ИИ и ML в спортивных исследованиях
Искусственный интеллект меняет спорт: анализ игроков, прогнозы травм, билеты для фанатов. Он вызывает этические вопросы, но может улучшить стратегии и сборы. Применение требует регулирования конфиденциальности данных. AI может влиять на поведение фанатов и здоровье спортсменов.
За последние два десятилетия искусственный интеллект (ИИ) изменил то, как мы потребляем и анализируем спорт. Роль ИИ в улучшении принятия решений и прогнозировании в спорте, наряду с многими другими преимуществами, быстро растет и привлекает все больше внимания как в академической среде, так и в индустрии. Тем не менее, для многих зрителей, профессионалов и политиков, которые не являются специалистами в ИИ, связь между искусственным интеллектом и спортом остается неясной. Аналогично, для многих мотивация для использования парадигмы машинного обучения (МО) в спортивной аналитике все еще слаба или неочевидна. В этой обзорной статье мы представляем высокоуровневый, нетехнический обзор парадигмы машинного обучения, который объясняет ее потенциал для улучшения спортивной (производительности и бизнес-) аналитики. Мы даем краткий обзор некоторых актуальных исследований, в которых искусственный интеллект и машинное обучение применяются в спортивной индустрии и исследованиях спорта. Наконец, мы представляем несколько гипотетических сценариев того, как ИИ и МО могут изменить будущее спорта.
Введение
В книге "Moneyball" (Льюис, 2004) рассказывается об успехе бейсбольной команды "Окленд Атлетикс", которая стала известна благодаря использованию статистики во время игр для создания выдающейся команды. Несмотря на относительно небольшой бюджет, строгий подход, основанный на данных, позволил "Окленд Атлетикс" выйти в плей-офф в 2002 году. Экономическая оценка гипотезы "Moneyball" (Хейкс и Зауэр, 2006) показала, что на тот момент зарплата бейсбольных игроков не зависела от их вклада в победы команды. "Окленд Атлетикс" получили большое преимущество, обнаружив и используя этот информационный разрыв. Прошло почти два десятилетия с тех пор, как принципы "Moneyball" или SABRmetrics (Льюис, 2004) были внедрены в бейсбол. SABR означает Общество американских бейсбольных исследований, а SABRметрики - это ученые, которые собирают данные во время игр и анализируют их для улучшения результатов команды. После успеха "Окленд Атлетикс" большинство команд MLB начали нанимать SABRметриков. Постоянный рост вычислительной мощности компьютеров ускорил возможность анализа больших данных, и компьютеры все чаще занимаются глубоким анализом данных с помощью искусственного интеллекта (ИИ). Важную роль в повышении точности и объема аналитики в MLB сыграло улучшение качества сбора и агрегации данных, выполняемое такими организациями, как Baseball Savant/StatCast, ESPN и другими.
В последние годы использование ИИ и статистического моделирования в спорте стало более заметным благодаря новым технологиям и исследовательским приложениям, которые оказывают влияние на профессиональный спорт на разных уровнях. Широкая применимость алгоритмов машинного обучения, возросшая вычислительная мощность и доступ к большему количеству новых данных сделали спортивные организации заинтересованными в новых приложениях и стратегиях. Основная цель - сделать их более конкурентоспособными на поле и за его пределами, как в спортивной, так и в бизнес-сфере. Преимущества использования ИИ могут принимать разные формы: от оптимизации бизнес- и технических решений до улучшения спортивных показателей команды и увеличения посещаемости спортивных мероприятий, а также продвижения альтернативных форматов развлечений в спорте.
Ниже перечислены некоторые области, в которых ИИ и машинное обучение (МО) оставили свой след в мире спорта (Beal et al., 2019), с примерами приложений в каждой из них (некоторые из перечисленных приложений могут пересекаться с несколькими областями):
Область ИИ (особенно МО) предлагает новые методологии, которые оказались полезными для решения перечисленных задач. В этой обзорной статье мы стремимся предоставить профессионалам спортивного бизнеса и неспециалистам в области спорта, тренерам, бизнес-лидерам, политикам и заинтересованным сторонам обзор различных подходов ИИ, используемых для анализа спортивных и бизнес-проблем. Мы также обсудим перспективы того, как ИИ может изменить будущее спорта в ближайшие годы.
В последние годы использование ИИ и статистического моделирования в спорте стало более заметным благодаря новым технологиям и исследовательским приложениям, которые оказывают влияние на профессиональный спорт на разных уровнях. Широкая применимость алгоритмов машинного обучения, возросшая вычислительная мощность и доступ к большему количеству новых данных сделали спортивные организации заинтересованными в новых приложениях и стратегиях. Основная цель - сделать их более конкурентоспособными на поле и за его пределами, как в спортивной, так и в бизнес-сфере. Преимущества использования ИИ могут принимать разные формы: от оптимизации бизнес- и технических решений до улучшения спортивных показателей команды и увеличения посещаемости спортивных мероприятий, а также продвижения альтернативных форматов развлечений в спорте.
Ниже перечислены некоторые области, в которых ИИ и машинное обучение (МО) оставили свой след в мире спорта (Beal et al., 2019), с примерами приложений в каждой из них (некоторые из перечисленных приложений могут пересекаться с несколькими областями):
- Активность/аналитика игр: моделирование результатов матчей, отслеживание игроков/мяча, классификация событий матча (например, ударов), помощь судьям, спортивные ставки.
- Идентификация и привлечение талантов: набор игроков, измерение производительности игроков, биомеханика.
- Тренировки и коучинг: оценка эффективности формирования команды, тактическое планирование, моделирование травм игроков.
- Ориентация на фанатов и бизнес: измерение экономической ценности игрока, моделирование спроса на посещаемость мероприятий, оптимизация цен на билеты (переменная и динамическая), разработка носимых устройств и сенсоров, создание пакетов лучших моментов, приложения виртуальной и дополненной реальности в спорте и т.д.
Область ИИ (особенно МО) предлагает новые методологии, которые оказались полезными для решения перечисленных задач. В этой обзорной статье мы стремимся предоставить профессионалам спортивного бизнеса и неспециалистам в области спорта, тренерам, бизнес-лидерам, политикам и заинтересованным сторонам обзор различных подходов ИИ, используемых для анализа спортивных и бизнес-проблем. Мы также обсудим перспективы того, как ИИ может изменить будущее спорта в ближайшие годы.
