چگونه باشگاه‌ها از هوش مصنوعی برای پیروزی استفاده می‌کنند

به گزارش هفت‌ورزشی، ارزشمندترین دستیار توماس توخل تشخیص داده که دفاع چپ فرانسه به مرز خستگی رسیده و در برابر پاس بلند مورب آسیب‌پذیر شده است. پیام به‌سرعت به بازیکنان می‌رسد و همان‌طور که پیش‌بینی شده بود، نتیجه می‌دهد. گل پیروزی انگلیس از سمت راست ساخته می‌شود و همین تغییر کوچک آن‌ها را تا آستانه بزرگ‌ترین افتخار دنیای فوتبال پیش می‌برد.

وقتی از سرمربی درباره تغییری که سرنوشت مسابقه را عوض کرد سؤال می‌شود، او از کمک‌کارش در سکوها تمجید می‌کند. نه یک مربی، که یک دوربین فوق‌پیشرفته. این دستگاه فقط بازی را لحظه‌به‌لحظه دنبال نمی‌کند، بلکه مدل هوش مصنوعی درون آن الگوهایی را شناسایی می‌کند که می‌توان از آن‌ها بهره برد.

عکس‌ها قدیمی و کمتر دیده شده تیم ملی ایران در مقدماتی المپیک 1980

دیلی‌میل اسپورت این هفته فاش کرد آرسنال چگونه از یادگیری ماشین برای برتری تاکتیکی در آماده‌سازی پیش از مسابقه استفاده می‌کند. هدف بعدی، تحلیل بازی در زمان واقعی است. شاید این روند تا جام جهانی بعدی به روتین تبدیل نشود، اما احتمال زیادی وجود دارد که پیش از تورنمنت ۲۰۳۰ جریان اصلی شود. در رویداد «Hudl Performance Insights» در ورزشگاه کروین کاتیج که هفته گذشته برگزار شد، متخصصانی از سراسر جهان گرد هم آمدند تا از آینده فوتبال بگویند. یکی از اصلی‌ترین محورهای بحث، تأثیر هوش مصنوعی بود. باشگاه‌های زیادی همین حالا از هوش مصنوعی برای تحلیل داده‌های فیزیکی و تهیه فهرست بازیکنان استفاده می‌کنند.

اما قرار است اوضاع یک گام جلوتر برود. اد سالی که ۱۹ سال سابقه در بولتون و منچسترسیتی دارد و حالا مدیر راه‌حل‌های مشتری در شرکت جهانی فناوری ورزشی Hudl است، توضیح می‌دهد: «امروز مدل‌های هوش مصنوعی ساخته می‌شوند که می‌توانند در چند ساعت تعداد بیشتری مسابقه را تحلیل کنند که در کل تاریخ فوتبال انجام شده است. بنابراین از منظر مربیگری، بلیت طلایی همان هوش زنده‌ای است که هوش مصنوعی ارائه می‌کند. یعنی ردگیری زنده همه داده‌ها و درک این موضوع که شما قصد دارید چه سبکی بازی کنید و چه تاکتیکی را به کار بگیرید. اگر بدانیم حریف با یک آرایش مشخص آمده تا اهداف ما را خنثی کند، می‌خواهیم این موضوع را زود تشخیص دهیم و چند پیشنهاد آماده هم داشته باشیم برای اینکه قدم بعدی چه باشد. این مرز بعدی است.»

او ادامه می‌دهد:

«در Hudl ما روی ایده ورزشگاه متصل سرمایه‌گذاری کرده‌ایم؛ دوربین‌ها، فناوری ردیابی، تکنولوژی پوشیدنی. همین حالا فناوری‌ای داریم که می‌تواند روندهایی مثل بازیکنانی که عریض می‌مانند یا کسانی که پاس خط‌شکن می‌دهند را شناسایی کند. گام بعدی فناوری‌ای است که پیشنهاد می‌دهد؛ مثلاً اگر فلان تغییر را اعمال کنیم چه می‌شود. یا تشخیص می‌دهد برخی بازیکنان در چهار کرنر آخر تمرکزشان افت کرده. بعد مربیان می‌توانند پیام را به‌سرعت به بازیکنان برسانند.»

هوش مصنوعی در جذب بازیکن هم نقش پررنگ‌تری پیدا می‌کند. متیو بنهام، مالک برنتفورد، و تونی بلوم، مالک برایتون، مدل‌های داده‌محوری ایجاد کردند که آن‌ها را به باشگاه‌های ثابت لیگ برتر تبدیل کرده است. با پیشرفت سامانه‌های هوش مصنوعی، این مدل‌ها پیچیده‌تر و کارآمدتر می‌شوند.

آرسنال از پیشگامان این مسیر بود. باشگاه در سال ۲۰۱۴ شرکت تحلیل داده StatDNA را خرید. نوریچ و بیرمنگام هم همین راه را رفتند. باشگاه‌های لیگ برتری از جمله چلسی در تلاش‌اند سیستم‌های اختصاصی خود را تکمیل کنند. آژانس‌های بزرگ هم بخش‌های داده و تحلیل مبتنی بر هوش مصنوعی ایجاد کرده‌اند. مجموعه «Raiola Global Management»، پشتیبان «Team Raiola» که مینو رایولا آن را بنیان گذاشت، مدلی ساخته که تشخیص می‌دهد کدام باشگاه برای کدام بازیکن مناسب‌تر است. در این مدل، تاتنهام برای میکی فان ده ون و لیورپول برای رایان خراونبرخ انتخاب شد.

