Reklama

Sztuczna inteligencja i transfery. Jak AI zmienia rynek piłkarskich zakupów?

Szymon Janczyk

Autor:Szymon Janczyk

30 kwietnia 2023, 08:44 • 24 min czytania 16 komentarzy

Jedni rapują, że będą jak brat, jeżeli dobrze oceni ich algorytm. Inni bez pozytywnej cenzurki wynikającej z analizy danych nadal graliby w drugiej Bundeslidze, zamiast podbijać Premier League. Sztuczna inteligencja przedarła się do świadomości ludzi i działa w wielu dziedzinach. Od dawna ma także wpływ na rynek piłkarskich transferów. W jakim stopniu AI oddziałuje na kluby i jak mocno polegają one na niej przy podejmowaniu decyzji? Oto historia tego, jak liczby zmieniły świat piłki nożnej.

Sztuczna inteligencja i transfery. Jak AI zmienia rynek piłkarskich zakupów?

Żeby zrozumieć to, jak bardzo sztuczna inteligencja wsiąknęła w piłkarską rzeczywistość, musimy zdefiniować, czym w ogóle AI w futbolowym świecie jest. Nie mówimy bowiem o absolutnej rewolucji, o tym, że komputery same z siebie wymyślają ruchy transferowe i organizują na nowo rynek. Technologia przede wszystkim znacząco przyspieszyła oraz usprawniła proces zbierania i katalogowania danych.

Zbieranie danych jest napędzane sztuczną inteligencją. Tworzone są modele, które opisują umiejętności zawodników dokładniej i docelowo mają doprowadzić do tego, że jesteśmy w stanie określić wartość zawodnika. Wciąż jesteśmy na wczesnym etapie rozwoju analityki piłkarskiej, ale w samym procesie analizy czy skautingu funkcjonują rzeczy powiązane z AI — mówi nam Paweł Kapuściński, data scientist firmy „Zelus Analytics”, a wcześniej szef działu analityczno-naukowego Rakowa Częstochowa.

Dane pozycyjne generowane są przy użyciu Computer Vision. Kolejnym krokiem, który się pojawia, jest wykrywanie akcji w czasie meczu. Podajesz komputerowi nagranie meczu, on próbuje przewidzieć, kiedy było podanie i co nim było. Próbuje zebrać informacje o zdarzeniach. AI już rozpycha się w tym obszarze, co będzie pomocne w kontekście końcowego etapu, czyli wspomagania transferów i analizy meczowej — dodaje Kuba Michalczyk, data scientist pracujący dla “Sportec Solutions AG”.

Wszystkie mniejsze lub większe nowinki statystyczne, które wyrastają jak grzyby po deszczu, są wspierane przez AI. Bez komputerowych modeli nie bylibyśmy w stanie zbierać i przetwarzać danych z niemal każdego zakątka świata w szybki i dokładny sposób.

Reklama

A skoro można już wiedzieć tak wiele o ligach, na które wcześniej nie zwracano uwagi, łatwo wywnioskować, że rynek transferów zmienił się dzięki temu nie do poznania.

Sztuczna inteligencja i transfery. Jak AI wpływa na piłkę nożną?

“Prozone” właśnie zbił fortunę. Steve McLaren przeszedł z Derby County do Manchesteru United, dołączając do sztabu Sir Aleksa Fergusona. Anglik był znany jako „gość od komputerów”. W swoim poprzednim klubie spopularyzował “Prozone”, firmę, która dzięki kamerom na stadionach zbierała informacje o tym, co w zasadzie piłkarze robią na boisku. McLaren namówił Fergusona i wprowadził innowację do Manchesteru. Firma podpisała umowę, która zakładała 50 tysięcy funtów premii w przypadku zdobycia przez „Czerwone Diabły” trofeum w pierwszym sezonie współpracy.

United sięgnęli po tryplet.

Był rok 1999, więc dziś na to, co robiło „Prozone” patrzymy z uśmiechem na ustach. Proces przetwarzania wideo na użytek zespołu zaczynał się od kuriera, który zawoził taśmy do siedziby firmy. Kończył się zaś w kontenerze z fotelami do masażu, na których zawodnicy relaksowali się, oglądając gotowy materiał. Sukces Manchesteru sprawił, że firma nawiązała współpracę z wieloma innymi klubami. Z czasem na rynku pojawiało się coraz więcej podobnych przedsiębiorstw, które oferowały jeszcze bardziej rozwinięte opcje analizy spotkań i zawodników. Na prawdziwy boom przyszło nam jednak chwilę poczekać.

W 2012 roku „Opta” opracowała pierwszy model xG, który przykuł uwagę szerszej publiczności. Wtedy zaczęto stosować analitykę do próby oceny występu zawodnika. Równolegle powstawały modele opierające się na danych pozycyjnych, jednak te nie były jeszcze wykorzystywane. Kojarzę prace naukowe na ten temat z lat 2012-2014, ale nie wiem, czy ktokolwiek korzystał z tego w klubach — opowiada nam Michalczyk.