Исследования в области ИИ и ML в спорте
В этом разделе мы не будем рассматривать конкретные примеры применения ИИ в спорте, а вместо этого обсудим взаимодействие ИИ и спорта на более абстрактном уровне, рассмотрев некоторые исследования, которые либо обобщают, либо делают обзор использования ИИ и машинного обучения (МО) в спорте.
Одной из первых работ, обсуждающих потенциал применения искусственного интеллекта для повышения спортивных результатов и улучшения принятия решений, является исследование Лафэма и Бартлетта (1995). В статье обсуждается, как экспертные системы (т.е. базы данных, использующиеся для рассуждений) могут быть использованы в спортивной биомеханике. Бартлетт (2006) рассмотрел развитие использования ИИ в спортивной биомеханике (например, метание, толкание ядра, удары по мячу в футболе и т.д.), показывая, что на момент написания экспертные системы использовались в биомеханике спорта лишь в ограниченной степени, несмотря на их популярность в "анализе походки", тогда как искусственные нейронные сети (ИНС) использовались для таких задач, как анализ тренировочных и двигательных паттернов спортсменов. Искусственная нейронная сеть (ИНС) - это система, имитирующая функциональность человеческого мозга. ИНС используются для решения вычислительных задач или оценки функций по входным данным, имитируя активацию нейронов в человеческом мозге. Несколько слоев искусственных нейронов, известных как перцептроны, соединены для выполнения вычислений, которые возвращают выходные данные в зависимости от входных данных (Андерсон, 1995).
Бартлетт (2006) предсказал, что многослойные ИНС будут играть большую роль в анализе спортивных техник в будущем. Действительно, как мы обсудим позже, многослойные ИНС, теперь более известные как глубокое обучение, стали одной из самых популярных техник в спортивной аналитике. Наконец, Бартлетт (2006) описал применения эволюционных вычислений и гибридных систем в оптимизации спортивных техник и обучении навыкам. Дальнейшее обсуждение применения ИИ в спортивной биомеханике можно найти в работе Ратиу и др. (2010). Маккейб и Треватан (2008) обсудили использование искусственного интеллекта для прогнозирования спортивных результатов, показав, как поведение команд можно моделировать в различных спортивных соревнованиях с использованием многослойных ИНС.
Между 2006 и 2010 годами алгоритмы машинного обучения, особенно ИНС, становились все более популярными среди компьютерных ученых. Этому способствовали впечатляющие улучшения в аппаратном обеспечении компьютеров, а также изменение мышления в сообществе ИИ. Большие объемы данных стали общедоступными среди исследователей и ученых (например, визуальная база данных ImageNet, разработанная Стэнфордским университетом), и были организованы новые открытые конкурсы по машинному обучению (такие как Netflix Prize и Kaggle). Такие события способствовали внедрению ИИ и машинного обучения во многих различных областях, от медицины до эконометрики и спорта, предоставляя доступ к тренировочным данным и предлагая бесплатные открытые инструменты и фреймворки для использования возможностей ИИ. В этих конкурсах, наряду с ИНС, используются и другие техники машинного обучения, которые иногда комбинируются друг с другом. Например, для победы в конкурсе Netflix Prize были использованы методы сингулярного разложения значений в сочетании с ограниченными машинами Больцмана и деревьями решений с градиентным бустингом.
Другие примеры обсуждения ИНС в спорте включают работу Новацкова и Бака (2013), которые рассматривают, как ИНС могут использоваться для оценки качества исполнения, помощи спортсменам и тренерам, а также оптимизации тренировок. Однако применения ИИ в спортивной аналитике выходят за рамки использования ИНС. Например, Фистер и др. (2015) обсудили, как алгоритмы, вдохновленные природой, могут использоваться для исследования нерешенных научных проблем, связанных с безопасными и эффективными тренировочными планами. Их подход основывается на концепции искусственного коллективного интеллекта и адаптивности алгоритмов к изменяющейся среде. Авторы показывают, как такие алгоритмы могут использоваться для разработки искусственного тренера, который будет рекомендовать спортсменам информированные стратегии тренировок, учитывая различные факторы, связанные с физическим состоянием и готовностью спортсмена. Другие научные методы, такие как байесовские подходы, применяются для определения способностей игроков (Уитакер и др., 2021), а также для прогнозирования результатов матчей (Ян и Свартц, 2004). Байесовский анализ и обучение - это подход к построению статистических моделей и моделей вывода, который обновляет вероятность гипотезы по мере поступления новых доказательств или информации, используя теорему Байеса.
Одной из первых работ, обсуждающих потенциал применения искусственного интеллекта для повышения спортивных результатов и улучшения принятия решений, является исследование Лафэма и Бартлетта (1995). В статье обсуждается, как экспертные системы (т.е. базы данных, использующиеся для рассуждений) могут быть использованы в спортивной биомеханике. Бартлетт (2006) рассмотрел развитие использования ИИ в спортивной биомеханике (например, метание, толкание ядра, удары по мячу в футболе и т.д.), показывая, что на момент написания экспертные системы использовались в биомеханике спорта лишь в ограниченной степени, несмотря на их популярность в "анализе походки", тогда как искусственные нейронные сети (ИНС) использовались для таких задач, как анализ тренировочных и двигательных паттернов спортсменов. Искусственная нейронная сеть (ИНС) - это система, имитирующая функциональность человеческого мозга. ИНС используются для решения вычислительных задач или оценки функций по входным данным, имитируя активацию нейронов в человеческом мозге. Несколько слоев искусственных нейронов, известных как перцептроны, соединены для выполнения вычислений, которые возвращают выходные данные в зависимости от входных данных (Андерсон, 1995).
Бартлетт (2006) предсказал, что многослойные ИНС будут играть большую роль в анализе спортивных техник в будущем. Действительно, как мы обсудим позже, многослойные ИНС, теперь более известные как глубокое обучение, стали одной из самых популярных техник в спортивной аналитике. Наконец, Бартлетт (2006) описал применения эволюционных вычислений и гибридных систем в оптимизации спортивных техник и обучении навыкам. Дальнейшее обсуждение применения ИИ в спортивной биомеханике можно найти в работе Ратиу и др. (2010). Маккейб и Треватан (2008) обсудили использование искусственного интеллекта для прогнозирования спортивных результатов, показав, как поведение команд можно моделировать в различных спортивных соревнованиях с использованием многослойных ИНС.
