足球中的人工智能？利物浦足球俱乐部使用 DeepMind 的 TacticAI 进行高冲击力的角球

引言

从医疗保健到零售，从银行到物流，从娱乐到制造业，人工智能与各个领域的整合是革命性的。它的影响延伸到体育领域，颂扬了创新和优化的新时代。在主教练尤尔根·克洛普（Jürgen Klopp）的领导下，利物浦足球俱乐部通过与DeepMind合作开发TacticAI，采用了最先进的人工智能技术。这位创新的助理教练分析和优化角球战术。
利用几何深度学习和群等变卷积网络，TacticAI 可以预测潜在结果并生成替代球员设置，使教练能够在关键的定位球中做出数据驱动的决策。通过一项涉及利物浦足球俱乐部专家的多年研究项目进行验证，TacticAI的战术建议与实际战术没有区别。他们更喜欢 90% 的时间，这突显了它通过智能 AI 辅助教练为团队提供竞争优势的潜力。很吸引人吧？在本文的进一步中，我们将剖析 TacticalAI 如何帮助利物浦足球俱乐部。

TacticAI：您的 AI 助理足球教练

TacticAI 是一款创新的 AI 足球战术助手，旨在分析和改进足球比赛中的角球。这项尖端技术解决了识别对手球队实施的关键战术模式并制定有效应对措施的挑战，这在现代足球中至关重要。关于“TacticAI：足球战术的人工智能助手”的研究论文提出了TacticAI作为这一未满足需求的解决方案，并强调了与利物浦足球俱乐部的领域专家密切合作的开发和评估。

使用 TacticAI 分析和改进角球

TacticAI 专注于分析角球，因为它们为教练提供了直接干预和改进的机会。TacticAI 结合了预测和生成组件，允许教练对每个角球例程的替代球员设置进行采样和探索，并选择预测成功可能性最高的球员设置。TacticAI 的实用性通过与利物浦足球俱乐部足球领域专家进行的一项定性研究得到了验证，证明了它在为角球提供战术建议方面的有效性。

双重动力：战术探索的预测和生成

TacticAI 的预测和生成双重能力使教练能够预测接球手和射门尝试，推荐球员位置调整，并探索角球套路的替代球员设置。这种预测性和生成性组件的独特组合使教练能够做出明智的决定并探索可以显着改善结果的战术变化。

利物浦足球俱乐部专家的研究

TacticAI 的实用性通过与利物浦足球俱乐部的足球领域专家合作进行的一项定性研究得到了严格验证。该研究旨在评估 TacticAI 模型建议在现实世界足球场景中的有效性和实际适用性。结果显示，TacticAI的模型建议与真实战术没有区别，并且在90%的时间里比现有战术更受青睐。这表明足球领域的人类专家对 TacticAI 的战术建议的接受度和偏好度很高。
值得注意的是，TacticAI 是 DeepMind 和利物浦足球俱乐部之间多年研究合作的一部分而开发和评估的。来自利物浦足球俱乐部的领域专家的参与对于塑造 TacticAI 的能力并确保其在现实世界足球场景中的实际适用性至关重要。

通过几何深度学习提高数据效率

TacticAI通过几何深度学习的创新应用实现数据效率。通过将标记的时空足球数据处理成图形表示，并训练和评估时空基准任务，TacticAI 可以提供准确和现实的战术建议，尽管黄金标准数据的可用性有限。这种方法使 TacticAI 能够有效地整合足球场的各种对称性，提高数据效率并提高其战术建议的质量。

几何深度学习如何工作？

TacticAI 植根于从原始的时空球员跟踪数据中学习角球战术的有效表示。它通过将每个角球情况表示为图形来利用这些数据，这是建模球员关系的自然表示。这些球员关系比他们在球场上的绝对距离更重要。图输入是 TacticAI 中用于获取高维潜在玩家表示的图机器学习模型的自然候选者。
具体来说，TacticAI 的几何深度学习方法是群等变卷积网络的一种变体，它可以生成给定情况的所有四种可能的反映，并强制预测在它们之间是相同的。TacticAI 利用几何深度学习来显式生成尊重足球场多个对称性的球员表示。

奠定基础

为了构造输入图形，数据源根据其游戏 ID 和时间戳进行对齐。无效的角球被过滤掉，从而产生一个包含 7176 个有效角球的数据集，用于训练和评估。输入图包括玩家位置、玩家速度和玩家权重等特征，这些特征用于构建图神经网络。图形特征向量存储角球感兴趣的全局属性，例如比赛时间、当前比分或球的位置。

基准测试成功

TacticAI 设计有三个不同的预测和生成组件：接球手预测、投篮预测和通过引导生成的战术推荐。这些组件对应于定量评估 TacticAI 的基准任务。TacticAI 的预测和生成组件之间的相互作用使教练能够为每个感兴趣的例程对替代球员设置进行采样，并直接评估此类替代方案的可能结果。