Reklama

Miniona dekada dla AI w futbolu była okresem tak dynamicznym, że nie sposób streścić wszystkich dokonań, pomysłów i odkryć, które obserwowaliśmy. Dobrym podsumowaniem było jednak to, co oglądaliśmy podczas Mistrzostw Świata 2022. Pakiet darmowych, zaawansowanych statystyk, które FIFA oferowała dziennikarzom i kibicom, pozwalał spojrzeć na postawę poszczególnych zawodników tak drobiazgowo, że wiedzieliśmy:

  • czy piłkarz X pokazywał się do piłki; prosił o podania
  • które drużyny najczęściej „łamały” linię rywala
  • kto najczęściej przyjmował piłkę pomiędzy liniami

Twarzą tych świeżynek był Arsene Wenger. Gość, który na początku XXI wieku należał do wielkich zwolenników „Prozone”. Człowiek, który na własnej skórze przekonał się, jak wielką rolę odgrywają dane w procesie transferowym. W Arsenalu uświadomił mu to Hendrik Almstadt, który analitycznie objaśnił błędy, jakimi były transfery Marouane Chamakha oraz Park Chu-younga.

„Nie wiem czy odpowiednik Marka Papszuna z przyszłości będzie słuchał AI”

Dane z StatDNA z dużym wyprzedzeniem zasygnalizowały, że obie transakcje mogą nie wypalić. Chamakh miał w Bordeaux niski wskaźnik goli oczekiwanych, ponieważ oddawał strzały z pozycji, z których bardzo trudno trafić. Ocena sugerowała, że napastnik ma poważne braki techniczne, co z kolei sprawiło, że nie wnosił wiele do gry drużyny. Statystyki Parka podawały natomiast w wątpliwość, czy jest on w ogóle zdolny do występów na oczekiwanym poziomie. Po obejrzeniu prezentacji Wenger przyznał, że gdyby miał dostęp do tych danych, nie podpisałby umowy z żadnym z nich — pisał Christoph Biermann, przedstawiając historię Almstadta w „Piłkarskich hakerach”.

Wiele lat później Arsenal nadal jednak miewał wzmocnienia, które ze statystycznego punktu widzenia były totalnie od czapy. “Smarterscout”, firma, która nie współpracowała z klubem, posługując się własnymi modelami, przestrzegła „Kanonierów” przed przepłacaniem za transfer Nicolasa Pepe. Londyńczycy nie posłuchali i wtopili. Nie wiadomo, czy kierowali się radą analityków z tej samej grupy, kiedy zrezygnowali ze sprowadzenia Dusana Vlahovicia. “Smarterscout” odradzał bowiem także ten ruch.

Wiemy jednak, że transfery inspirowane przez geeków są dziś normą na europejskich salonach.

Skauting tradycyjny czy nowoczesny? Sztuczna inteligencja kontra ludzkie oko

John Willis, regionalny skaut Manchesteru United, rozmawia z reporterem programu „Kick Off!”. Przekonuje, że talenty identyfikuje za pomocą oczu, a nie zbioru cyferek. Uważa, że bez jego obecności na trybunach rozpoznanie prawdziwej perełki nie jest możliwe. Autorzy filmu zadają kluczowe ich zdaniem pytanie:

“Human eye or AI?”

Dziennikarze zastanawiają się nad przyszłością transferów. Bohaterem materiału jest firma „Abacus”, która próbuje odgadnąć, który zawodnik najlepiej odnalazłby się w Manchesterze City. Opcje są trzy: Erling Haaland, Harry Kane oraz Kylian Mbappe. Rzecz dzieje się przed transferem Norwega do The Citizens, co ma kluczowe znaczenie w sprawie. Za “Abacus” odpowiadają częściowo te same osoby, które wprowadzały na rynek “Prozone”. Potencjalne wzmocnienie oceniane jest na różne sposoby. Model porównuje statystyki i styl gry zawodnika z tym, jak gra City. Sprawdza także, dość chałupniczą metodą, ale jednak, czy piłkarz odnajdzie się w danej drużynie pod względem mentalnym; życiowym.

Taktycznie Haaland wypada najlepiej. Kane miałby problem z dopasowaniem się do struktury ataku i wysokiego pressingu. Erling pasuje do stylu gry City i w fazie posiadania piłki, i w fazie gry bez piłki (kontrpressingu). Miałby problemy „chemiczne”, ale piłkarsko i finansowo jest najlepszym wyborem — dowodzą analitycy.

W jaki sposób kluby Premier League korzystają ze sztucznej inteligencji?

Rzekome problemy z adaptacją miały wynikać m.in. z tego, że Norweg wcześniej nie grał z zawodnikami drużyny Pepa Guardioli. To dość wątła podstawa do podważania tego, czy piłkarz zaadaptuje się w drużynie, niemniej koniec końców Haaland faktycznie się sprawdził. Jeden z komentarzy pod filmem wychwala więc firmę „Abacus” – w końcu poprawnie przewidzieli rozwój wydarzeń. Zauważmy jednak, że mówimy o piłkarzu z tak wysokiej półki, że prawdopodobieństwo, że Erling okaże się totalnym flopem, było w tym przypadku znikome.