Между 2006 и 2010 годами алгоритмы машинного обучения, особенно ИНС, становились все более популярными среди компьютерных ученых. Этому способствовали впечатляющие улучшения в аппаратном обеспечении компьютеров, а также изменение мышления в сообществе ИИ. Большие объемы данных стали общедоступными среди исследователей и ученых (например, визуальная база данных ImageNet, разработанная Стэнфордским университетом), и были организованы новые открытые конкурсы по машинному обучению (такие как Netflix Prize и Kaggle). Такие события способствовали внедрению ИИ и машинного обучения во многих различных областях, от медицины до эконометрики и спорта, предоставляя доступ к тренировочным данным и предлагая бесплатные открытые инструменты и фреймворки для использования возможностей ИИ. В этих конкурсах, наряду с ИНС, используются и другие техники машинного обучения, которые иногда комбинируются друг с другом. Например, для победы в конкурсе Netflix Prize были использованы методы сингулярного разложения значений в сочетании с ограниченными машинами Больцмана и деревьями решений с градиентным бустингом.
Другие примеры обсуждения ИНС в спорте включают работу Новацкова и Бака (2013), которые рассматривают, как ИНС могут использоваться для оценки качества исполнения, помощи спортсменам и тренерам, а также оптимизации тренировок. Однако применения ИИ в спортивной аналитике выходят за рамки использования ИНС. Например, Фистер и др. (2015) обсудили, как алгоритмы, вдохновленные природой, могут использоваться для исследования нерешенных научных проблем, связанных с безопасными и эффективными тренировочными планами. Их подход основывается на концепции искусственного коллективного интеллекта и адаптивности алгоритмов к изменяющейся среде. Авторы показывают, как такие алгоритмы могут использоваться для разработки искусственного тренера, который будет рекомендовать спортсменам информированные стратегии тренировок, учитывая различные факторы, связанные с физическим состоянием и готовностью спортсмена. Другие научные методы, такие как байесовские подходы, применяются для определения способностей игроков (Уитакер и др., 2021), а также для прогнозирования результатов матчей (Ян и Свартц, 2004). Байесовский анализ и обучение - это подход к построению статистических моделей и моделей вывода, который обновляет вероятность гипотезы по мере поступления новых доказательств или информации, используя теорему Байеса.
Существует множество научных работ, в которых ИИ и машинное обучение (МО) применяются к спорту, и наша цель здесь не состоит в том, чтобы подробно обсуждать все эти работы. Однако мы ссылаемся на недавний обзор, который освещает эту тему. Бил и др. (2019) провели обзор применения ИИ в командных видах спорта. Авторы обобщили существующие академические исследования, охватывающие такие вопросы, как моделирование исходов матчей, тактическое принятие решений во время игр, производительность игроков в фэнтези-спорте и управление травмами профессиональных спортсменов. Работа Надикатту (2020) обсуждает на абстрактном уровне, как ИИ может быть применен в американских видах спорта для улучшения производительности игроков, помощи тренерам в подборе правильных формирований и тактик, создания автоматических видеообзоров матчей и поддержки судей с помощью компьютерного зрения.
Мы подчеркиваем, что применение ИИ в спорте не ограничивается вопросами спортивной производительности, идентификации талантов спортсменов или технического анализа игры. Бизнес-сторона спортивных организаций стремительно переходит к культуре, основанной на данных, благодаря разработке профилей своих фанатов и их потребительских предпочтений. Поскольку фанаты требуют качественного контента и развлечений, спортивные организации должны реагировать, предлагая индивидуальный подход к каждому зрителю. Это часто достигается с помощью статистического моделирования, а также других решений на основе машинного обучения, например, для понимания экономической ценности игроков. Как показано в работе Чмейта и др. (2020a), исследование связи между талантом и успехом спортсменов (чтобы определить наличие так называемого феномена суперзвезд или звездной силы) становится важным аспектом для изучения создаваемой в спорте ценности. Чтобы дать представление о масштабе таких исследований, мы отмечаем некоторые виды спорта, в которых изучалась связь между известными игроками/командами и их влиянием на посещаемость зрителей или потребление спорта:
Алгоритмы ИИ используются в Формуле 1 (F1) для улучшения тактики гонок команд-соперников путем анализа данных с сотен сенсоров в автомобиле F1. Недавняя работа Пиччинотти (2021) показывает, как искусственный интеллект может автоматически определять стратегии замены шин, моделируя время и частоту пит-стопов как задачи последовательного принятия решений.
Мы подчеркиваем, что применение ИИ в спорте не ограничивается вопросами спортивной производительности, идентификации талантов спортсменов или технического анализа игры. Бизнес-сторона спортивных организаций стремительно переходит к культуре, основанной на данных, благодаря разработке профилей своих фанатов и их потребительских предпочтений. Поскольку фанаты требуют качественного контента и развлечений, спортивные организации должны реагировать, предлагая индивидуальный подход к каждому зрителю. Это часто достигается с помощью статистического моделирования, а также других решений на основе машинного обучения, например, для понимания экономической ценности игроков. Как показано в работе Чмейта и др. (2020a), исследование связи между талантом и успехом спортсменов (чтобы определить наличие так называемого феномена суперзвезд или звездной силы) становится важным аспектом для изучения создаваемой в спорте ценности. Чтобы дать представление о масштабе таких исследований, мы отмечаем некоторые виды спорта, в которых изучалась связь между известными игроками/командами и их влиянием на посещаемость зрителей или потребление спорта:
- В футболе (Брандес и др., 2008; Джуэлл, 2017),
- В Главной лиге бейсбола (Ормистон, 2014; Льюис и Юн, 2016),
- В Национальной баскетбольной ассоциации (Берри и др., 2004; Джейн, 2016),
- В теннисе: эффект суперзвезды на спрос на посещение теннисных турниров (Чмейт и др., 2020a), наличие эффекта звездности в социальных сетях (Чмейт и др., 2020b), влияние игроков на спрос немецкой телевизионной аудитории на прямые трансляции теннисных матчей (Конджер и др., 2017),
- Аналогично, в крикете (Патон и Кук, 2005), хоккее (Коутс и Хамфрис, 2012) и в Австралийской футбольной лиге (Лентен, 2012).
