Análisis de búsqueda
¿Cómo encontramos jugadas similares en el deporte? ¿Cómo buscamos a través de la historia de un deporte para encontrar situaciones similares a la que nos interesa comparar? Una forma es usar la semántica deportiva y buscar usando palabras clave como una jugada de "tiro de 3pt" en baloncesto, una jugada de "pick and pop" o una jugada "en la parte superior de la línea de 3pt". Sin embargo, si queremos saber dónde se encontraban todos los jugadores en una jugada, su velocidad o su aceleración, así como todos los eventos que condujeron a ese punto, necesitaríamos usar demasiadas palabras para describir esa jugada en particular con mucha precisión. En otras palabras, buscar en la historia de un deporte una jugada similar usando solo palabras clave no captura la ubicación y los movimientos de los jugadores y la pelota y no proporciona una clasificación de cuán similares son las jugadas encontradas a la jugada original con la que queremos compararlas.
Una solución a este problema es utilizar datos de seguimiento como lo hace
El seguimiento de datos es una representación de baja dimensión de lo que vemos en el video. Por lo tanto, en lugar de usar palabras clave para encontrar una jugada similar, podríamos usar una instantánea de una jugada utilizando datos de seguimiento como entrada en una consulta de búsqueda visual. Los usuarios podrían interactuar con una consulta de búsqueda visual donde describen el tipo de juego que desean buscar y la herramienta de consulta generaría un conjunto de jugadas similares clasificadas por el grado de similitud con la obra que se consulta.
Consulta de búsqueda visual de jugadas similares (Fuente: Patrick Lucey en Stats Perform)
Este tipo de herramienta de búsqueda visual basada en datos de seguimiento puede ofrecer la posibilidad de dibujar la jugada a buscar. También puede ofrecer la posibilidad de mover a los jugadores por la cancha y usar las métricas esperadas para mostrar la probabilidad de que un jugador anote desde varias posiciones. Incluso puede mostrar los cambios en la probabilidad de anotar en función de la posición de los jugadores defensivos en relación con el jugador con el balón.
Simulación de juego
La tecnología en los deportes está entrando al margen. El tipo de tecnología que los entrenadores necesitan para evaluar jugadas durante un juego y simular diferentes resultados debe ser altamente interactivo. Una forma en que Stats Perform ha utilizado los datos de seguimiento para mejorar las simulaciones de juego es a través del ghosting. La idea del ghosting es mostrar los movimientos de juego promedio al mismo tiempo que el juego en vivo representado con puntos en un diagrama del campo. Por ejemplo, los datos de seguimiento pueden mostrar el equipo local en un color (azul) y el equipo visitante en otro color (rojo), pero también puede agregar un tercer equipo defensivo en un color diferente (blanco) que representa cómo el equipo promedio de la liga defendería esa misma situación. (Zcode System Review)
Otra forma en que Stats Perform está trabajando con los entrenadores al margen para proporcionar simulaciones de juego más interactivas es a través de bocetos de juego interactivos en tiempo real. Un entrenador puede dibujar una jugada que quiere que sus jugadores realicen en su portapapeles y lo que los datos de seguimiento y la tecnología pueden hacer es hacer portapapeles inteligentes que puedan simular cómo se desarrollaría esa jugada dibujada por el entrenador.
Realizar pronósticos deportivos más profundos
Cuantos más datos granulares estén disponibles, mejor podremos predecir el rendimiento deportivo. Algunas de las aplicaciones de los datos de seguimiento en el pronóstico incluyen el reclutamiento de jugadores (es decir, qué jugadores comprar, intercambiar, reclutar u ofrecer contratos más largos) y las predicciones de partidos (es decir, predecir con precisión el resultado final, el puntaje y las estadísticas de un partido tanto antes de que se lleve a cabo el partido como en juego).
Reclutamiento de jugadores
En la NBA, Zcode Predictor la liga tiene un buen nivel de cobertura para el seguimiento de datos. Pero, ¿qué sucede cuando un equipo quiere reclutar a alguien de la universidad? Es posible que los datos de seguimiento no existan en las ligas universitarias, lo que obliga a los equipos a usar una versión muy simplificada de los informes para pronosticar cómo jugará ese jugador una vez que sea reclutado en el equipo.
Esto resalta el problema del seguimiento de la cobertura de datos. Las Grandes Ligas tienen ese nivel de datos de seguimiento detallados, pero la mayoría de las ligas inferiores y las competiciones académicas no lo hacen. Además, los partidos históricos de las principales ligas y deportes anteriores a la era de los datos de seguimiento no habrán tenido los sistemas y equipos en su lugar en ese momento para producir datos de seguimiento altamente detallados. Aquí es donde la generación de datos de seguimiento a través de secuencias de video transmitidas puede llenar ese vacío.
El seguimiento de Zcode los datos utilizando imágenes de transmisión es el método definitivo para producir datos de reclutamiento detallados. Los analistas pueden retroceder en el tiempo y producir datos de todos los jugadores previamente no rastreados simplemente usando las imágenes disponibles de juegos anteriores. Stats Perform logra esto a través de AutoStats. AutoStats es un sistema de captura de datos que puede identificar dónde se encuentran los jugadores aunque la cámara esté en constante movimiento aplicando una calibración continua de la cámara. Detecta la postura corporal de los jugadores y puede volver a identificar a un jugador una vez que ese jugador vuelve a la vista después de haber abandonado el marco. Además, AutoStats utiliza el reconocimiento óptico de caracteres para recopilar el juego y el reloj de disparo en cada fotograma, así como el reconocimiento de acciones para rastrear la duración de los eventos del jugador a nivel de cuadro.