Z punktu widzenia takiej firmy fajnie jest się zareklamować na przykładzie takiego zawodnika. Pytanie, czy one faktycznie stanowią o sile danego algorytmu? Te firmy zarekomendowały pewnie setki innych zawodników, o których nie słychać. Jeżeli zawodnik jest obiektywnie dobry, to będzie on dobry w każdym klubie. Trudno przypisywać tu zasługi sztucznej inteligencji. Takowych szukałbym raczej w przypadku nieoczywistych przykładów w stylu znalezienia zawodnika pasującego do Manchesteru City w Ekstraklasie — tłumaczy nam Mateusz Dłużniewski z polskiej firmy „ReSpo.Vision”, która dostarcza dane m.in. PSG.

Nasz rozmówca zaznacza jednak, że i tak warto wesprzeć się konkretnymi liczbami w procesie decyzyjnym. Przypomina także słynny case Memphisa Depaya. Kiedy Holender odchodził z Manchesteru United, szukał klubu, w którym mógłby odbudować karierę. Jego agencja postanowiła nawiązać współpracę z „SciSports”, firmą analityczną, która przygotowała kompleksowy raport na temat tego, który zespół najlepiej wykorzystałby potencjał skrzydłowego. Depay długo rozmawiał z analitykami i w końcu dał się przekonać do wyboru Olympique Lyon. We Francji rozegrał 178 spotkań, w których zanotował łącznie 131 bramek i asyst.

Oczywiście można skontrować, że Memphis też jest na tyle dobrym piłkarzem, że w lidze francuskiej wymiatałby w każdej drużynie. Koniec końców jednak topowe kluby, które przebierają w „gotowych produktach”, w dodatku z najwyższej półki, i tak decydują się na porównania i analizy, szukając minimalnych przewag, bo na poziomie, na którym się znajdują, to właśnie szczegóły i detale decydują o końcowym sukcesie. Zresztą: wolta liczbowa w całej City Football Group zaczęła się od pokazania działaczom, jak liczbowa analiza wyścigu F1 w czasie rzeczywistym wpływa na jego przebieg podczas GP Abu Zabi.

Wysłannicy z Manchesteru zachwycili się możliwościami ludzi nadzorujących wyścig sprzed ekranów w padoku. Formuła 1 napakowana jest takimi technikaliami, bo to sport, w którym liczą się ułamki sekund. W piłce nożnej nie wszyscy reagują na zaawansowane dane tak samo pozytywnie. “Piłkarscy Hakerzy” przytaczają historię działaczy Juventusu, którzy po serii spotkań z ludźmi wprowadzającymi modele oparte na AI do najlepszych klubów globu, stwierdzili, że nie potrzebują takiego wsparcia.

Operujemy na tak wąskiej grupie zawodników, że nie widzimy w tym korzyści — stwierdzili przedstawiciele drużyny z Turynu.

Czy aby na pewno? “Stara Dama” ostatnio spadła z tronu także dlatego, że przestała trafiać z transferami. “Smarterscout”, który odradzał Arsenalowi zakup Vlahovicia, lekko podśmiewał się ostatnio z Juve, które wyłożyło na Serba ogromne pieniądze. Ich zdaniem zdecydowanie zbyt duże w porównaniu z tym, co o napastniku Fiorentiny mówiły liczby. Dążenie do sukcesów w największych ligach świata bez udziału zaawansowanych danych jest dziś w zasadzie niemożliwe.

Kluby mocno rozbudowują działy data science, chcą nabywać te kompetencje. Widzą, że posiadanie umiejętności interpretowania danych i budowania modeli, to jest przyszłość. Liverpool czy Manchester City mają bardzo mocne działy, których research może przebije siędo mainstreamu za pięć, siedem lat. Kluby Bundesligi chcą mieć przewagę konkurencyjną w tym, że mają swoje specyficzne obszary, które analizują. Szukają zawodników pod danym kątem, dlatego same budują kompetencje wewnątrz klubu — wyjaśnia nam Dłużniewski.

Przykłady można mnożyć. FC Barcelona lata temu miała topowy dział analityczny, natomiast nie korzystała z niego w procesie transferowym, więc pudłowała nad wyraz często, jednocześnie potrafiąc opracować i sprzedać własne narzędzia GPS, czy pomóc Leo Messiemu poradzić sobie z upływem czasu i nieuniknioną utratą dynamiki. Katalończycy stwierdzili po prostu, że liczb użyją gdzie indziej. Borussia Dortmund była innego zdania. Wybierając skrzydłowego, zasugerowała się narzędziem określającym stabilność formy młodych piłkarzy, dlatego zwróciła uwagę na Ousmane’a Dembele i zarobiła na nim ponad 100 milionów euro.

Jarosław Królewski: „Moim marzeniem jest być przy stoliku, który zmienia świat”

Sztandarowymi przykładami używania AI w skautingu są Liverpool i Brentford. Liverpool ma większy budżet, ale w pewnym momencie stworzył dział, w którym zatrudniono co najmniej pięciu doktorów fizyki i matematyki. Jeden z nich opowiadał, że ich zdanie bardzo mocno brano pod uwagę w procesie decyzyjnym. Podobnie w Brentford, gdzie właściciel, który wywodzi się ze świata bukmacherskiego, ma firmę, która dostarcza raporty bukmacherom, miał pomysł, żeby wykorzystać analitykę w klubach — tłumaczy Kuba Michalczyk.