Алгоритмы ИИ используются в Формуле 1 (F1) для улучшения тактики гонок команд-соперников путем анализа данных с сотен сенсоров в автомобиле F1. Недавняя работа Пиччинотти (2021) показывает, как искусственный интеллект может автоматически определять стратегии замены шин, моделируя время и частоту пит-стопов как задачи последовательного принятия решений.
Исследователи из Tennis Australia и Викторианского университета разработали метод рекомендации ракеток на основе данных HawkEye (система компьютерного зрения). Алгоритм использовался для подбора ракеток в зависимости от движения, стиля и ударов игрока с целью улучшения его результатов (Краузе, 2019).
Точная и справедливая оценка сложных навыков в таких видах спорта, как гимнастика, является сложной задачей. Недавно компанией Fujitsu Ltd. была разработана система судейства, которая оценивает выступление гимнаста на основе углов его суставов. Она использует ИИ для анализа данных с 3D лазерных сенсоров, которые фиксируют движения гимнастов (Атикович и др., 2020).
Наконец, важно отметить чрезвычайно успешное применение ИИ в настольных играх, таких как шахматы, шашки, сёги и китайская игра го, а также в виртуальных играх (например, Dota2 и StarCraft). За последние пару десятилетий ИИ достиг невероятных успехов в этих областях, до такой степени, что машины (почти) постоянно побеждают мировых чемпионов среди людей. Мы ссылаемся на некоторые заметные достижения, такие как алгоритм для игры в шашки, разработанный Шеффером и др. (2007), DeepBlue, победивший Каспарова в шахматах (Кэмпбелл и др., 2002), AlphaGo Zero, победивший Ли Седоля в го (Сильвер и др., 2017) (заметим, что AlphaZero также непобедим в шахматах), и AlphaStar в StarCraftII (Виньялс и др., 2019), а также супер человеческий ИИ для многопользовательского покера (Браун и Сэндхолм, 2019). Обычно в таких играх или видах спорта алгоритмы ИИ полагаются на подход обучения с подкреплением (который мы опишем позже), а также используют техники, такие как деревья поиска Монте-Карло, для изучения игры и разработки надежных стратегий. Некоторые из недавних тестовых платформ, используемых для оценки агентов и алгоритмов ИИ, обсуждаются в работе Эрнандеса-Оралло и др. (2017). Для более широкого исследования ИИ в настольных и виртуальных/компьютерных играх обратитесь к работе Ризи и Пройсс (2020).
Рост применения ИИ и МО не остановим, и в этом контексте может возникнуть вопрос, как работают инструменты ИИ и МО и чем они отличаются от традиционной аналитики. Эти вопросы мы затронем в следующем разделе.
Точная и справедливая оценка сложных навыков в таких видах спорта, как гимнастика, является сложной задачей. Недавно компанией Fujitsu Ltd. была разработана система судейства, которая оценивает выступление гимнаста на основе углов его суставов. Она использует ИИ для анализа данных с 3D лазерных сенсоров, которые фиксируют движения гимнастов (Атикович и др., 2020).
Наконец, важно отметить чрезвычайно успешное применение ИИ в настольных играх, таких как шахматы, шашки, сёги и китайская игра го, а также в виртуальных играх (например, Dota2 и StarCraft). За последние пару десятилетий ИИ достиг невероятных успехов в этих областях, до такой степени, что машины (почти) постоянно побеждают мировых чемпионов среди людей. Мы ссылаемся на некоторые заметные достижения, такие как алгоритм для игры в шашки, разработанный Шеффером и др. (2007), DeepBlue, победивший Каспарова в шахматах (Кэмпбелл и др., 2002), AlphaGo Zero, победивший Ли Седоля в го (Сильвер и др., 2017) (заметим, что AlphaZero также непобедим в шахматах), и AlphaStar в StarCraftII (Виньялс и др., 2019), а также супер человеческий ИИ для многопользовательского покера (Браун и Сэндхолм, 2019). Обычно в таких играх или видах спорта алгоритмы ИИ полагаются на подход обучения с подкреплением (который мы опишем позже), а также используют техники, такие как деревья поиска Монте-Карло, для изучения игры и разработки надежных стратегий. Некоторые из недавних тестовых платформ, используемых для оценки агентов и алгоритмов ИИ, обсуждаются в работе Эрнандеса-Оралло и др. (2017). Для более широкого исследования ИИ в настольных и виртуальных/компьютерных играх обратитесь к работе Ризи и Пройсс (2020).
Рост применения ИИ и МО не остановим, и в этом контексте может возникнуть вопрос, как работают инструменты ИИ и МО и чем они отличаются от традиционной аналитики. Эти вопросы мы затронем в следующем разделе.
Парадигма машинного обучения
Чтобы понять, почему машинное обучение (МО) используется в широком спектре приложений, нужно рассмотреть различия между современными подходами к обучению в области ИИ и традиционными методами аналитики. На высоком концептуальном уровне можно описать старые или традиционные подходы к спортивной аналитике как процесс, начинающийся с набора правил, определяющих проблему, и данных, которые обрабатываются с помощью программы/приложения, дающего ответы на поставленную задачу. В отличие от этого, в парадигме машинного обучения/предсказательной аналитики процесс работает принципиально иначе. Например, в некоторых подходах МО обычно начинают с предоставления программе ответов и соответствующих данных на конкретную задачу, при этом алгоритм самостоятельно определяет правила проблемы. Эти правила затем используются для создания предсказаний, которые проверяются на точность с помощью новых (ранее не виденных) данных.
Таким образом, машинное обучение — это область ИИ, которая занимается алгоритмами, обучающимися на данных с помощью индуктивного обучения. Проще говоря, предсказание в МО можно описать как функцию из набора входных данных i_1, i_2, …, i_n для прогнозирования неизвестного значения y следующим образом: f(w_1*i_1, w_2*i_2, …, w_n*i_n) = y, где w_t — вес входного параметра t.
