AI足球教练登上Nature子刊 ,足球来增强图表示学习 。教练
足球是上岗动态的运动 ,据统计30%的利物进球都来自角球 。来自DeepMind ,浦射平由AI提出的门机建议人类也能理解。能够学习到节点的高自高维潜在特征如球员的角色 、
总之未来发生概率较大的网友是,
是足球否能做到在比赛进行中实时分析、
广大球迷更关心的教练则是AI如果真的普及了,足球是上岗比围棋更有挑战性的问题 。能做到也得看当时状态好不好 。利物位置、浦射平TacticAI能预测角球传中后 ,门机来自DeepMind,高自改变了球队制定战术的方式。“如果体育运动都能用上AI了,
所以TacticAI的研发目标,谁最有可能接球,全场22个球员谁最有可能接到球,
猜测DeepMind创始人是不是有私心 ,光把球传出去还不够 ,使得模型能够在面对图的对称变换时保持预测的一致性 。”
也有人鼓励DeepMind不要被ChatGPT分散研究注意力,生成组件使用了条件变分自编码器(CVAE) ,没有回应是否已经在真实比赛中使用了AI建议。
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,给出建议 ,射门机会提高13%,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 ,不是每个球员都能做到 ,
GAT由图灵奖得主Bengio团队提出,AI提出的战术把制造射门的概率从18%提升到31%。足球比赛中角球是进攻的大好时机,未来可能真的会出现一个通用的AI足球教练。那么所有一切人类活动都将能够使用AI。打了对面巴萨一个措手不及 ,并且人类专家在90%的情况下青睐AI的建议!谷歌DeepMind与利物浦队合作三年打造:
如同AlphaGo颠覆围棋一样,
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。是很多人关心的问题(比如CV大神谢赛宁)。
首先,如何分析 ?例如 ,
更厉害的是,会发生什么 ?例如,
并举例2019年欧冠半决赛 ,就被评为最佳角球之一 ,真的好不公平 。
利物浦队阿诺德一个突然折返快速开球,准确率高达78.2%,而人类无法理解发生了什么。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。也就是用了大模型上常见的注意力机制,甚至有其它球队粉丝气不过。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,它能以71%的准确率预测一次角球是否会制造射门。
最后 ,论文中没有明确提及目前系统的运行速度 。射门机会提高13% ,用AI黑科技增强他自己最喜欢的球队,妥妥超过人类专家 。
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 ,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)。防守方又该如何布阵?
至于解决的如何 ,它还能挖掘出不同角球战术之间的内在联系 ,
球员都得戴AR训练了?
TacticAI的潜力远不止于此 ,
这里使用了经典的GAT (Graph Attention Networks) 模型,旨在解决三个核心问题 :
对于给定的角球战术,收集自2020-2023年间英超比赛的7000多个角球。朝自己擅长的方向走下去总有一天能开发出更棒的产品 。节点之间的连接(Edges)表示球员间可能的互动 。
不过意大利亚特兰大队情报总监很看好这项技术,
像这样的精彩配合 ,使用图神经网络(GNN)学习图表示中的特征 。
有网友认为,
通过显式地在模型中引入对称性约束,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 ,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,从而有针对性地提出改进措施。
首先,当时把梅西都看傻了 。生成球员在特定战术下可能的位置和速度 。AI调整布阵后把对手射门的概率从75%降低到69% 。将每一场角球的状态表示为一个图(Graph)。而且有许多未观察到的因素也会影响结果。
DeepMind团队表示 ,运动状态等信息。
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) 。
对于进攻方来说,
对于防守方来说,关键是要制造射门机会 ,
CVAE能够学习输入数据的潜在分布 ,提出战术调整建议 。一但将这个方法扩展到其他定位球和更多战术环节 ,认为与之前已经广泛应用的大数据分析相比,射门机会多大?
战术执行后 ,TacticAI把这点也考虑到了。
接下来,网友 :这不公平" width="441" height="444" />