אנדרה אגאסי ובוריס בקר נפגשו על מגרש הטניס כיריבים מסוף שנות ה-80 ולאורך כעשור. שנים רבות אחרי סוף התחרות על המגרש, אגאסי חשף בראיון את אחד הכלים שעזרו לו מול יריבו. רגע לפני חבטת ההגשה – חבטה שעשויה להיות מכרעת – בקר היה מסגיר מבלי משים את הכיוון שאליו התכוון לשגר את הכדור: הוא היה משרבב את הלשון בכיוון שהעיד על כוונתו. כלומר, במשחק הופיעה תבנית, ומי שזיהה אותה וגייס את הידע לטובתו עשוי היה להשיג יתרון במגרש.
משחקי ספורט מספקים הרבה נתונים כמותיים שאפשר לאסוף ולנתח, בניסיון לזהות תבניות מועילות ולמצוא דפוסים בסטטיסטיקה. ברגע שמפצחים את התבניות ואת הגורמים להן, אפשר לפתח דרכים להסיט את התוצאה למקום הרצוי. לדוגמה, ניתוח סטטיסטי של משחקי כדורסל הוביל לשינוי בשיטות המשחק, ולטקטיקה שבה המאמן מעדיף להנחות את שחקניו לזרוק מעבר לקשת השלוש. ניתוח של נתוני עתק (big data) בספורט מסייע להחליט על רכש שחקנים, לעצב שיטות אימון ותזונה ולפתוח טקטיקות במשחקים.
ניתוח של נתוני עתק בספורט מסייע בשורה של החלטות, מרכש ועד טקטיקה. אילוסטרציה של תכנית משחק בכדורגל | Shutterstock, vectorfusionart
שחקנית חדשה עולה למגרש
ניתוח נתוני עתק בספורט ושימוש בסטטיסטיקה שנגזרת מהם בשביל להשיג תוצאות טובות יותר החלו עוד במחצית השנייה של המאה ה-20. עם התקדמות הטכנולוגיה הצטרפה לנבחרת שחקנית חדשה – הבינה המלאכותית. היא יעילה במיוחד בזיהוי תבניות כשמציגים לה מידע רב וטובה בהכללות. מאמנים שגייסו אותה לשורותיהם מקווים שהיא תסייע לשפר את ביצועי הספורטאים.
מועדון הספורט ברצלונה, בדומה למועדוני ספורט גדולים אחרים ברחבי העולם, מחזיק מרכז חדשנות ומחקר לשיפור הישגי המועדון. באחד המחקרים שפרסם המרכז בדקו החוקרים איזה מיקומים אופייניים של שחקנים על מגרש הכדורגל מאפשרים ליצור מהלכים שיש בהם יתרון. לשם כך הם אספו נתונים ברזולוציה גבוהה מעשרות משחקים, נתונים שכללו את מיקום הכדור ומיקום השחקנים בעשרות אלפי מסירות בין שחקנים ואירועים שבאו בעקבות המסירות. על בסיס הדוגמאות האלה הם אימנו מערכת שחזתה את ההסתברות למהלך מוצלח בעקבות מסירה לשחקן מסוים.
בעזרת התחזיות האלה ניסו החוקרים לקבוע לאילו שחקנים, מאילו שחקנים ובאיזה מיקומים על המגרש מסירות יכולות להועיל לקבוצה או – במקרה שמדובר באסטרטגיה בהגנה – להקשות על הקבוצה היריבה. ניתוח מהסוג הזה יכול להשפיע על החלטות אסטרטגיות של מאמנים.
עם התקדמות הטכנולוגיה הצטרפה לנבחרת שחקנית חדשה – הבינה המלאכותית. אילוסטרציה של רובוט בכדורגל | Shutterstock, DRN Studio
הגדרת היעד
בעיה אחת בשימוש בבינה מלאכותית היא שבכדורגל קשה להגדיר שיפור במצבה של קבוצה. במשחק מעורבים שחקנים רבים על מגרש גדול, מהלכים שעשויים להוביל לשער יכולים להימשך דקות רבות, והאירוע היחיד שקובע את הצלחת הקבוצה, השער, מתרחש פעמים בודדות במשחק. מערכות שמשלבות למידת מכונה ובינה מלאכותית זקוקות ליעד, להגדרה ברורה שהמערכת שואפת אליה. השימוש בשערים בתור יעד הוא לא יעיל כי הם נדירים, ולכן לא קל לעצב מערכות לבניית טקטיקה לשם שיפור ההתנהלות של הקבוצה במשחק באמצעים של למידת מכונה. מדדי הסתברות, למשל מדד xG, מפותחים בשביל להתמודד עם הבעיה של הגדרת היעד. אלה מדדים שמסייעים לחשב הסתברות של שער, הסתברות שאותה הקבוצה התוקפת תרצה להגדיל והקבוצה המגִנה תרצה להקטין.