Разные типы или подходы к МО используются для разных задач. Наиболее популярными являются контролируемое обучение, неконтролируемое обучение и обучение с подкреплением:
Для подробного ознакомления с основами машинного обучения и популярными алгоритмами МО см. Бонаккорсо (2017). Большинство приложений ИИ в спорте основаны на одном или нескольких из вышеуказанных подходов к МО. Фактически, в большинстве приложений предсказательного моделирования природа выходного значения y, которое нужно предсказать или проанализировать, может влиять на архитектуру алгоритма обучения.
Объяснение деталей работы различных техник МО выходит за рамки данной статьи. Однако, чтобы дать общее представление о том, как работают такие алгоритмы, и о различиях между ними, мы кратко представим (гипотетические) задачи контролируемого, неконтролируемого и обучения с подкреплением в контексте спорта. Эти примеры помогут профессионалам и прикладным исследователям, работающим в спорте, лучше понять, как думают специалисты по данным, чтобы облегчить общение с ними по поводу их подходов и методологий, не углубляясь в детали аналитики.
Таким образом, машинное обучение — это область ИИ, которая занимается алгоритмами, обучающимися на данных с помощью индуктивного обучения. Проще говоря, предсказание в МО можно описать как функцию из набора входных данных i_1, i_2, …, i_n для прогнозирования неизвестного значения y следующим образом: f(w_1*i_1, w_2*i_2, …, w_n*i_n) = y, где w_t — вес входного параметра t.
Разные типы или подходы к МО используются для разных задач. Наиболее популярными являются контролируемое обучение, неконтролируемое обучение и обучение с подкреплением:
- В контролируемом обучении мы начинаем с наблюдения и записи как входных данных (i's), так и выходных данных (y's) системы за определенный период времени. Эти данные (набор правильных примеров входных данных и их соответствующих выходных значений) затем анализируются для выведения правил, лежащих в основе динамики наблюдаемой системы, т.е. правил, которые сопоставляют данный вход с его правильным выходом.
- В неконтролируемом обучении правильные примеры или выходные значения системы недоступны. Задача алгоритма — обнаружить ранее не замеченные закономерности во входных данных.
- В обучении с подкреплением алгоритм (обычно называемый агентом) разрабатывается для выполнения серии действий, максимизирующих его накопленное вознаграждение с течением времени. Агент затем создает политику (набор правил выбора действий), которая возвращает вероятность выполнения данного действия в разных условиях задачи.
Для подробного ознакомления с основами машинного обучения и популярными алгоритмами МО см. Бонаккорсо (2017). Большинство приложений ИИ в спорте основаны на одном или нескольких из вышеуказанных подходов к МО. Фактически, в большинстве приложений предсказательного моделирования природа выходного значения y, которое нужно предсказать или проанализировать, может влиять на архитектуру алгоритма обучения.
Объяснение деталей работы различных техник МО выходит за рамки данной статьи. Однако, чтобы дать общее представление о том, как работают такие алгоритмы, и о различиях между ними, мы кратко представим (гипотетические) задачи контролируемого, неконтролируемого и обучения с подкреплением в контексте спорта. Эти примеры помогут профессионалам и прикладным исследователям, работающим в спорте, лучше понять, как думают специалисты по данным, чтобы облегчить общение с ними по поводу их подходов и методологий, не углубляясь в детали аналитики.
Контролируемое обучение: Прогнозирование травм игроков
Многие спортивные травмы (например, растяжение мышц) можно эффективно лечить или предотвращать, если их удается обнаружить на ранней стадии или предсказать вероятность их возникновения. Причины, приводящие к травмам, могут быть различными и их комбинациями. Например, в Австралийской футбольной лиге некоторые гипотезы, приводящие к растяжению мышц, включают: мышечную слабость и недостаток гибкости, усталость, недостаточную разминку и плохую осанку (Brockett et al., 2004). Выявление паттернов, которые могут привести к таким травмам, крайне важно как для безопасности игроков, так и для успеха и конкурентоспособности команды.
В сценарии контролируемого обучения собираются данные о игроках за предыдущие сезоны, включая такие детали, как количество сыгранных матчей и последовательных матчей, общее время игры в каждом матче, возраст, количество метров, которые они пробежали, разминались ли они перед матчем, сколько раз их сбивали другие игроки и т.д., но, что особенно важно, получили ли игроки травму и пропустили ли следующий матч.
Последний пункт очень важен, так как это основное отличие контролируемого обучения от других подходов: результат (была ли травма у игрока) известен в исторических данных, собранных за предыдущие сезоны. Эти исторические данные (вместе с результатом) загружаются в алгоритм машинного обучения с целью выявления паттернов (комбинаций факторов), которые приводят к травме (и обычно назначения вероятности травмы при наличии этих паттернов). После того как эти паттерны выучены, алгоритм или модель тестируется на новых (неизвестных) данных, чтобы проверить, насколько хорошо он предсказывает или объясняет травму с высокой точностью (например, в 70% случаев). Если точность модели не соответствует требованиям, модель настраивается (или обучается с немного другими параметрами), пока не достигнет желаемой или приемлемой точности. Здесь важно отметить, что мы не выделяем конкретный алгоритм или технику для достижения вышеуказанного. Этот подход можно применить с использованием различных алгоритмов МО, таких как нейронные сети, деревья решений и регрессионные модели.
В сценарии контролируемого обучения собираются данные о игроках за предыдущие сезоны, включая такие детали, как количество сыгранных матчей и последовательных матчей, общее время игры в каждом матче, возраст, количество метров, которые они пробежали, разминались ли они перед матчем, сколько раз их сбивали другие игроки и т.д., но, что особенно важно, получили ли игроки травму и пропустили ли следующий матч.
Последний пункт очень важен, так как это основное отличие контролируемого обучения от других подходов: результат (была ли травма у игрока) известен в исторических данных, собранных за предыдущие сезоны. Эти исторические данные (вместе с результатом) загружаются в алгоритм машинного обучения с целью выявления паттернов (комбинаций факторов), которые приводят к травме (и обычно назначения вероятности травмы при наличии этих паттернов). После того как эти паттерны выучены, алгоритм или модель тестируется на новых (неизвестных) данных, чтобы проверить, насколько хорошо он предсказывает или объясняет травму с высокой точностью (например, в 70% случаев). Если точность модели не соответствует требованиям, модель настраивается (или обучается с немного другими параметрами), пока не достигнет желаемой или приемлемой точности. Здесь важно отметить, что мы не выделяем конкретный алгоритм или технику для достижения вышеуказанного. Этот подход можно применить с использованием различных алгоритмов МО, таких как нейронные сети, деревья решений и регрессионные модели.
