كيف يستخدم نادي Chelsea لكرة القدم الذكاء الإصطناعي من أجل تدريب أذكى

58

أفضل لاعبي كرة القدم ليسوا بالضرورة هم أصحاب أفضل المهارات البدنية. الفرق بين النجاح والفشل في كرة القدم غالباً ما يكمن في القدرة على إتخاذ القرارات الصحيحة في الملعب حول مكان الركض وموعد المرور أو التصويب. إذن كيف يمكن للأندية مساعدة اللاعبين على تدريب أدمغتهم وكذلك أجسادهم؟

أنا وزملائي نعمل مع أكاديمية Chelsea على تطوير نظام لقياس مهارات صنع القرار بإستخدام الذكاء الإصطناعي وهو نوع من مدرب الروبوت أو الكشافة, إن شئت أن تسميه. نحن نقوم بذلك عن طريق تحليل عدة مواسم من البيانات التي تتعقب اللاعبين والكرة في كل لعبة, وتطوير نموذج للكمبيوتر من مواقف اللعب المختلفة. يوفر نموذج الكمبيوتر مقياسًا لمقارنة أداء اللاعبين المختلفين. بهذه الطريقة يمكننا قياس أداء اللاعبين الأفراد بشكل مستقل عن تصرفات اللاعبين الآخرين.

يمكننا بعد ذلك تصور ما يمكن أن يحدث إذا كان اللاعبون قد إتخذوا قرارًا مختلفًا في أي حال. ينتقد المعلقون التلفزيونيون دائمًا تحركات اللاعبين, قائلين إنه كان يجب عليهم فعل شيء آخر بدون أي طريقة حقيقية لإختبار النظرية. لكن نموذج الكمبيوتر لدينا يمكن أن يظهر مدى واقعية هذه الاقتراحات.

إذا قال أحد المنتقدين إن اللاعب يجب أن يكون قد غير وضعه بدلاً من التمرير, فيمكن لنظامنا أن ينظر إلى النتيجة البديلة, آخذاً بعين الاعتبار عوامل مثل مدى تعب اللاعب في تلك المرحلة من اللعبة. يملئنا الأمل في أن يستخدم المدربون وموظفو الدعم هذا النظام لمساعدة اللاعبين على التفكير في أفعالهم بعد المباراة, وبمرور الوقت, تحسين مهاراتهم في إتخاذ القرارات.

نمذجة صنع القرار
من الصعب للغاية قياس هذه المهارات لعدة أسباب. أولاً, لا يستطيع الإنسان تتبع جميع الأحداث التي تحدث أثناء المباراة. ثانيًا, من الصعب عزل إجراءات أحد اللاعبين عن أفعال لاعب آخر. على سبيل المثال, إذا نجح اللاعب في تمرير الكرة وبعدها ببضع ثوان, فقد الفريق حيازته, هل مرر اللاعب في الوقت الخطأ إلى الشخص الخطأ أم أنه خطأ شخص آخر؟

لمعالجة هذه المشكلة, نستخدم فرعاً محدداً من الذكاء الإصطناعي يعرف باسم تعلم التقليد. يمكن لهذه التكنولوجيا أن تتعلم نماذج الكمبيوتر السلوكية, مثل تصرفات لاعبي كرة القدم في الميدان, من خلال تحليل كميات هائلة من البيانات القديمة. بعبارات بسيطة, يتعلم نموذج الكمبيوتر تقليد الخبراء البشريين.

تعتمد معظم أنظمة اتخاذ القرار في الذكاء الإصطناعي, مثل تلك المستخدمة في لعب ألعاب اللوحة مثل Go, على التعلم المعزز. هذا هو المكان الذي يتعلم فيه الكمبيوتر إتخاذ القرارات من خلال التحريك المتكرر للحركات حتى يتلقى ردود فعل على أنه فعل الشيء الصحيح, مثل تدريب الكلب على فعل شيء من خلال منحه مكافآت. لكن معظم سيناريوهات العالم الحقيقي لا تملك مكافأة محددة مثل الفوز في لعبة لوحة.

من ناحية أخرى, يحاول تعلم التقليد فهم سياسة إتخاذ القرارات الأساسية من خلال النظر في كيفية قيام أحد الخبراء بمهمة, ثم يحاول تقليد الخبير. إن تصميم خبراء كرة القدم (اللاعبين) أمر صعب للغاية لأنهم يتخذون قرارات بمهارات متقدمة يصعب إجراؤها في الكمبيوتر, مثل إختيار ما يجب الانتباه إليه, وإختيار الإستجابة الصحيحة وتوقع ما سيفعله اللاعبون الآخرون.

لذا, لكي يكون نموذج الكمبيوتر واقعيًا, يجب أن تعكس البيانات القديمة التي تعتمد عليها الواقعية قدر المستطاع. لا ينبغي أن يُظهر ذلك فقط كيف يتحرك اللاعبون فيما يتعلق ببعضهم البعض وبالكرة, ولكنهم أيضًا يدركون مدى تعبهم وموقف اللعبة. على سبيل المثال, هل يرغب اللاعبون في الهجوم أم أنهم يحاولون الدفاع, أو حتى إذا كانوا يريدون الفوز أو الخسارة. (في بعض البطولات, قد يرغب الفريق في خسارة مباراة, لذا فإن مركزه في الجولة القادمة يمنحه منافسة أسهل).

تغيير تحليل ما بعد المباراة
لقد أنشأنا بالفعل نظامًا يمكنه إنشاء نموذج لحركات اللاعبين بالنسبة لبعضهم البعض والكرة التي يمكن إستخدامها لدراسة الأداء. نحن نخطط الآن لجعل النموذج أكثر واقعية عن طريق إضافة تفاصيل عن وضعية جسم اللاعبين, ومعدل ضربات القلب (لتمثيل التعب) وظروف اللعبة. سنقوم بعد ذلك بتطوير النظام لقياس مهارات اللاعبين الحاليين ونأمل أن يكون لدينا نظام وظيفي بالكامل في غضون عامين.

نتوقع أن يكون التغيير خطوة في طريقة تحليل اللاعبين والمدربين للألعاب, خاصةً تحليل ما بعد المباراة. وهذا من شأنه مساعدة اللاعبين على أن يكونوا أكثر تأملاً من خلال القدرة على رؤية كيف يمكن لأفعالهم أن تحدث فرقاً. سيكون بإمكان الكشافة والنوادي إختيار اللاعبين وتحديد المواهب بإستخدام البيانات حول مهارات صنع القرار الحيوية هذه.

لا يزال توسيع نطاق الذكاء الإصطناعي في البيئات التي يتم التحكم فيها, على غرار الألعاب, إلى التطبيقات المعقدة في العالم الحقيقي يمثل تحديًا هائلًا. لكن البشر جيدون للغاية في التكيف مع القرارات وإتخاذ القرارات في بيئات معقدة ومتغيرة. لذلك من خلال تعلم محاكاة عملية صنع القرار البشري, سيتمكن الذكاء الإصطناعي من معالجة جميع أنواع البيئات غير المألوفة حيث لا يتبع الناس دائمًا القواعد.

تمت ترجمة المقال الأصلي والموجود بالرابط أدناه

https://scroll.in/field/900775/how-chelsea-football-club-is-using-artificial-intelligence-for-smarter-coaching

 

 

تعليقات