AI研究によるスポーツ分析の進歩
AI研究によるスポーツ分析の進歩
AI研究を実験室から現実世界に進めるためのテスト環境を作成することは非常に困難です。AIとの関係が長いゲームとの関連から考えると、スポーツは興味深い機会を提供しており、AIを活用したシステムが多数の動的な相互作用を持つ複数のエージェント環境で人間を支援することができるテストベッドとなっています。
スポーツデータの収集が急速に増加しており、スポーツ分析にとって非常に重要な時代になっています。スポーツデータの利用可能性は、高レベルの統計データやセイバーメトリクスなどの集計データから、イベントストリーム情報（例：注釈付きのパスやシュート）、高精度なプレーヤーの位置情報、ボディセンサーなど、より洗練されたデータへと移行しています。しかし、スポーツ分析の分野では、機械学習とAIを利用して人間の意思決定者の理解と助言をするために活用する取り組みは、最近になって始まったばかりです。私たちがJAIRでリバプールフットボールクラブ（LFC）との共同研究で発表した最近の論文では、統計学習、ビデオ理解、ゲーム理論の組み合わせを用いてスポーツ分析の将来の景観を描いています。特にサッカーは、AI研究を研究するための有用なミクロコスムであり、長期的には自動化されたビデオアシスタントコーチ（AVAC）システム（図1（A））の形でスポーツの意思決定者に利益をもたらすことができると示しています。
サッカー – AIにとっての興味深い機会
他のスポーツと比較して、サッカーは科学的な分析の目的で大量のデータを体系的に収集し始めたのは比較的遅いです。これにはいくつかの理由がありますが、最も顕著な理由は他のスポーツと比較してゲームの制御可能な状況が遥かに少ないこと（広い屋外のピッチ、ダイナミックなゲームなど）と、プロのサッカーにおいては主に実績と経験を持つ人間の専門家に頼るという支配的な信念があります。このような背景から、イタリアの成功したサッカーコーチでありマネージャーであるアリーゴ・サッキは、1987年にミランのコーチになった際に自身の経験不足に対する批判に対して有名な言葉を残しました。「ジョッキーになるためにはまず馬にならなければならなかったことに気が付かなかった」。
サッカーアナリティクスは、3つの分野（コンピュータビジョン、統計学習、ゲーム理論）の交差点から来るさまざまなAI技術に適した課題を提供しています（図2で可視化されています）。これらの分野は、サッカーアナリティクスに個別に有用ですが、組み合わせると特に効果が現れます。プレーヤーは他のプレーヤー（協力と対立）の存在の中で連続的な意思決定を行う必要があり、対話的な意思決定理論であるゲーム理論が非常に関連性が高くなります。さらに、ゲーム内の特定の状況に対する戦術的な解決策は、ゲーム内の情報や特定のプレーヤーの表現に基づいて学習することができるため、統計学習は非常に関連性が高い分野です。最後に、プレーヤーは広く利用可能な画像やビデオの入力から自動的に追跡され、ゲームのシナリオを認識することができます。
私たちが描くAVACシステムは、これら3つの研究分野の交差点で形成されるマイクロコスムの中に位置しています（図2）。この興奮するドメインでの私たちの研究では、これから何年にもわたって取り組むことができる科学的およびエンジニアリングの問題のロードマップを提示するだけでなく、ゲーム理論的分析、統計学的学習、コンピュータビジョンの交差点で新たなオリジナルの成果を示し、この興奮する領域がサッカーに提供するものを説明しています。
AIがサッカーをどのように支援できるか
ゲーム理論は、スポーツの研究において重要な役割を果たし、選手の行動戦略の理論的な基礎を提供しています。サッカーの場合、そのシナリオの多くは実際にはゼロサムゲームとしてモデル化することができます。ゼロサムゲームは、ゲーム理論の創設以来、広く研究されてきました。例えば、ここではペナルティキックの状況を2人の非対称なゲームとしてモデル化しています。キッカーの戦略は、左、中央、または右のシュートとしてきれいに分類することができます。この問題を研究するために、私たちはペナルティキックのシナリオにおけるゲーム理論的分析にPlayer Vectorsを加えています。Player Vectorsは、個々のサッカー選手のプレースタイルを要約したものです。個々の選手の表現を使用することで、似たようなプレースタイルを持つキッカーをグループ化し、それからグループレベルでゲーム理論的分析を行うことができます（図3）。私たちの結果は、異なるグループの特定のシュート戦略が統計的に異なることを示しています。例えば、あるグループはゴールマウスの左側にシュートすることを好み、別のグループは左右のコーナーに均等にシュートする傾向があります。このような洞察は、ゴールキーパーが異なるタイプの選手と対戦する際に、彼らの守備戦略を多様化させるのに役立つかもしれません。このゲーム理論的な視点を基にして、サッカーの持続的な性質を考慮して、時間的に拡張されたゲームとして分析することもできます。これにより、個々の選手に戦術をアドバイスしたり、さらには全体のチーム戦略を最適化したりすることができます。