Nie jest jednak tajemnicą, że korzystanie z zaawansowanych wydatnie pomaga przede wszystkim tym, którzy muszą szukać okazji, przewag i potencjalnych złotych strzałów, mając ograniczony budżet. Bez AI nie byłoby sukcesów Brentford czy Midtjylland, ale i kilku projektów, które nie zyskały jeszcze aż tak dużej uwagi szerszej publiczności.

Sztuczna inteligencja i transfery. Kto szuka przewagi dzięki AI?

Zawodnicy z Ligue 1 byli w 2018 roku średnio o 17 procent drożsi niż prezentujący podobny poziom piłkarze z innych lig — dowodzi firma konsultingowa „21st Group”, która chwali się stosowaniem technologii, które definiują przyszłość. “21st Group” współpracuje z Urawa Red Diamonds, klubami z Belgii czy Holandii. Ich analiza sprawiła, że Swansea sięgnęła po trenera Steve’a Coopera, który dwukrotnie walczył z klubem o awans w barażach o grę w Premier League. “21st Group” pomaga też znaleźć transferowe okazje, z których korzysta coraz więcej średniaków.

Najświeższym przykładem jest Toulouse FC. Od kiedy w klub zainwestowali Amerykanie, francuska drużyna ma wsparcie dużej grupy analitycznej. W Tuluzie odwrócono wręcz proces skautingowy: w wielu klubach liczby potwierdzają obserwacje skautów, jednak tutaj to liczby determinują, czy w ogóle warto przyglądać się danemu piłkarzowi. Nie oznacza to nieomylności przy transferach, jednak faktem jest, że kadrę na awans i utrzymanie w Ligue 1 zbudowano w arcyciekawy sposób. Kilku podstawowych piłkarzy drużyny w tym sezonie to:

  • Stijn Spiering — kupiony z ligi bułgarskiej za 0,5 mln euro
  • Branco van den Boomen — kupiony z 2. ligi holenderskiej za 0,35 mln euro
  • Thijs Dallinga — kupiony z 2. ligi holenderskiej za 2,5 mln euro
  • Mikkel Desler — kupiony z ligi norweskiej za 0,5 mln euro

Podobnie zachowywał się beniaminek z innej, znacznie bogatszej ligi. W 2017 roku Brighton zapłaciło 3 mln euro za piłkarza ze spadkowicza z Bundesligi. Pascal Gross, bo o nim mowa, w pierwszym sezonie w Premier League zanotował łącznie 15 bramek i asyst. Niemiec, który większość kariery spędził na drugim poziomie rozgrywek w Niemczech, opowiadał, że klub przedstawił mu obszerny raport prezentujący jego słabe i mocne strony. Był zachwycony, że klub wie o nim wszystko i przekonany, że będzie w stanie wejść na wyższy level.

Kto jeszcze „idzie w liczby”?

90% klubów MLS ma dział analityczny, który wspomaga transfery i rozczytanie gry przeciwnika. Tam w analitykę się wierzy, być może z pobudek historycznych, bo przecież analityka sportowa ma korzenie w baseballu i koszykówce — mówi Michalczyk. Mateusz Dłużniewski do wyliczanki dorzuca z kolei Club Brugge.

Belgowie w lipcu 2021 roku zatrudnili w klubie Jana van Haarena, byłego pracownika wspomnianego wcześniej “SciSports”. Brugia dysponuje ogromnym budżetem i nie szczędzi na transfery, jednak wciąż szuka nieoczywistych opcji. Takich, jak Ferran Jutgla, napastnik, który poza epizodami w pierwszym zespole FC Barcelony, miał doświadczenie jedynie z niższych lig w Hiszpanii. 23-latek zdążył już wypracować 23 gole i asysty dla nowej drużyny.

À propos MLS — w Stanach Zjednoczonych pensje zawodników są jawne i publicznie dostępne, co jest rajem dla wszystkich analityków. Dzięki temu można bowiem dokładnie obliczyć, czy piłkarz X jest wart pieniędzy, które zarabia. Cały proces w jednym z tekstów tłumaczył nam Filip Dutkowski z firmy “SportSolver”.

O kwotach transferowych musimy myśleć nie jak o tym, że klub przychodzi i kupuje zawodnika jak samochód. To wynagrodzenie dla klubu oddającego za utracone korzyści z tytułu gry danego piłkarza. Jedynym otwartym źródłem zaawansowanych statystyk wpływu zawodnika na grę zespołu jest goals added dla ligi amerykańskiej. To jest bardzo sensownie liczone: na podstawie danych z każdej akcji mierzy się, w jaki sposób dany gracz zmienia prawdopodobieństwo zdobycia lub stracenia gola.

