Para quem gosta de futebol, os padrões em campo — o ataque que avança, se expande para as laterais do campo e pressiona a defesa, o contra-ataque (transição) que começa do nada — são fascinantes e fáceis de acompanhar.
Para um modelo de inteligência artificial (IA), no entanto, não é fácil entender o que está acontecendo. O vídeo bruto do jogo está repleto de informações, a maioria irrelevantes. A primeira coisa que um engenheiro de IA precisa fazer é ensinar ao modelo o que importa e o que não importa.
Para analisar táticas de futebol, as posições dos jogadores e da bola são um bom ponto de partida. Mas um time não é apenas um conjunto de jogadores isolados; é uma rede de relacionamentos.
Essas redes, que os matemáticos chamam de grafos, são compostas de nós conectados por arestas. Em um campo de futebol, cada jogador é um nó distinto, com arestas capturando interações como passes e tackles.
Uma partida pode ser representada como uma sequência evolutiva de grafos – e nela você não encontrará dois iguais do pontapé inicial ao apito final.
Modelos de IA capazes de analisar essas informações são conhecidos como redes neurais de grafos (GNNs), podem ser usados para identificar padrões que representam perigo para uma equipe e, consequentemente, como e quando evita-los.
Muitas áreas da ciência, da biologia ao marketing, usam os GNN. Recentemente o Instituto de Tecnologia de Massachusetts (MIT) convidou Joris Bekkers e Amod Sahasrabudhe, dois analistas esportivos, para apresentar o modelo que desenvolveram enquanto estavam na Federação de Futebol dos Estados Unidos. Este modelo prevê contra-ataques usando um método originalmente concebido para prever como os átomos se unem para formar cristais.
Todo modelo é uma simplificação; os baseados em grafos não são exceção. Eles são bons para representar interações entre pares de nós. Para capturar uma formação defensiva de quatro pessoas, outras estruturas, ainda mais complexas, tem que ser chamadas do banco de reservas.
(The Economist)
A IA está mudando o futebol dentro e fora do campo. Mudou o jeito do time jogar, mudaram os os critérios para escalar jogadores, a política de contratações não é a mesma. Este é um primeiro texto sobre as relações entre o futebol e a IA que encontrei em The Economist e achei importante traduzir. (AFSJ)
Para quem gosta de futebol, os padrões em campo — o ataque que avança, se expande para as laterais do campo e pressiona a defesa, o contra-ataque (transição) que começa do nada — são fascinantes e fáceis de acompanhar.
Para um modelo de inteligência artificial (IA), no entanto, não é fácil entender o que está acontecendo. O vídeo bruto do jogo está repleto de informações, a maioria irrelevantes. A primeira coisa que um engenheiro de IA precisa fazer é ensinar ao modelo o que importa e o que não importa.
Para analisar táticas de futebol, as posições dos jogadores e da bola são um bom ponto de partida. Mas um time não é apenas um conjunto de jogadores isolados; é uma rede de relacionamentos.
Essas redes, que os matemáticos chamam de grafos, são compostas de nós conectados por arestas. Em um campo de futebol, cada jogador é um nó distinto, com arestas capturando interações como passes e tackles.
Uma partida pode ser representada como uma sequência evolutiva de grafos – e nela você não encontrará dois iguais do pontapé inicial ao apito final.
Modelos de IA capazes de analisar essas informações são conhecidos como redes neurais de grafos (GNNs), podem ser usados para identificar padrões que representam perigo para uma equipe e, consequentemente, como e quando evita-los.
Muitas áreas da ciência, da biologia ao marketing, usam os GNN. Recentemente o Instituto de Tecnologia de Massachusetts (MIT) convidou Joris Bekkers e Amod Sahasrabudhe, dois analistas esportivos, para apresentar o modelo que desenvolveram enquanto estavam na Federação de Futebol dos Estados Unidos. Este modelo prevê contra-ataques usando um método originalmente concebido para prever como os átomos se unem para formar cristais.
Todo modelo é uma simplificação; os baseados em grafos não são exceção. Eles são bons para representar interações entre pares de nós. Para capturar uma formação defensiva de quatro pessoas, outras estruturas, ainda mais complexas, tem que ser chamadas do banco de reservas.
(The Economist)