũng chỉ cần nguồn cấp dữ liệu về các sự kiện để có thể mở rộng quy mô. Tuy nhiên, vì không phải tất cả dữ liệu đều có thể được đưa vào tập dữ liệu được sử dụng (ví dụ: dữ liệu thương tích), nên phân tích có thể có những lỗ hổng ảnh hưởng đến các dự đoán được đưa ra.
Một số tổ chức cá cược nổi bật nhất sử dụng kỹ thuật kết hợp giữa dữ liệu có nguồn gốc từ đám đông và phương pháp dựa trên dữ liệu để cân bằng hành động của cả hai bên đặt cược trong khi đảm bảo rằng mức độ rủi ro của họ có thể quản lý được. Họ bắt đầu với cách tiếp cận dựa trên dữ liệu và bản năng con người, sau đó lặp lại dựa trên khối lượng và các dòng sách thể thao khác.
Công nghệ đằng sau các giải pháp dựa trên AI và dữ liệu theo dõi có thể được sử dụng để hỗ trợ các thị trường dự đoán này, đặc biệt là ở những thị trường không có đủ mức độ bao phủ về kiến thức của đám đông. Việc tính toán xác suất thắng là một cách tiếp cận để làm như vậy. Xác suất chiến thắng là một kỹ thuật phân tích được sử dụng thường xuyên trên hầu hết các môn thể thao nhằm mục đích truyền thông. Hạn chế hiện tại về xác suất thắng được xác định bởi khả năng một đội trung bình sẽ thành công trong một tình huống trận đấu nhất định. Tuy nhiên, việc dựa vào mức trung bình có thể bỏ qua thông tin ngữ cảnh quan trọng về điểm mạnh của các đội hoặc cầu thủ cụ thể. Kỹ thuật hiệu quả nhất để giải quyết vấn đề này là sử dụng các mô hình chuyên biệt bao gồm người chơi, đội và đội hình của trò chơi được đề cập.
Sơ lược về lịch sử phân tích thể thao dựa trên AI
Cho đến nay, phần lớn phân tích thể thao đều dựa trên điểm số hộp và dữ liệu sự kiện. Một ví dụ là Bảng điểm dự án của Bill James, nhằm mục đích tạo ra một mạng lưới người hâm mộ bóng chày để thu thập và phân phối thông tin. Năm 2007, Houston Rockets đã bổ sung thêm việc sử dụng phân tích thống kê phức tạp của Daryl Morey để cải thiện trò chơi của họ.
Tuy nhiên, giờ đây dữ liệu theo dõi đã bắt đầu thiết lập một hướng đi mới cho phân tích thể thao. Trong thập kỷ qua, một kỷ nguyên mới của phân tích thể thao đã xuất hiện, tận dụng thông tin điểm số và sự kiện truyền thống bằng cách bổ sung thêm dữ liệu theo dõi toàn diện hơn. Trí tuệ nhân tạo trong thể thao giờ đây có thể phân tích dữ liệu theo dõi để thu thập dữ liệu sâu hơn, thực hiện phân tích và dự báo sâu hơn.