統計学的学習の側面では、個々の選手やサッカーチームの行動を情報豊かに要約することができる表現学習はまだ十分に活用されていません。さらに、ゲーム理論と統計学的学習の相互作用がスポーツ分析の進歩を促進すると信じています。たとえば、上記のペナルティキックのシナリオでは、プレイヤー固有の統計データ（Player Vectors）を分析に加えることで、さまざまなタイプの選手がペナルティキックのシナリオにおいてどのように行動したり決定を下したりするかについてより深い洞察を得ることができます。これには、スポーツ分析における「ゴースティング」の研究も含まれます。「ゴースティング」とは、後知恵でプレイヤーがどのように行動すべきだったかをデータ駆動の分析で研究するものであり（これはオンライン学習やゲーム理論の後悔の概念と関連しています）、特定のプレイに対して代替のプレイヤートラジェクトリを提案します。たとえば、リーグ平均または選択したチームに基づいています。予測された軌道は通常、元のプレイの上に半透明のレイヤーとして可視化されます。そのため、「ゴースティング」という用語が使われます（図4は、この可視化の例です）。生成的な軌道予測モデルを使用することで、ゲームの鍵となる状況やそれらが異なる結果をもたらす可能性を分析することができます。これらのモデルは、戦術の変更、主要な選手の負傷、または交代が自チームのパフォーマンスに及ぼす影響と対抗チームの反応を予測する上でも潜在的な価値を持っています。
最後に、私たちはコンピュータビジョンを最先端のスポーツ分析研究の境界を広げるための最も有望な手段の1つと考えています。ビデオからイベントを純粋に検出することにより、コンピュータビジョンコミュニティでよく研究されているトピック（たとえば、以下の調査と私たちの論文を参照してください）の範囲は非常に広範です。イベントを特定のフレームに関連付けることにより、ビデオは検索可能でさらに有用になります（たとえば、自動ハイライト生成が可能になります）。一方、フットボールのビデオはコンピュータビジョンの興味深い応用ドメインを提供します。多数のフットボールのビデオがあり、これは現代のAI技術の前提条件を満たしています。各フットボールのビデオは異なりますが、設定は大きく変わらないため、タスクはAIアルゴリズムを磨くのに理想的です。サードパーティのプロバイダも存在し、ビデオモデルのトレーニングに役立つハンドラベル付きのイベントデータを提供することができますが、これは生成に時間がかかるため、フットボールのイベント検出には教師ありおよび教師なしのアルゴリズムの両方を使用することができます。たとえば、図1(B)は、ビデオから純粋にターゲットイベント（キックなど）を認識するために教師あり方法でトレーニングされたディープラーニングモデルのスタイリッシュな可視化を提供しています。
高度なAI技術をフットボールに適用することは、選手、意思決定者、ファン、放送局など、さまざまな軸でゲームを革命化する可能性を秘めています。このような進歩は、スカウト/専門家の判断に頼るのではなく、コンピュータビジョンなどの技術を使用して、代表されていない地域、下位リーグなどの選手のスキルセットを定量化することができるため、スポーツ自体の民主化をさらに進展させる可能性もあります。フットボールの微小な世界で可能になるますます高度なAI技術の開発は、より広範な領域にも適用できる可能性があると考えています。このため、今年後半にAI for Sports AnalyticsについてのIJCAI 2021ワークショップを共同開催しており、興味のある研究者の参加を歓迎します。このトピックに興味のある研究者のために、StatsBombなどの分析会社やより広範な研究コミュニティによって公開されたデータセットも利用可能です。さらに、この論文ではこの分野の研究について包括的な概要を提供しています。
論文と関連リンク：
- JAIR論文
- IJCAI 2021 AI for Sports Analyticsバーチャルワークショップ
We will continue to update VoAGI; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