مارک نروگنا، مدیرعامل رایولا، می‌گوید: «ساخت چنین مدلی حدود سه سال زمان برد. این مدل‌ها به تعیین ارزش واقعی بازیکنان هم کمک می‌کنند. ما مدل‌های رتبه‌بندی باشگاه‌ها و لیگ‌ها و همچنین ویژگی‌های تاکتیکی و فنی تیم‌ها و بازیکنان را ساخته‌ایم. بعد از آن نوبت تحلیل مربی و باشگاه به‌طور کلی است.»

در این مرحله برنامه‌ریزی بودجه حیاتی می‌شود. همان‌طور که برایتون و برنتفورد با استفاده هوشمندانه از داده‌ها از رقبا جلو افتادند، باشگاه‌های هم‌سطح آن‌ها ممکن است به‌جای خرید یک مهاجم نوک، سرمایه‌گذاری روی هوش مصنوعی پیشرفته را ترجیح دهند. لینکلن‌سیتی با یکی از کوچک‌ترین بودجه‌ها در لیگ یک، حالا به لطف کار دقیق خارج از زمین، از جمله استفاده از هوش مصنوعی، در جایگاه دوم قرار دارد.

مایکل اسکوبالا، سرمربی لینکلن، می‌گوید:

«در دو فصل گذشته روی نوع خاصی از پرتاب اوت بلند کار کرده‌ایم. تیم مربیگری و متخصصان علوم ورزشی درگیر بوده‌اند و ما از هوش مصنوعی برای تصمیم‌گیری استفاده کرده‌ایم. حالا می‌بینیم این روش در بالاترین سطح برگشته، اما ما آن را دو فصل پیش برگردانده بودیم.»

نقش استعدادیاب‌ها هم تغییر می‌کند. با گذشت زمان، ماشین‌ها چنان کارآمد می‌شوند که «چشم روی سکو» شاید دیگر نقشی نداشته باشد. اما هوش مصنوعی همه چیز را نمی‌بیند. نمی‌تواند شرایط خانوادگی بازیکن، گذشته او یا واکنشش در موقعیت‌های خاص را تحلیل کند. نمی‌تواند بفهمد آیا بازیکن اهل شب‌زنده‌داری است، تغذیه‌اش را جدی می‌گیرد یا در مدیریت پول بی‌دقت است.

وقتی از سالی پرسیده می‌شود آیا استعدادیاب‌ها تبدیل به چیزی شبیه «بازپرس خصوصی» می‌شوند، تا حدی تأیید می‌کند: «این نقش ممکن است از تماشای بازی به بررسی جزئیاتی تغییر کند که از طریق داده قابل اندازه‌گیری نیستند. استعدادیاب‌ها در فوتبال شبکه‌ای از ارتباطات دارند که به آن‌ها اجازه می‌دهد بررسی‌های پس‌زمینه‌ای انجام دهند که در زمان بررسی یک خرید احتمالی اهمیت دارد. ممکن است داده‌ها عالی باشند، اما بی‌فایده است اگر بازیکنی را بیاورید که می‌تواند یک‌شبه محیط تیم را به‌هم بزند.»

با سرعت حیرت‌انگیز پیشرفت فناوری، کسانی که امروز سوار این قطار نشوند، خطر جا ماندن خواهند داشت. در کنار هیجان، برخی هم هشدار می‌دهند. کریس مارکام، که چهار سال مدیر تحلیل مسابقه در فدراسیون فوتبال انگلیس بود، به تغییر رویکرد این کشور در ضربات پنالتی کمک کرد و پس از پیروزی انگلیس بر کلمبیا در جام جهانی ۲۰۱۸ از سوی گرت ساوت‌گیت تقدیر شد. دوره او در FA میان دو دوره کاری در هادرسفیلد و بولتون قرار داشت.

مارکام می‌گوید: «امیدوارم سرعت پردازش در مدل‌های هوش مصنوعی کمک کند گفت‌وگوهای بهتری داشته باشیم و در نهایت تصمیمات بهتری بگیریم. اما تصور اینکه هوش مصنوعی بدون ریسک است، خیالی بیش نیست. مدل‌ها فقط به‌اندازه داده‌هایی خوب‌اند که به آن‌ها داده می‌شود. حدود ۲۰ سال پیش داده‌ها تأثیر بزرگی پیدا کردند و مجبور شدیم با آن هماهنگ شویم. امروز هم همین وضعیت درباره هوش مصنوعی وجود دارد. با این حال، همه چیز همچنان درباره بازیکنان در زمین و مربیان کنار زمین است. همان‌هایی که نقش اصلی را دارند و گاهی قانع کردنشان نسبت به فناوری‌های جدید سخت‌ترین بخش کار است. به همین دلیل مهم است که همه ما تا جای ممکن آگاه باشیم.»