שיפור מצבה הכללי של הקבוצה במשחק הוא אתגר קשה, ולכן אפשר לנסות להתמקד במצבים ספציפיים. גוגל ומועדון הכדורגל ליברפול פרסמו לאחרונה כלי לניתוח בעיטות קרן. החוקרים שאפו לשפר את ניתוח הקשרים המורכבים בין 22 השחקנים על המגרש. הם הציגו את המצב על המגרש באמצעות נתונים אישיים של כל שחקן, למשל מיקומו על המגרש, מהירותו, מיקומו ביחס לכדור ונתוניו הגופניים – משקלו וגובהו. תיאור המצב במגרש כולל גם את הקשרים בין השחקנים. כל שחקן מסומן בתור חבר בקבוצתו של שחקן אחר – או חבר בקבוצה היריבה לקבוצתו של השחקן האחר. כך נוצרת רשת של קשרים. החוקרים מציגים כלי שלמד לחזות מי מהשחקנים שממתינים ברחבה יהיה הראשון שיגיע לכדור לאחר בעיטת קרן, ומה ההסתברות שהוא יבעט או ינגח למסגרת בניסיון להבקיע שער. החוקרים מציעים את המחקר בתור כלי טקטי במשחקים. לדוגמה, בהתאם למצב על המגרש לפני בעיטת קרן, המערכת יכולה להציע שינוי במיקום השחקנים במטרה להעלות את הסיכוי שהכדור יגיע לשחקן מסוים או ששחקן מסוים יצליח לכוון את הכדור לשער. הכלי שמייצג את המצב במגרש כולל מידע רב ומורכב, אבל עדיין חסרים נתונים שיכולים לשפר את הדיוק של התחזית, למשל מצב העייפות של השחקנים ורמת הכושר שלהם.
גוגל פרסמה מחקר שמנתח את בעיטת הקרן ומחשב את הקשרים הסבוכים שנוצרים בין השחקנים שמחכים לכדור ברחבה. בעיטת קרן | Shutterstock, Alizada Studios
על מנת למצוא תבניות אמינות בנתונים צריך לאסוף הרבה מאוד מהם. רוב הנתונים שמשמשים לניתוח משחקי ספורט מבוססים על צילומי וידיאו ותמונות, על חיישנים שנמצאים על השחקנים באמצעות מכשירים לבישים שיש בהם GPS, ועל דיווחים של אנשי מקצוע על התנהלות האירועים במשחק. החיישנים מאפשרים למדוד איפה נמצא כל שחקן במגרש ומה מהירותו וכיוון התנועה שלו, ואף מדדים גופניים, דופק ועדויות נוספות ליכולותיו הפיזיות. מצלמות במגרש מספקות הקשר רחב יותר ממידע שמתקבל משחקן בודד, למשל מיקומו של כל שחקן ביחס לעמיתיו ויריביו, ופניות חדות ש-GPS אישי מפספס. את הסקירה של מהלך המשחק משלים רישום האירועים על המגרש, למשל מסירות, נגיעות בכדור, היתקלויות, עבירות ושערים. על בסיס המידע הזה חוקרים מפתחים כלים כדי לחזות את המצבים על המגרש.
להקדים מנוחה לפציעה
ניתוח וניטור מצבים רפואיים באמצעות בינה מלאכותית מתפתח במקביל ובאופן שאינו תלוי בטכנולוגיות הספורט. פציעות של ספורטאים הן בעיה נפוצה בתחום שבמהותו דוחף את הגוף האנושי לקצה. פציעה עלולה להשבית שחקן לתקופה קצרה או ממושכת, במהלכה נפגע הכושר של השחקן. קיים גם המרכיב הכלכלי – בתקופת פציעה, השחקן לא תורם למועדון שאליו הוא משתייך. ניטור מקיף של ספורטאים על פני תקופה ממושכת מאפשר ללמוד מה המצב השגרתי של כל שחקן, ולזהות מתי הוא מתקרב להסתכן בפציעה.
