A mesterséges intelligencia optimalizálja a futballt, de nem teljesen

A futball hosszú ideig ellenállt az adattudományi elemzésnek, mivel túl dinamikusnak és kaotikusnak tűnt a strukturált kiértékeléshez. Ez azonban az ezredforduló után megváltozott, amikor a kutatók felismerték, hogy a mérkőzések során keletkező adatok mennyisége és összetetttsége ideális a mesterséges intelligencia alkalmazásához. A belgiumai KU Leuven egyetem Sports Analytics Lab laboratóriuma, Jesse Davis vezetésével, úttörő szerepet játszott ebben a fejlődésben.

Ma már szinte nincs olyan profi futballklub, amely ne foglalkoztatna dedikált adatelemzési csapatot. Az elemzések segítségével a klubok játékosok teljesítményét mérik, taktikai döntéseket hoznak, és új játékosokat értékelnek. Az úgynevezett Expected Goals Index (xG) mutató például azt mutatja meg, hogy egy adott helyzet mekkora valószínűséggel vezet gólhoz – az 11-esek esetében ez 76-82 százalék között mozog az angol Premier League-ben.

De a futball továbbra is nehezebben elemezhető, mint az amerikai sportágak. Míg a baseball vagy az amerikai futball játékszituációi ismétlődőek és jól elkülöníthetőek, a futball sokkal dinamikusabb és kaotikusabb. A gólok közötti időbeli távolság nagyobb, és kevesebb lövés érkezik kapura, mint más sportágakban. Ez azt jelenti, hogy az adatpontok sokkal ritkábban fordulnak elő, és az elemzés bonyolultabb.

A kutatók különféle gépi tanulási, statisztikai és mesterséges intelligencia módszereket alkalmaznak az adatok feldolgozásához. Egy játékos értékelésekor például azt vizsgálják, hogy az adott játékos minden egyes akciója hogyan befolyásolja csapata gólszerzési esélyeit az azt követő 10-15 másodpercben, valamint milyen kockázatot jelent a gólszerzésre nézve. Az elemzések azonban nem nyújtanak teljes optimalizációt – a futball összetett természete miatt mindig marad bizonytalanság és emberi tényező.