Неконтролируемое обучение: Сегментация болельщиков
В этом примере мы рассмотрим, как в бизнесе спорта применяется подход неконтролируемого обучения. Многие спортивные организации хранят исторические данные о своих зрителях, записывая такие характеристики, как пол, почтовый индекс, возраст, национальность, образование, доход, семейное положение и так далее. Здесь возникает вопрос: можно ли выделить различные сегменты клиентов, которые будут покупать билеты разных категорий (например, по цене, продолжительности, классу)?
Некоторые алгоритмы искусственного интеллекта помогают разделить доступные данные так, чтобы каждая запись (историческая продажа билетов) находилась в группе, которая похожа на другие записи в этой же группе по заданным характеристикам. Алгоритм использует метрику сходства или расстояния для классификации зрителей по категории билетов, которые они могут приобрести.
Это отличается от работы алгоритмов контролируемого обучения, о которых шла речь в предыдущем разделе. В контролируемом обучении мы заранее указываем алгоритму исход, обучая его (то есть классифицируем каждое наблюдение в зависимости от результата: травма или нет, дешевые или дорогие места и т.д.). В подходе неконтролируемого обучения такой классификации или маркировки исторических данных не существует. Задача алгоритма неконтролируемого обучения — обнаружить ранее незамеченные закономерности во входных данных и сгруппировать их в два или более класса.
Представьте ситуацию, в которой клуб Австралийской футбольной лиги стремится идентифицировать наиболее прибыльный сегмент клиентов среди всех посетителей стадиона, чтобы улучшить свои маркетинговые операции. Математические модели могут использоваться для выявления похожих клиентов на основе различий в некоторых их характеристиках в пределах каждого сегмента и между сегментами. Популярный алгоритм неконтролируемого обучения, используемый для достижения этой цели, — алгоритм кластеризации K-средних, который находит метки классов из данных. Это делается путем итеративного распределения точек данных (например, клиентов) в группу/класс на основе характеристик этих входных данных. Суть в том, что группы или классы, к которым присваиваются точки данных, не определяются заранее до изучения входных данных (хотя количество групп или сегментов можно предопределить), а формируются динамически по мере работы алгоритма K-средних над точками данных. В контексте сегментации клиентов, когда математической модели (алгоритму K-средних) предоставляются данные о клиентах, не требуется заранее маркировать часть (или любую) этих данных в группы для обучения модели, как это обычно делается в контролируемых моделях.
Некоторые алгоритмы искусственного интеллекта помогают разделить доступные данные так, чтобы каждая запись (историческая продажа билетов) находилась в группе, которая похожа на другие записи в этой же группе по заданным характеристикам. Алгоритм использует метрику сходства или расстояния для классификации зрителей по категории билетов, которые они могут приобрести.
Это отличается от работы алгоритмов контролируемого обучения, о которых шла речь в предыдущем разделе. В контролируемом обучении мы заранее указываем алгоритму исход, обучая его (то есть классифицируем каждое наблюдение в зависимости от результата: травма или нет, дешевые или дорогие места и т.д.). В подходе неконтролируемого обучения такой классификации или маркировки исторических данных не существует. Задача алгоритма неконтролируемого обучения — обнаружить ранее незамеченные закономерности во входных данных и сгруппировать их в два или более класса.
Представьте ситуацию, в которой клуб Австралийской футбольной лиги стремится идентифицировать наиболее прибыльный сегмент клиентов среди всех посетителей стадиона, чтобы улучшить свои маркетинговые операции. Математические модели могут использоваться для выявления похожих клиентов на основе различий в некоторых их характеристиках в пределах каждого сегмента и между сегментами. Популярный алгоритм неконтролируемого обучения, используемый для достижения этой цели, — алгоритм кластеризации K-средних, который находит метки классов из данных. Это делается путем итеративного распределения точек данных (например, клиентов) в группу/класс на основе характеристик этих входных данных. Суть в том, что группы или классы, к которым присваиваются точки данных, не определяются заранее до изучения входных данных (хотя количество групп или сегментов можно предопределить), а формируются динамически по мере работы алгоритма K-средних над точками данных. В контексте сегментации клиентов, когда математической модели (алгоритму K-средних) предоставляются данные о клиентах, не требуется заранее маркировать часть (или любую) этих данных в группы для обучения модели, как это обычно делается в контролируемых моделях.
Обучение с подкреплением: моделирование и фэнтези-спорт
Как уже упоминалось ранее, в обучении с подкреплением алгоритм (такой как Q-learning или SARSA) учится выполнять серию задач, взаимодействуя с искусственной средой, созданной для имитации реальной среды или проблемы. В отличие от обучения с учителем, алгоритму не говорят заранее, какое действие правильное в разных состояниях или условиях среды. Вместо этого он постепенно учится этому, максимизируя получаемое вознаграждение.
Простыми словами, в подходах обучения с подкреплением задачи представляют с помощью агента (программного алгоритма) и таблицы состояний и действий. Когда агент выполняет действие, он переходит из одного состояния в другое и получает вознаграждение или штраф (положительные или отрицательные числовые оценки соответственно). Эти значения сохраняются в таблице агента для будущего использования и уточнения. Цель агента — выбирать действия, которые максимизируют его вознаграждение. Когда агент еще не знает, какое вознаграждение он получит за выполнение определенного действия в данном состоянии, он выбирает действие случайным образом и обновляет свою таблицу после этого действия. После множества итераций агент формирует таблицу с ожидаемыми значениями вознаграждений для всех будущих действий, начиная с исходного состояния.
Обучение с подкреплением применялось для улучшения выбора составов команд в фэнтези-спорте. Также это направление широко используется в онлайн-ботах и симуляторах, таких как шахматы, шашки, Го, покер, StarCraft и другие.