Takiej otwartości próżno szukać w Europie, ale mimo to coraz więcej lig i klubów otwiera się na pracę z danymi, podkreślając, jak inwestycja w pozyskiwanie takich informacji usprawniła proces transferowy. Wszystko dlatego, że ludzkie oko jest zawodne, a i sami skauci są podatni na wiele czynników, które wpływają na ocenę piłkarza. “Piłkarscy hakerzy” dowodzą, że cenzurki dla zawodników mogą być różne w zależności od pogody czy nawet otoczki meczu. Nie dlatego, że skaut nie zna się na rzeczy. Dlatego, że ludzki mózg skonstruowany jest tak, a nie inaczej. Jeśli oglądasz ciekawe spotkanie w pięknej pogodzie, na zapełnionym stadionie, jesteś w lepszym nastroju i chętniej pochwalisz dane zachowania niż gdy przybędziesz na stadion niewyspany, zmoknięty i znudzony.

Jeszcze ciekawszy artykuł o ułomności skautingu „ludzkiego” wypuścił jakiś czas temu „The Athletic”. Portal opisywał małe badanie, jakie przeprowadzono w Holandii.

Tom Bergkamp zebrał stu skautów i trenerów powiązanych z Holenderskim Związkiem Piłki Nożnej i tamtejszymi klubami. Poproszono ich o ocenienie występów i potencjału losowego piłkarza z puli 25 zawodników w kontekście znalezienia młodego obrońcy do ligowego średniaka. Część grupy oceniała piłkarza w siedmiostopniowej skali, pozostali używali ocen opisowych. Wyniki wskazały, że ci drudzy rzadko zgadzali się co do wyceny umiejętności danego zawodnika. Ci pierwsi zaś… nie zgadzali się jeszcze bardziej — czytamy.

Autor tekstu przytaczał przykład klubu baseballowego, który dokładnie przyjrzał się temu, jaką wartość ma dla niego opinia skautów. Kiedy okazało się, że podnosi ona jakość analiz statystycznych jedynie o dwa punkty procentowe, ze skautów całkowicie zrezygnowano (choć po latach do skautingu tradycyjnego wrócono). Bergkamp zastanawia się natomiast, jak wyciągać obiektywne wnioski z ocen wystawianych piłkarzom, skoro nawet zawodowcy mają aż tak rozbieżne opinie.

Ciekawe jest jednak to, że na koniec badacz nie sugeruje zastąpienia ludzi komputerami i zupełnego odpuszczenia skautingu w procesie transferowym. Wypada więc spytać: skoro jest tak źle, to dlaczego jest tak dobrze?

Niedoskonałości AI. Czego o piłkarzu nie powie sztuczna inteligencja?

Występ da się obiektywnie ocenić pod kątem taktycznym czy fizycznym za pomocą danych pozyskiwanych dzięki sztucznej inteligencji. Natomiast kwestie charakterologiczne… Szczerze wątpię, że w bliższej przyszłości będzie się dało ocenić je przy pomocy AI. Dałoby się to zrobić, gdyby miało się dostęp do setek godzin rozmów danej osoby z kolegami, ale to jest niewykonalne. W tej kwestii będzie to mocno oparte na czynniku ludzkim — tłumaczy nam Mateusz Dłużniewski.

Słowem: nie wszystko da się opisać. Wysłanie człowieka w konkretne miejsce na mapie pozwala poznać szerszy kontekst sytuacji. Zaobserwować zachowanie piłkarza, zrobić dokładny wywiad środowiskowy, przyjrzeć się jego reakcjom, czy po prostu uwzględnić warunki, w jakich rozgrywane było spotkanie. BVB korzysta z narzędzi, które potrafią określić stabilność formy młodych zawodników, ale raport statystyczny nie wyjaśni w stu procentach tego, dlaczego w danym dniu piłkarz wypadł gorzej. Może zjadła go presja trybun, a może wręcz przeciwnie?

Na podobne pytania musi odpowiedzieć człowiek. Dlatego Kuba Michalczyk także zgadza się z opinią, że wykluczenie skautingu tradycyjnego nie jest dobrym pomysłem.

Problemem są dane. Sztuczna inteligencja, żeby się czegoś nauczyć, potrzebuje dużej liczby danych. Zastanawiam się, czy kiedykolwiek dostępne będą dane, które pozwolą dobrze opisać piłkarza, poznać jego charakter, przedstawić go w tej formie. Sprawdzić, jak adaptował się w klubach, jak reagował przed i po meczach. Bardzo ciężki temat. Jeśli klub ma raporty skautów, to raczej chce je zachować dla siebie. Nie mówimy o setkach, tylko o setkach tysięcy raportów, które pozwoliłyby zbudować taką bazę.

AI a rynek pracy. „Odciąży nas w żmudnej robocie”, „trudniej będzie wejść do wielu branż”

Abstrahując już jednak od tego, czy da się użyć AI do sprofilowania zawodnika w aspektach innych niż jego boiskowe atuty, trzeba zaznaczyć, że piłka nożna i zaawansowana analityka to wciąż związek młody i pełen niedoskonałości. Mimo że dane pozwalają nam zebrać mnóstwo informacji, na które w przeszłości nie zwracaliśmy uwagi, pole do rozwoju wciąż jest ogromne. Mówi nam o tym Paweł Kapuściński, który dla „Zelus” zajmuje się analizą w baseballu.