Una vez que se han generado los datos de seguimiento de ligas inferiores o juegos universitarios, se puede aplicar el pronóstico basado en IA para descubrir qué otros jugadores profesionales es el jugador explorado de interés más similar. Estas soluciones pueden incluso proyectar el rendimiento futuro de la carrera de un jugador joven. Puede utilizar modelos de predicción a partir de datos históricos de ex novatos y sus eventuales éxitos para pronosticar el rendimiento futuro de los prospectos actuales.
Dada la cobertura limitada de los datos de seguimiento en las ligas inferiores y juveniles, otro método para superar esa limitación es utilizar los datos de eventos ya recopilados para maximizar el valor de la cobertura en los datos de eventos en comparación con los datos de seguimiento. El aprendizaje automático puede definir los atributos específicos de dos jugadores para luego compararlos entre sí. Estos atributos pueden ser atributos espaciales, como dónde reciben normalmente el balón, atributos contextuales, como el estilo de juego de su equipo (es decir, frecuencia de contraataques, presión alta, cruces, jugadas directas, jugadas de acumulación, etc.) y atributos de calidad, como métricas esperadas para capturar el valor y el talento de cada jugador. Este método puede proporcionar una comparación clara de dos jugadores diferentes en relación con el contexto en el que juegan. Por ejemplo, con qué frecuencia está involucrado un jugador en relación con el estilo de juego de una situación particular.
Tomando todos estos datos y los atributos derivados de los datos de eventos, puede ejecutar modelos no supervisados, como la agrupación de modelos de mezcla gaussiana, para descubrir agrupaciones de jugadores en función de sus similitudes y, a continuación, crear una serie de agrupaciones de jugadores únicas que dividan grupos de jugadores. Estos grupos pueden mostrar información sobre los roles que desempeñan los diferentes grupos de jugadores en sus equipos, ya sean "motores de zona", "creadores de juego", "tomadores de riesgos", "facilitadores", "conductores", "portadores de pelota" o cualquier otro grupo que pueda surgir de la aplicación de métodos no supervisados. De esta manera, si un equipo quiere encontrar un jugador similar a un jugador exitoso específico (es decir, jugadores similares a Messi), pero con algunos atributos que son ligeramente diferentes (es decir, edad, liga, etc.), pueden especificar ese criterio de búsqueda y encontrar jugadores que se ajusten al perfil que buscan.
Predicciones de partidos
Hay un par de formas en que la IA puede ayudar en las predicciones de partidos. Uno de ellos es implícitamente a través de datos de fuentes múltiples. Los mercados de predicción, como el intercambio de apuestas, facilitan un mercado para que los clientes apuesten por el resultado de eventos discretos. Es un método de crowdsourcing, y si hay suficientes participantes para representar toda la sabiduría colectiva del mercado, con suficiente diversidad de información e independencia de decisiones de manera descentralizada, es el mejor predictor que puede obtener. Es un mercado implícito, ya que no sabemos la razón por la cual las personas han hecho sus elecciones de apuestas, por lo tanto, no es interpretable. Si suficientes personas están participando en estos mercados, entonces toda la información posible para hacer una predicción está presente en ese mercado. Si ese es el caso, no es posible superar la precisión de esa predicción del mercado.
Otro método es utilizar un enfoque explícito basado en datos utilizando solo datos de coincidencias históricas junto con técnicas de aprendizaje automático para predecir las probabilidades de los resultados de las coincidencias. Este método se basa en la precisión y profundidad de los datos disponibles y solo puede capturar el rendimiento presente dentro de los puntos de datos recopilados. La ventaja de utilizar un enfoque basado en datos es que puede ser interactivo e interpretable. Además, solo necesita la alimentación de datos de eventos, lo que lo hace escalable. Sin embargo, dado que no todos los datos pueden capturarse en el conjunto de datos utilizado (es decir, datos sobre lesiones), puede haber lagunas en el análisis que puedan afectar a las predicciones realizadas.
Las casas de apuestas normalmente utilizan un enfoque híbrido de datos de fuentes múltiples junto con métodos basados en datos para equilibrar la acción en ambos lados de la apuesta y también para administrar su nivel de riesgo. Inicializan el mercado con un enfoque basado en datos e intuición humana y luego iteran en función del volumen, otras líneas de apuestas deportivas y cualquier incentivo único que quieran ofrecer a sus propios clientes.
Las soluciones basadas en IA y los datos de seguimiento se pueden utilizar para respaldar estos mercados de predicción, particularmente en aquellos mercados con cobertura insuficiente para lograr la sabiduría de la multitud. Una forma de hacerlo es a través del cálculo de la probabilidad de ganar. La probabilidad de ganar se utiliza ampliamente en casi todos los deportes con fines mediáticos. La limitación actual de la probabilidad de ganar es que se basa en la probabilidad de que un equipo promedio gane dada una situación de partido particular. Sin embargo, simplemente usar un promedio puede perder información contextual sobre las fortalezas específicas de equipos o jugadores particulares involucrados. La forma de superar eso es utilizar modelos específicos que incorporen a los jugadores, equipos y alineaciones del partido en cuestión.
Stats Perform utiliza modelos que aprenden representaciones compactas con características como el oponente específico, los jugadores involucrados y otras características en bruto que describen la alineación para mejorar el rendimiento de la predicción en función de los jugadores involucrados en el juego. Esto les permite crear accesorios específicos para los jugadores que pueden predecir las estadísticas individuales de los jugadores (es decir, los puntos esperados anotados en el balonces
to) para cada jugador en la alineación e ilustrar el rendimiento futuro del juego de ese jugador antes de que comience el juego.