Важно также отметить существование генетических или эволюционных алгоритмов, иногда называемых алгоритмами, вдохновленными природой или биологией. Хотя такие алгоритмы обычно не считаются алгоритмами машинного обучения, а скорее техниками поиска и эвристиками, они очень популярны для решения подобных задач. Кратко говоря, идея таких алгоритмов заключается в проведении параллельного поиска, отбора и мутаций, перебирая возможные кандидатуры решений проблемы. Решения постепенно оптимизируются до достижения локального или глобального оптимума.
Простыми словами, в подходах обучения с подкреплением задачи представляют с помощью агента (программного алгоритма) и таблицы состояний и действий. Когда агент выполняет действие, он переходит из одного состояния в другое и получает вознаграждение или штраф (положительные или отрицательные числовые оценки соответственно). Эти значения сохраняются в таблице агента для будущего использования и уточнения. Цель агента — выбирать действия, которые максимизируют его вознаграждение. Когда агент еще не знает, какое вознаграждение он получит за выполнение определенного действия в данном состоянии, он выбирает действие случайным образом и обновляет свою таблицу после этого действия. После множества итераций агент формирует таблицу с ожидаемыми значениями вознаграждений для всех будущих действий, начиная с исходного состояния.
Обучение с подкреплением применялось для улучшения выбора составов команд в фэнтези-спорте. Также это направление широко используется в онлайн-ботах и симуляторах, таких как шахматы, шашки, Го, покер, StarCraft и другие.
Важно также отметить существование генетических или эволюционных алгоритмов, иногда называемых алгоритмами, вдохновленными природой или биологией. Хотя такие алгоритмы обычно не считаются алгоритмами машинного обучения, а скорее техниками поиска и эвристиками, они очень популярны для решения подобных задач. Кратко говоря, идея таких алгоритмов заключается в проведении параллельного поиска, отбора и мутаций, перебирая возможные кандидатуры решений проблемы. Решения постепенно оптимизируются до достижения локального или глобального оптимума.
Будущее искусственного интеллекта в спорте
Без сомнения, искусственный интеллект продолжит менять спорт, и способы, которыми мы играем, смотрим и анализируем спорт, будут инновационными и неожиданными. На самом деле, машинное обучение кардинально изменило то, как мы думаем о стратегиях матчей, анализе производительности игроков, но и о том, как мы отслеживаем, определяем и узнаем о потребителях спорта. Возникает целый ряд этических вопросов, которые становятся все более актуальными, когда машины вторгаются в традиционно человеческую и талантливую сферу спорта. Маловероятно, что искусственный интеллект полностью заменит тренеров и экспертов, но нет сомнений в том, что использование его возможностей даст тренерам и игрокам большое преимущество перед теми, кто полагается только на человеческий опыт. Это также предоставит менеджерам спортивного бизнеса более глубокие, актуальные понимания поведения, потребностей и желаний потребителей спорта, а искусственный интеллект станет главным производителем спортивного контента, персонализированного и сделанного на заказ для отдельных потребителей. Однако направление и вмешательство человека, по-видимому, по крайней мере в ближайшем будущем, по-прежнему является существенным при работе над элитной спортивной производительностью и стратегическими решениями в спортивном бизнесе. Спортивное выступление на поле часто является развлекательным зрелищем, где спортивный контекст является платформой для создания бизнеса в спорте. Замена судей автоматизированным искусственным интеллектом, конечно, возможна и все чаще используется в различных видах спорта, потому что это более точно и эффективно, но это то, что хотят болельщики?
Каким может быть будущее спорта с все более интегрированным искусственным интеллектом? В настоящее время большинство исследований в области искусственного интеллекта и спорта специализировано. Это означает, что они предоставляют решения для повышения производительности или бизнеса и решают конкретные проблемы на и вне поля. Например, ученые успешно разработали решения для решения проблем, таких как измерение производительности игрока и количественная оценка влияния игрока/команды на посещаемость ворот. Тем не менее, наши исследования еще не выявили (пока что) исследований, которые предоставляют полный анализ, например, абсолютной ценности спортсмена, учитывая все аспекты его или ее производительности, в том числе в отношении продаж билетов или сделок о рекламе.
Одной из основных проблем для достижения такого комплексного анализа является в основном тот факт, что данные о игроках и командах, а также коммерческие данные, такие как продажи билетов и посещаемость, являются собственностью и не обнародуются, чтобы избежать предоставления конкурентной информации другим сторонам. Кроме того, конфиденциальность также является важным аспектом. Необходимо установить правила о конфиденциальности данных и утечке личных идентификационных данных, чтобы регулировать использование и обмен спортивными данными (о производительности и потреблении). Владение данными, их защита, безопасность, конфиденциальность и доступ будут стимулировать необходимость в обширном и строгом законодательстве и регулировании, которые сильно повлияют на скорость и полноту принятия искусственного интеллекта в спорте. Для этого стоит учитывать вопросы конфиденциальности и конфиденциальности независимо при изучении пути принятия искусственного интеллекта в лигах по сравнению с отдельными командами и, в конечном итоге, с отдельными игроками. В конечном итоге успешное принятие искусственного интеллекта в спортивной лиге, вероятно, будет зависеть от готовности команд этой лиги и их игроков делиться собственными данными или идеями с другими командами в лиге. Данные о производительности игроков, в частности, становятся горячей темой споров. Вполне вероятно, что именно искусственный интеллект будет определять торговую силу игроков и их агентов в отношении стоимости их контрактов. В дополнение к этому, это также будет искусственный интеллект, который предоставит информацию, которая будет определять, достигают ли игроки целей производительности, установленных тренерами и согласованных в контрактах. Другими словами, конфиденциальность и владение данными на уровне лиги, команды или игрока станет все более острым вопросом правовых споров, и это будет отражено в сложности контрактных соглашений и возможных спорах в раздевалках и на поле. Контроль над тем, какие данные могут или не могут быть использованы, стоит на кону.
С экономической точки зрения, полагаться на искусственные алгоритмы может увеличить доход спортивных организаций и организаторов событий, когда они смогут применять эффективные переменные и динамические стратегии ценообразования и создавать обширные и глубокие платформы для знаний потребителя. Различные типы алгоритмов машинного обучения могут быть приняты для более эффективного маркетинга клиентов через персонализацию и увеличение коэффициентов конверсии в продажах.