– Głównym problemem analityki jest to, że w piłce nożnej są słabe metryki. W innych sportach coraz bardziej odchodzi się od metryk i stara się tworzyć modele, które będą bardziej precyzyjne. W NBA próba rzutów za trzy jest bardzo duża. Jest trajektoria każdego rzutu, wiadomo, w które miejsce obręczy trafiła piłka i na podstawie tego można stworzyć model, który dokładniej opisze potencjał zawodnika w rzutach za trzy niż jego historię rzutów za trzy. Czyli np. to, że łatwiej jest poprawić rzuty za krótkie lub za długie niż te, które trafiają w prawą lub lewą stronę obręczy. W piłce nożnej cały czas liczymy np. odbiory, czyli rzeczy, które mają wpływ wtedy, gdy znamy kontekst boiska, bo liczba odbiorów drużyny w sezonie jest podobna do liczby podejść pałkarza.

W „Piłkarskich hakerach” Christian Clemens, analityk reprezentacji Niemiec brzmiał jak największy sceptyk i zagorzały przeciwnik wykorzystywania liczb w futbolu. Z roku na rok jego rozmowy z Christophem Biermannem, autorem książki, zdawały się wskazywać na ułomność danych. Clemens grzmiał, że statystyki nie pomagają, bo opisują przeszłość, czyli znajdują przyczyny i odpowiedzi w tematach, których nie da się zmienić. Niemiec celowo wyolbrzymiał brak wpływu zaawansowanej analizy, żeby zwrócić uwagę na to, że czas wyprzedzać to, co już wiemy.

Chodzi o to, by wydobyć nieoczywiste dane — przekonywał.

Nieoczywiste, czyli jakie? Czego w ogóle szukamy i będziemy szukać, decydując się na zaangażowanie coraz większej liczby danych pozyskiwanych przy pomocy sztucznej inteligencji? Jak bardzo AI wpływa i jak bardzo jeszcze wpłynie na to proces poznawania konkretnych celów transferowych?

Co widzi sztuczna inteligencja? AI opisuje umiejętności, których skaut nie oceni

Częściowo już na te pytania odpowiedzieliśmy — pracodawcy, czyli kluby, analizują wszelkie dostępne liczby, próbując potwierdzić lub zaprzeczyć, czy dany zawodnik pasuje do ich stylu gry, czy warto płacić za niego sumę X i zaoferować mu kontrakt o wartości X. Poziom zaawansowania tych analiz zależy od tego, jakimi danymi dysponuje pion sportowy i jak je przetwarza. Nie jest tajemnicą, że zdecydowanie łatwiej posiłkować się liczbami w rekrutacji piłkarzy ofensywnych. Już samo zmierzenie jakości strzałów może nam powiedzieć sporo o tym, czy napastnik robi kosmiczne liczby, bo ma szczęście, czy jednak temu szczęściu pomaga.

Pozycja zawodnika jest rejestrowana 25 razy na sekundę. Zanim w Football Managarze wszedł obraz 3D, symulacją meczu były kulki, które poruszały się po boisku. Dane trackingowe pozwalają na odtworzenie meczu w ten sposób. Z tymi danymi robi się ciekawsze rzeczy. Szacowanie oczekiwanej wartości posiadania piłki w danym miejscu, w danym czasie. Każdej sytuacji na boisku przypisujesz prawdopodobieństwo, że w najbliższym czasie, że z tej sytuacji rozwinie się akcja i w ciągu 10 sekund padnie bramka. Dzięki temu można określić, gdzie warto posiadać piłkę, gdzie warto ją podać — opowiada Kuba Michalczyk.

Ciężej jednak opisać liczbami piłkarzy defensywnych, których umiejętności nie da się aż tak dokładnie przedstawić statystykami — a na pewno nie tymi najprostszymi. Między innymi dlatego zaczęto szukać nowych rozwiązań. Duża zmiana w ocenie zawodników zaszła, kiedy na znaczeniu przybrały dane trackingowe.

Możemy na niego spojrzeć przez pryzmat tego, jak zmniejszył lub zwiększył szanse na zdobycie bramki w najbliższej przyszłości poprzez swój drybling czy podanie — wyjaśnia Michalczyk.

Przyglądanie się i analizowanie pozycji piłkarza na boisku to proces, który pozwala odkrywać rzeczy niedostrzegalne gołym okiem. Mateusz Dłużniewski z “ReSpo.Vision” na przykładzie topowych rozgrywających tłumaczy nam, jak w ogóle zidentyfikować wyjątkowy talent do reżyserowania gry.

Ostatnio popularne jest skanowanie przestrzeni. Research pokazuje, że zawodnicy tacy jak Kevin de Bruyne czy Andres Iniesta często skanowali przestrzeń przed otrzymaniem podania, czyli wiedzieli, gdzie ich koledzy są rozstawieni i gdzie mają grać, zanim jeszcze otrzymali piłkę. Tego typu rzeczy ciężko jest ocenić na oko, bo musiałby bardzo uważnie oglądać każdy mecz. Nasz algorytm dostarcza informacje o zorientowaniu głowy piłkarza, więc jesteśmy w stanie automatycznie wykryć taki skan.

Właśnie w tym kierunku zmierza obecnie zastosowanie zaawansowanych danych w futbolu. “ReSpo.Vision” to startup, który rozwija się w kierunku zaspokojenia tych potrzeb.