מניעת פציעות היא אינטרס של השחקן והמועדון גם יחד. מחקרים מתמקדים בתחזית פציעות על פי מדדים אישיים על מנת למנוע שחיקה ועומס יתר. ליונל מסי במדי ברצלונה, יושב על הדשא | Shutterstock, Maxisport
מחקר שנעשה בקבוצה בליגת כדורגל איטלקית בכירה ניסה לפתח יכולת לחזות פציעות ללא מגע בין שחקנים, כלומר פציעות שמתרחשות בגלל עומס ושחיקה ולא בשל תיקול או התנגשות על המגרש. במסגרת המחקר, 26 שחקנים מקצועיים עטו מכשירי ניטור במשך 23 שבועות, במהלכם הוקלט מידע אישי במאות אימונים.
המשתנים שנרשמו כללו נתונים גופניים של כל שחקן: גיל, משקל, תפקיד על המגרש, פציעות עבר ונתונים על ביצועיו במשחק, למשל סך מרחקי הריצה וכן מרחקי ריצה במצב של מאמץ רב ובמצב של האצה על המגרש – מצבים שמעידים על שינויים בהיקף המאמץ מרגע לרגע. במהלך העונה נרשמו גם אירועי פציעות, במטרה לקשר אותם למידע האישי שהוקלט. בעזרת הנתונים האלו פיתחו במועדון כלי לחיזוי הסיכון לפציעה בעתיד הקרוב, על סמך נתונים פיזיים שמוקלטים באימונים באופן שוטף.
מידע שמקורו במועדון בודד עלול להיות דל מדי עבור פיתוח כלי תחזית אמינים ויעילים, כיוון שמערכות כאלו זקוקות למידע רב ומגוון. שימוש במידע לגבי נבחרות ספציפיות או עונות בודדות יכול להגביל את איכות התחזיות. מועדוני ספורט מבקשים למנוע פציעות גם ממניעי רווח, ולכן הם נוטים לא לחלוק את המידע שאספו עם מועדונים אחרים, כך שכל מועדון נשאר מוגבל למידע שלו – שאינו מספק. פיתוח של כלים למתן תחזית דורש איסוף של מידע רב ודוגמאות משחקנים שונים וקבוצות שונות, כדי לאפיין היטב את המשחק ולאפשר למערכת להכליל תופעות נרחבות.
על מנת לספק פתרון למחסור במידע מגוון, מאגרי מידע מחקרי פתוחים לשימוש מציעים מידע רב על משחקי כדורגל גברים וכדורגל נשים, במטרה לאפשר פיתוח כלים מדויקים יותר, ביניהם מדידות GPS ודוחות אישיים על מצב גופני, עומס ופציעות.
נראה שדריסת הרגל של הבינה המלאכותית בספורט רק תגדל – גם בתחום השיפוט. שופט כדורגל מוציא כרטיס צהוב | Shutterstock, Volodymyr Maksymchuk
השופט מכונַה?
כלים שמשתמשים בבינה המלאכותית ימשיכו להתפתח, ונראה שדריסת הרגל של הבינה המלאכותית בספורט רק תגדל. כלים לזיהוי תמונה בווידיאו מפותחים לצרכים שונים בתעשייה ובטכנולוגיה, החל ממכוניות אוטונומיות ועד מחסנים רובוטיים. ניתוח אוטומטי של וידיאו בספורט יכול לאפשר זיהוי שחקנים וקטלוג מהלכים במגרש בזמן אמת. כניסתה של טכנולוגיית ה-VAR למשחקים, במקביל לפיתוחי בינה מלאכותית, העלתה ובוודאי עוד תעלה שאלות על תפקידן ומקומן של הטכנולוגיה בכלל והבינה המלאכותית בפרט בהכרעות על המגרש. עד כה, מדיניות השילוב של הבינה המלאכותית בספורט היא עמומה, וכך גם בשאר התחומים שבהם היא משתלבת.
בינתיים, גופי ספורט ממהרים לצאת בהצהרות רשמיות שמכירות בנוכחות הבינה המלאכותית, ולפרסם מסמכים רשמיים עם כותרות מרשימות בנושא. עולם ניתוח הנתונים בספורט משתכלל, ובינה מלאכותית וחישוביות מקיפה הם עוד כלים שמאפשרים ללמוד את המשחק טוב יותר, ולהגיע לשיאים חדשים.
