概述
它正在重塑足球、籃球和其他體育項目的俱樂部決定簽下誰以及支付多少錢的方式。
深入探討
傳統的球探依靠球探的眼睛和直覺,觀看幾場比賽。人工智慧改變了規模:系統現在會採集球場上所有 22 名球員的事件數據(每次傳球、鏟球和射門)、GPS 追蹤和電腦視覺追蹤。 SkillCorner 和 Stats Perform 等公司從廣播影片中提取玩家座標,而平台可以同時對數千個潛在客戶進行建模。奧克蘭運動家隊在棒球運動中著名的「點球成金」方法就是早期的統計版本。現代人工智慧透過機器學習對其進行了擴展,可以預測未來價值、受傷風險和風格契合度。利物浦足球俱樂部等俱樂部建立了由物理學家領導的數據科學部門。我們的目標是在競爭對手和更富有的俱樂部之前找到低級別聯賽中隱藏的寶石。
現實世界的實施
利物浦足球俱樂部的數據部門使用位置模型來推薦穆罕默德·薩拉赫等簽約和價值驅動的轉會
SkillCorner 和 Stats 從廣播片段中提取球員追蹤數據,以便在沒有感測器覆蓋的聯賽中偵察球員
NBA 球隊使用球員追蹤(以前稱為 SportVU)數據來評估統計數據遺漏的防守影響
棒球俱樂部使用 Statcast 退出速度和旋轉率數據來選拔和評估投手和擊球手,超越傳統統計數據
人工智慧在球員偵察和招募方面的未來
期待更豐富的多模式模型結合追蹤數據、生物力學,甚至心理和社交媒體訊號來評估心態和持久性。穿戴式感測器數據將為學院中的即時球探提供數據,從而更早發現年輕人才。生成模擬可以讓俱樂部在簽約前測試新兵在其特定戰術系統中的表現,而監管機構和球員工會則反對隱私和對青少年進行分析的道德規範。
付諸實踐
為什麼這很重要
- 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
- 團隊與工作流程. 良好的工作流程整合可以創造使用者值得信賴的生產力效益。
- 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。
留意
- 將損壞的流程自動化可能會加劇現有問題。
- 團隊可能會過度自動化並消除所需的人工判斷。
- 如果不持續評估輸出,品質可能會出現偏差。
後續步驟
- 繪製目前工作流程並確定摩擦最大的步驟。
- 在完全自動化之前定義人工檢查點。
- 對使用者進行提示、升級路徑和品質標準的訓練。
- 追蹤任務級結果以確認持續價值。
不斷探索
常見問題
什麼是球員偵察和招募中的人工智慧?
球員球探中的人工智慧使用數據和視頻分析來發現人才、預測職業軌跡並找到被低估的運動員。它正在重塑足球、籃球和其他體育項目的俱樂部決定簽下誰以及支付多少錢的方式。
該指南引用了哪種早期體育招募方法作為數據驅動的球探的先驅?
該指南使用奧克蘭的點球成金時代的統計方法作為使用數據支持球員招募的早期示例,而現代系統則添加了機器學習和追蹤數據。
電腦視覺允許球探如何處理廣播比賽錄影?
姿勢估計和多目標追蹤將原始影片轉換為座標,讓俱樂部即使在沒有感測器系統的聯賽中也能分析球員。
為什麼俱樂部使用「球員相似度」或最近鄰演算法?
透過將球員嵌入為特徵向量,俱樂部可以尋找更便宜的替代品,其統計資料類似於他們買不起的明星。
哪個指標是足球領域高階人工智慧/分析指標的範例?
預期進球 (xG) 對射門成為進球的機率進行建模,這是現代招募分析中使用的主要高級指標。
人工智慧偵察引發的主要道德問題是什麼?
收集未成年人的生物特徵、表現甚至社交數據會引發嚴重的隱私和道德問題,工會和監管機構正在密切關注。