Zajmujemy się dostarczaniem tego, co do tej pory nie zostało odkryte, czyli szczegółowych danych pozycyjnych zawodników. Nasze algorytmy są w stanie wyłapać i wygenerować szczegółowe dane dotyczące położenia całego szkieletu wszystkich piłkarzy oraz piłki. Dostarczamy je jako surowy produkt, ale też budujemy na ich bazie warstwę analityczną, czyli to, co z nich wynika. Rdzeniem naszej technologii jest sztuczna inteligencja, głównie computer vision, która pozwala przetworzyć wideo na dane — wyjaśnia Dłużniewski.

dr Kamil Kulesza: „Polska może przespać kluczowy moment w historii, tak jak w okresie rewolucji przemysłowej”

Paweł Kapuściński mówi nam, że obecnie rozwój AI w futbolu nie dąży w kierunku przeniesienia na sztuczną inteligencję całości procesu transferowego. Jeśli kluby nad czymś pracują, to raczej nad rozwiązaniem bieżących problemów. Poza dokładniejszym opisaniem graczy defensywnych chodzi o to, o czym wspominał Clemens — o wynalezienie modeli i systemów, które pozwolą „zaprojektować” konkretne sytuacje boiskowe i zwiększyć szanse na zwycięstwo.

W piłce sprawdzają się grafowe sieci neuronowe, które pozwalają modelować relacje między zawodnikami. Można przewidywać, jakie byłoby optymalne poruszanie się zawodnika po boisku w konkretnej sytuacji. Możesz porównać to z tym, co zrobił zawodnik i ocenić, czy zachował się lepiej, czy gorzej. Modele uczenia głębokiego pozwalają na wykrywanie wzorców z danych pozycyjnych, w jakim momencie się znajdujemy. Czy to atak, faza przejściowa, wysoki pressing, kontrpressing. Przykładem może być wyłapywanie schematów, jak pójście na obieg obrońcy, kontrolowanie przestrzeni. Model przewiduje, która drużyna kontroluje przestrzeń na boisku. Kto będzie miał większe szanse opanowania piłki, gdy w kolejnym podaniu znajdzie się w danym miejscu — opowiada Michalczyk i dodaje:

Są już modele, które potrafią rozróżnić jak w konkretnej sytuacji zachował się John Stones, a jak Kyle Walker. Szeroko dostępne są dane, które pokazują pozycję zawodnika. Są jeszcze takie, które łapią więcej punktów, pokazują pozycję konkretnych części ciała. To pozwoli podnieść standard modeli, ich zastosowanie, być może pozwoli lepiej zbadać technikę danego zawodnika. O bramkarzach wiemy dość mało, a wkrótce możemy mieć więcej detali, które dadzą większe możliwości.

Na rynku wciąż jest jednak wiele czarnych plam. Najlepsze kluby rozwinęły działy naukowe tak bardzo, że dziś coraz ciężej jest uzyskać informacje o tym, nad czym w ogóle pracują i jakie rozwiązania wdrażają. Firmy zewnętrzne także oferują dostarczanie danych na wyłączność dla konkretnego podmiotu. No i przede wszystkim: wciąż mamy do czynienia z rozgrywkami, których sztuczna inteligencja nie pokrywa z uwagi na braki technologiczne.

Prędkości, przebyty dystans, metryki fizyczne. To się zbiera, to jest popularne, ale kluby często mają dostęp do takich danych tylko w obrębie swojej drużyny, maksymalnie własnej ligi. Ciężko więc porównać zawodników pod względem umiejętności i możliwości fizycznych, jeśli grają w innym kraju. Jest też dużo lig atrakcyjnych pod kątem talentów, w których dostępność nagrań wideo jest słaba. Ona będzie jednak coraz lepsza, a co za tym idzie, będzie można zebrać dane z nagrań meczów, np. z niższych klas rozgrywkowych — dodaje Mateusz Dłużniewski.

Analiza danych nie zastąpi ludzi, ale im pomoże

Ale nawet najwięksi pasjonaci i fanatycy analiz liczbowych sugerują, że nie warto zbytnio odpływać w wyobrażenia o świecie, w którym komputer wszystko załatwi. Nie jest przypadkiem to, że najwięksi dbają przede wszystkim o to, żeby zebrane dane miał kto przejrzeć i wyciągnąć z nich właściwe wnioski. Próby zamknięcia informacji w pigułkę wiedzy w postaci czegoś w rodzaju “InStat Index” czy innego ratingu to błąd. Kontekst jest istotny, bo przecież czym innym są udane dryblingi na własnej połowie, a czym innym pod bramką rywala.

Kuba Michalczyk zwraca nam na to uwagę.

Nie uważam, że analityka pozwala w stu procentach zastąpić cały proces, absolutnie nie. Nie lubię określenia „SI”, bo wydaje się, że to inteligencja rozszerzona, wspomagająca, przynajmniej w piłce. Wyniki, liczby, one bardzo dobrze mogą wesprzeć proces, ale warto zweryfikować to, co widać w liczbach, na wideo. Trzeba uważać na wszelkie próby zamknięcia piłkarza w jedną liczbę, w jakiś indeks. To się nigdy nie sprawdzi, zawsze będą z tym kłopoty. W procesie transferowym trzeba spojrzeć na każdą z liczb z osobna.

