足球是教练动态的运动 ,真的上岗好不公平。谁最有可能接球,利物
总之未来发生概率较大的浦射平是,
首先 ,门机共同一作Petar Veličković也是高自这次TacticAI的共同一作 。由AI提出的网友建议人类也能理解 。未来可能真的足球会出现一个通用的AI足球教练 。关键是教练要制造射门机会 ,打了对面巴萨一个措手不及 ,上岗谷歌DeepMind与利物浦队合作三年打造:
如同AlphaGo颠覆围棋一样,利物射门机会多大?
战术执行后,浦射平先来看几个数据 。门机旨在解决三个核心问题:
对于给定的高自角球战术 ,
讲道理的话阿森纳才是主场离DeepMind总部最近的那一个(都在伦敦)。朝自己擅长的方向走下去总有一天能开发出更棒的产品。射门机会提高13%,
接下来,
所以TacticAI的研发目标 ,
就问哪个队的教练能不动心 ?
图神经网络+几何深度学习
那么DeepMind是如何开发出这个大杀器的呢?
数据,
AI吃透角球
TacticAI强在哪里?把角球这个机制给玩透了 。AI提出的战术把制造射门的概率从18%提升到31%。位置 、准确率高达78.2%,对足球比赛的观赏性是增加还是削弱?
这次研究的合作方利物浦队,来增强图表示学习。TacticAI能预测角球传中后 ,利物浦队阿诺德一个突然折返快速开球,
这样就能帮助发球队员选择应该将球传给谁了。
CVAE能够学习输入数据的潜在分布,并且人类专家在90%的情况下青睐AI的建议 !足球比赛中角球是进攻的大好时机 ,能够学习到节点的高维潜在特征如球员的角色 、它还能挖掘出不同角球战术之间的内在联系,节点之间的连接(Edges)表示球员间可能的互动 。它能以71%的准确率预测一次角球是否会制造射门。而人类无法理解发生了什么 。TacticAI还采用了几何深度学习来利用足球比赛中的对称性(如方形足球场地的水平和垂直对称)。TacticAI把这点也考虑到了 。运动状态等信息。不是每个球员都能做到 ,没有回应是否已经在真实比赛中使用了AI建议 。
DeepMind团队表示,
AI足球教练登上Nature子刊 ,
通过显式地在模型中引入对称性约束,
像这样的精彩配合 ,提出战术调整建议。如何分析?例如,据统计30%的进球都来自角球 。
并举例2019年欧冠半决赛,将每一场角球的状态表示为一个图(Graph)。
有网友认为 ,“如果体育运动都能用上AI了 ,
最后,
球员都得戴AR训练了 ?
TacticAI的潜力远不止于此 ,从而有针对性地提出改进措施。生成组件使用了条件变分自编码器(CVAE) ,所有运动员在训练时都会带上AR眼镜了 。
GAT由图灵奖得主Bengio团队提出 ,使得模型能够在面对图的对称变换时保持预测的一致性 。
更厉害的是 ,
广大球迷更关心的则是AI如果真的普及了,一但将这个方法扩展到其他定位球和更多战术环节 ,
最终对于进攻方来说,
论文共同一作Petar Veličković表示,射门机会提高13%,当时把梅西都看傻了。给出建议,
通过分析接球概率和射门概率的关系 ,就被评为最佳角球之一 ,
对于防守方来说,会发生什么 ?例如 ,类似的策略在过去是否生效?
如何调整策略以实现特定结果?进攻方如何增加射门机会,
GNN通过节点和边的信息传递机制 ,并从中采样以生成新的数据 ,这种图表示法能够自然地捕捉球员间的空间关系和潜在的战术模式。
对于合作对象选择了利物浦这回事,而且有许多未观察到的因素也会影响结果 。来自DeepMind ,改变了球队制定战术的方式 。使用图神经网络(GNN)学习图表示中的特征 。认为与之前已经广泛应用的大数据分析相比 ,防守方如何调整布阵……AI轻松设计出的高效战术与真实战术难以区分 ,网友 :这不公平" width="441" height="444" />
像是进攻方把球传给谁更容易创造射门机会,
其中每个球员作为一个节点(Node),能做到也得看当时状态好不好。论文中没有明确提及目前系统的运行速度。
不过意大利亚特兰大队情报总监很看好这项技术 ,光把球传出去还不够,那么所有一切人类活动都将能够使用AI 。妥妥超过人类专家。
AI可以帮助我们以分块或分类的方式分析足球——而不是认为一切只是一个连续的数据流,收集自2020-2023年间英超比赛的7000多个角球。
猜测DeepMind创始人是不是有私心,”
也有人鼓励DeepMind不要被ChatGPT分散研究注意力,全场22个球员谁最有可能接到球,
三个核心技术:图神经网络+几何深度学习+条件变分自编码器。AI调整布阵后把对手射门的概率从75%降低到69% 。
是否能做到在比赛进行中实时分析、