使用 TacticAI 改进角球战术的示例

图神经网络（GNN）和几何深度学习（GDL）

TacticAI 利用图神经网络 （GNN） 和几何深度学习 （GDL） 将标记的时空足球数据处理为图表示。GDL 方法使 TacticAI 能够有效地整合足球场的各种对称性，提高数据效率并增强其战术建议的质量。

不变性和改进预测的帧平均

TacticAI 采用帧平均来强制不变性并改进预测。这种技术确保了 TacticAI 的球员表示在反射下以相同的方式计算，因此不必从数据中学习这种对称性。通过将可能的反射组合应用于输入角，TacticAI 可以计算最终的球员表示，用于预测角球的接收者、是否已经投篮以及对球员位置和速度的辅助调整。

TacticAI 如何利用它们

TacticAI利用几何深度学习和图形神经网络的能力来处理和分析时空足球数据，为角球提供准确和现实的战术建议。通过显式生成尊重足球场对称性的球员表示，并采用帧平均来实现不变性，TacticAI 增强了其预测和生成组件，从而提供更准确、更有效的战术建议。

TacticAI 的鸟瞰图

TacticAI 中的分组等变卷积网络

深度卷积神经网络 （CNN） 已经证明了它们在对图像、视频和音频等感官数据进行建模方面的有效性。然而，目前缺乏全面的神经网络设计理论。经验证据表明，除其他因素外，卷积权重分担和深度在实现良好的预测性能方面起着至关重要的作用。

超越常规 CNN

卷积权重共享是有效的，因为大多数感知任务中都存在平移对称性。这种对称性意味着标签函数和数据分布对位移近似不变。通过使用相同的权重来分析或建模图像的每个部分，卷积层大大减少了参数的数量，同时保留了学习各种有用变换的能力。
G-CNN引入了卷积神经网络的自然泛化，利用对称性来降低样本复杂性。它们利用 G 卷积，这是一种新型层，与常规卷积层相比，它提供了更高程度的权重分担。这种增加的权重分担增强了网络的表现能力，而不会增加参数的数量。

通过分担重量增加表达力

G卷积是G-CNN的关键组成部分，与传统的卷积层相比，可实现更高的权重共享。这种增加的权重分担使 G-CNN 能够在保持紧凑参数空间的同时学习各种变换。通过使用相同的权重来分析或模拟图像的不同部分，G-CNN在不引入过多参数的情况下实现了增强的表现力。

为什么标准 CNN 达不到要求？

在研究论文的第 5 节中，分析了标准 CNN 的等方差特性，揭示了它们与翻译等变，但可能无法与更一般的变换等效。这一局限性凸显了对更通用方法的需求，从而导致了G-CNN的发展。本文表明，现代CNN中使用的G卷积和各种层，如池化、任意逐点非线性、批量归一化和残差块，都是等变的，并且与G-CNN兼容。

G-CNN背后的数学：构建框架

在本节中，我们将讨论 G-CNN 背后的数学原理：

对称群、群函数和 G 等变相关

G-CNN的数学框架涉及定义和分析各种组的G-CNN。它首先定义对称群并研究 G-CNN 中使用的两个特定群。本节深入探讨了组上的函数（用于在 G-CNN 中对特征图进行建模）及其变换属性。该框架还探讨了G-等变相关的概念，该概念在理解群变换下特征图的行为中起着至关重要的作用。

实现 G 卷积

G卷积的实现是G-CNN的一个关键方面。本节提供了有关使用循环、并行内核和效率的 G 卷积的实际实现的见解。它讨论了组合由整数元组表示的组元素的首选方法，包括转换为矩阵、矩阵乘法以及随后的整数元组转换。本节强调实现 G 卷积的效率，重点介绍使用索引算术和内积的直接实现，以及利用平面卷积快速计算的最新进展。

角球在TacticAI塑造的潜在空间中表示

结论

TacticAI 代表了足球战术分析和优化的重大进步。TacticAI 通过利用几何深度学习和群等变卷积网络的力量，提供了一种新颖有效的方法来预测和完善角球战术。
TacticAI 的预测和生成组件的结合使教练能够探索替代球员设置、评估潜在结果并做出明智的决定，以提高球队在角球比赛中的表现。与利物浦足球俱乐部的足球领域专家进行的验证研究强调了 TacticAI 战术建议的实际适用性和有效性，这些建议与现实世界的战术没有区别，并且比现有策略更受欢迎。
随着体育分析的进步，TacticAI 为 AI 辅助教练的新时代铺平了道路，使团队和教练能够通过数据驱动的智能战术优化获得竞争优势。

来源：https://www.analyticsvidhya.com/blog/2024/03/ai-in-football-l...