Наконец, для окна в будущее конфиденциальности данных может быть полезно вернуться к бейсболу, где зависимость от больших данных начала свое распространение по индустрии высокопроизводительного спорта. Хаттери (2017, с. 282) объясняет, что в бейсболе "используя передовые системы сбора данных ... команды MLB конкурируют, чтобы создать наиболее точные модели прогнозирования травм, возможные для защиты и оптимизации использования своих игроков. Хотя эта технология имеет потенциал предложить огромную ценность как команде, так и игроку, она приходит с потенциальным конфликтом интересов. Цели игрока не всегда совпадают с целями организации: игрок стремится защитить свою карьеру, а команда пытается капитализировать на стоимости актива. По этой причине игрок имеет интерес к доступу к данным, которые анализируют его потенциальный риск травмы. Это подчеркивает более крупную проблему в области больших данных: какие права будут у лиц в отношении их собственных данных?"
Эта проблема конфиденциальности может быть дополнительно расширена на пространство спортивного бизнеса. Дезфули и др. (2020) показали, как искусственный интеллект может быть спроектирован для манипулирования человеческим поведением. Алгоритмы изучили ответы людей, участвовавших в контролируемых экспериментах. Алгоритмы выявили и нацелили уязвимости в человеческом принятии решений. Искусственный интеллект смог направить участников на выполнение определенных действий. Так, будет ли искусственный интеллект когда-то формировать поведение расходования болельщиков спорта, эксплуатируя их эмоциональные уязвимости фанатов и отслеживая их, например, склонности к азартным играм? Будет ли искусственный интеллект жертвовать здоровьем некоторых спортсменов в пользу победы более крупной команды в чемпионате? Или это уже происходит? Время покажет.
Каким может быть будущее спорта с все более интегрированным искусственным интеллектом? В настоящее время большинство исследований в области искусственного интеллекта и спорта специализировано. Это означает, что они предоставляют решения для повышения производительности или бизнеса и решают конкретные проблемы на и вне поля. Например, ученые успешно разработали решения для решения проблем, таких как измерение производительности игрока и количественная оценка влияния игрока/команды на посещаемость ворот. Тем не менее, наши исследования еще не выявили (пока что) исследований, которые предоставляют полный анализ, например, абсолютной ценности спортсмена, учитывая все аспекты его или ее производительности, в том числе в отношении продаж билетов или сделок о рекламе.
Одной из основных проблем для достижения такого комплексного анализа является в основном тот факт, что данные о игроках и командах, а также коммерческие данные, такие как продажи билетов и посещаемость, являются собственностью и не обнародуются, чтобы избежать предоставления конкурентной информации другим сторонам. Кроме того, конфиденциальность также является важным аспектом. Необходимо установить правила о конфиденциальности данных и утечке личных идентификационных данных, чтобы регулировать использование и обмен спортивными данными (о производительности и потреблении). Владение данными, их защита, безопасность, конфиденциальность и доступ будут стимулировать необходимость в обширном и строгом законодательстве и регулировании, которые сильно повлияют на скорость и полноту принятия искусственного интеллекта в спорте. Для этого стоит учитывать вопросы конфиденциальности и конфиденциальности независимо при изучении пути принятия искусственного интеллекта в лигах по сравнению с отдельными командами и, в конечном итоге, с отдельными игроками. В конечном итоге успешное принятие искусственного интеллекта в спортивной лиге, вероятно, будет зависеть от готовности команд этой лиги и их игроков делиться собственными данными или идеями с другими командами в лиге. Данные о производительности игроков, в частности, становятся горячей темой споров. Вполне вероятно, что именно искусственный интеллект будет определять торговую силу игроков и их агентов в отношении стоимости их контрактов. В дополнение к этому, это также будет искусственный интеллект, который предоставит информацию, которая будет определять, достигают ли игроки целей производительности, установленных тренерами и согласованных в контрактах. Другими словами, конфиденциальность и владение данными на уровне лиги, команды или игрока станет все более острым вопросом правовых споров, и это будет отражено в сложности контрактных соглашений и возможных спорах в раздевалках и на поле. Контроль над тем, какие данные могут или не могут быть использованы, стоит на кону.
С экономической точки зрения, полагаться на искусственные алгоритмы может увеличить доход спортивных организаций и организаторов событий, когда они смогут применять эффективные переменные и динамические стратегии ценообразования и создавать обширные и глубокие платформы для знаний потребителя. Различные типы алгоритмов машинного обучения могут быть приняты для более эффективного маркетинга клиентов через персонализацию и увеличение коэффициентов конверсии в продажах.
Наконец, для окна в будущее конфиденциальности данных может быть полезно вернуться к бейсболу, где зависимость от больших данных начала свое распространение по индустрии высокопроизводительного спорта. Хаттери (2017, с. 282) объясняет, что в бейсболе "используя передовые системы сбора данных ... команды MLB конкурируют, чтобы создать наиболее точные модели прогнозирования травм, возможные для защиты и оптимизации использования своих игроков. Хотя эта технология имеет потенциал предложить огромную ценность как команде, так и игроку, она приходит с потенциальным конфликтом интересов. Цели игрока не всегда совпадают с целями организации: игрок стремится защитить свою карьеру, а команда пытается капитализировать на стоимости актива. По этой причине игрок имеет интерес к доступу к данным, которые анализируют его потенциальный риск травмы. Это подчеркивает более крупную проблему в области больших данных: какие права будут у лиц в отношении их собственных данных?"
Эта проблема конфиденциальности может быть дополнительно расширена на пространство спортивного бизнеса. Дезфули и др. (2020) показали, как искусственный интеллект может быть спроектирован для манипулирования человеческим поведением. Алгоритмы изучили ответы людей, участвовавших в контролируемых экспериментах. Алгоритмы выявили и нацелили уязвимости в человеческом принятии решений. Искусственный интеллект смог направить участников на выполнение определенных действий. Так, будет ли искусственный интеллект когда-то формировать поведение расходования болельщиков спорта, эксплуатируя их эмоциональные уязвимости фанатов и отслеживая их, например, склонности к азартным играм? Будет ли искусственный интеллект жертвовать здоровьем некоторых спортсменов в пользу победы более крупной команды в чемпионате? Или это уже происходит? Время покажет.
Получите оценку проекта
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности
Оцените свой проект! Заполните форму ниже
Похожие статьи