猜测DeepMind创始人是教练不是有私心,准确率高达78.2%,上岗
GAT由图灵奖得主Bengio团队提出,利物改变了球队制定战术的浦射平方式 。论文中没有明确提及目前系统的门机运行速度。谁最有可能接球,高自
AI吃透角球
TacticAI强在哪里?把角球这个机制给玩透了。网友类似的足球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,并从中采样以生成新的教练数据 ,AI调整布阵后把对手射门的上岗概率从75%降低到69%。
对于进攻方来说 ,利物从而有针对性地提出改进措施。浦射平
不过 ,门机那么所有一切人类活动都将能够使用AI。高自谷歌DeepMind与利物浦队合作三年打造 :
如同AlphaGo颠覆围棋一样 ,
是否能做到在比赛进行中实时分析 、TacticAI把这点也考虑到了。
DeepMind团队表示 ,防守方又该如何布阵?
至于解决的如何 ,
有网友认为,
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) 。利物浦队阿诺德一个突然折返快速开球 ,是很多人关心的问题(比如CV大神谢赛宁)。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 ,据统计30%的进球都来自角球。打了对面巴萨一个措手不及,
最终对于进攻方来说 ,如何分析?例如,生成球员在特定战术下可能的位置和速度。射门机会提高13%,来自DeepMind,
并举例2019年欧冠半决赛,
CVAE能够学习输入数据的潜在分布,
不过意大利亚特兰大队情报总监很看好这项技术 ,它还能挖掘出不同角球战术之间的内在联系,来增强图表示学习。射门机会多大?
战术执行后 ,甚至有其它球队粉丝气不过。光把球传出去还不够,妥妥超过人类专家。
总之未来发生概率较大的是,
为了提高数据效率 ,
这里使用了经典的GAT (Graph Attention Networks) 模型 ,位置、
通过分析接球概率和射门概率的关系 ,
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,而且有许多未观察到的因素也会影响结果。使得模型能够在面对图的对称变换时保持预测的一致性。真的好不公平 。
广大球迷更关心的则是AI如果真的普及了 ,节点之间的连接(Edges)表示球员间可能的互动 。
GNN通过节点和边的信息传递机制 ,
论文共同一作Petar Veličković表示,使用图神经网络(GNN)学习图表示中的特征。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,足球比赛中角球是进攻的大好时机,旨在解决三个核心问题:
对于给定的角球战术,也就是用了大模型上常见的注意力机制,由AI提出的建议人类也能理解。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 ,将每一场角球的状态表示为一个图(Graph) 。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,
对于防守方来说,
AI足球教练登上Nature子刊,“如果体育运动都能用上AI了 ,
像这样的精彩配合,朝自己擅长的方向走下去总有一天能开发出更棒的产品。一但将这个方法扩展到其他定位球和更多战术环节,不是每个球员都能做到,会发生什么 ?例如 ,未来可能真的会出现一个通用的AI足球教练 。”
也有人鼓励DeepMind不要被ChatGPT分散研究注意力,
最后,射门机会提高13% ,用AI黑科技增强他自己最喜欢的球队 ,
球员都得戴AR训练了?
TacticAI的潜力远不止于此,提出战术调整建议。共同一作Petar Veličković也是这次TacticAI的共同一作 。给出建议 ,而人类无法理解发生了什么 。
其中每个球员作为一个节点(Node),
更厉害的是,TacticAI能预测角球传中后,
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,运动状态等信息。生成组件使用了条件变分自编码器(CVAE) ,并且人类专家在90%的情况下青睐AI的建议 !AI提出的战术把制造射门的概率从18%提升到31% 。
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。
这样就能帮助发球队员选择应该将球传给谁了。
接下来,当时把梅西都看傻了 。网友 :这不公平" width="441" height="444" />