Jarosław Królewski w obszernym wywiadzie mówił nam, że jest przekonany o tym, że w najbliższych latach sztuczna inteligencja będzie dostarczała nam coraz większej liczby insightów na temat tego, co dzieje się na boisku, jeśli chodzi o zarządzanie przestrzenią. Przewagę na tym polu będą mieli ci, którzy będą umieć zebrać i przetworzyć te dane na bieżąco, przekuwając je w realne działania na boisku. Właściciel Wisły Kraków mówi też, że AI całkowicie odmieni pracę skautów, którzy będą musieli nauczyć się korzystać z liczb w codziennej pracy. Powstanie hybryda skauta z analitykiem.

Być może za chwilę będziemy mieć narzędzia, które pomogą rozwiązać problem optymalnego ustawienia drużyny, optymalnej jedenastki. Mając profile zawodników, można próbować znaleźć zawodnika, który stworzyłby jeszcze lepszy kolektyw. Na pewno dzieje się próba oceny jakości poszczególnych zagrań. W kontekście transferów największą pomocą jest ocena jakości zawodnika. Tego, co robi dla drużyny, czy jest lepszy od naszych obecnych zawodników i w jakich sytuacjach może być lepszy — mówi Michalczyk.

AI a pomoc medyczna sportowcom. „AI w medycynie przesunie pierwszą linię obrony”

Kluby już teraz dążą do tego, żeby dzięki liczbom odnaleźć piłkarzy, którzy odgrywają decydującą rolę na boisku. Zyskują najwięcej przestrzeni, ale też najlepiej ją zamykają. Walka toczy się o to, żeby odkryć nie to, kto najlepiej radzi sobie, gdy ma piłkę przy nodze, a o to, kto daje najwięcej, gdy piłki nie ma. Istotne jest jednak to, żeby w ogóle zdać sobie sprawę ze znaczenia liczb w futbolu. Czołówki nigdy nie dogonimy, natomiast pomiędzy nią a dołem jest wystarczająco dużo miejsca, żeby się rozgościć i poszukać swoich szans.

– Do tematu AI w piłce nożnej trzeba podchodzić z pewną rezerwą. To nie będzie tak, że sztuczna inteligencja zawładnie klubami i nie będzie trzeba zatrudniać nikogo poza osobą, która będzie klikała jak w FM-ie. Sztuczna inteligencja musi bazować na numerycznych danych, od jakości tych danych wiele zależy. Ci, którzy mają świadomość, że dzięki AI osiągną przewagę, na pewno ją w dłuższym terminie. Warto do tego pociągu wsiąść jak najszybciej, budować kompetencje, adoptować rozwiązania z rynku.

Ostatecznie analiza danych jest po prostu kolejnym źródłem informacji, które pomaga zaoszczędzić czas, lepiej zrozumieć pewne rzeczy, usprawnić cały proces transferowy. Właśnie tak należy to traktować, bo od piłkarskiej rewolucji, za którą stoi AI, nie uciekniemy, możemy jednak zdecydować, jak potoczy się ona na naszym podwórku. W Danii wszystko zaczęło się w Herning, miasteczku, które nie jest nawet w dziesiątce największych ośrodków miejskich w kraju. Miejscowość czterokrotnie mniejsza niż Radom ma dziś klub, który trzęsie ligą i występuje w Champions League. Czasami najcenniejszy jest ciekawy pomysł. I odwaga, żeby wprowadzić go w życie.

SZYMON JANCZYK

CZYTAJ WIĘCEJ NA WESZŁO:

fot. FotoPyk / NewsPix.pl

Nie wszystko w futbolu da się wytłumaczyć liczbami, ale spróbować zawsze można. Żeby lepiej zrozumieć boisko zagląda do zaawansowanych danych i szuka ciekawostek za kulisami. Śledzi ruchy transferowe w Polsce, a dobrych historii szuka na całym świecie - od koła podbiegunowego przez Barcelonę aż po Rijad. Od lat śledzi piłkę nożną we Włoszech z nadzieją, że wyprodukuje następcę Andrei Pirlo, oraz zaplecze polskiej Ekstraklasy (tu żadnych nadziei nie odnotowano). Kibic nowoczesnej myśli szkoleniowej i wszystkiego, co popycha nasz futbol w stronę lepszych czasów. Naoczny świadek wszystkich największych sportowych sukcesów w Radomiu (obydwu). W wolnych chwilach odgrywa rolę drzew numer jeden w B Klasie.

Rozwiń

Najnowsze

Anglia

Media: Sarina Wiegman może zastąpić Garetha Southgate’a w reprezentacji Anglii

Patryk Fabisiak
10
Media: Sarina Wiegman może zastąpić Garetha Southgate’a w reprezentacji Anglii

Piłka nożna

Anglia

Media: Sarina Wiegman może zastąpić Garetha Southgate’a w reprezentacji Anglii

Patryk Fabisiak
10
Media: Sarina Wiegman może zastąpić Garetha Southgate’a w reprezentacji Anglii

Komentarze

16 komentarzy

Loading...