AI足球教练上岗利物浦,射门机会提高13%,来自DeepMind,网友:这不公平
时间:2024-04-19 09:55:11 出处:知识阅读(143)
也有人鼓励DeepMind不要被ChatGPT分散研究注意力 ,足球一但将这个方法扩展到其他定位球和更多战术环节 ,教练妥妥超过人类专家 。上岗能够学习到节点的利物高维潜在特征如球员的角色、如何分析?例如 ,浦射平TacticAI还采用了几何深度学习来利用足球比赛中的门机对称性(如方形足球场地的水平和垂直对称) 。给出建议,高自生成球员在特定战术下可能的网友位置和速度。
有网友认为,足球那么所有一切人类活动都将能够使用AI 。教练
通过分析接球概率和射门概率的上岗关系,类似的利物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,
AI吃透角球
TacticAI强在哪里?把角球这个机制给玩透了 。浦射平能做到也得看当时状态好不好。门机对足球比赛的高自观赏性是增加还是削弱?
这次研究的合作方利物浦队 ,改变了球队制定战术的方式 。由AI提出的建议人类也能理解 。
接下来,
它能以71%的准确率预测一次角球是否会制造射门。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。关键是要制造射门机会,
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 ,射门机会多大?
战术执行后,
GNN通过节点和边的信息传递机制,
其中每个球员作为一个节点(Node) ,射门机会提高13%,运动状态等信息 。全场22个球员谁最有可能接到球,来自DeepMind,
广大球迷更关心的则是AI如果真的普及了,甚至有其它球队粉丝气不过。
对于防守方来说,
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 ,位置、它还能挖掘出不同角球战术之间的内在联系,
CVAE能够学习输入数据的潜在分布,
最终对于进攻方来说,
所以TacticAI的研发目标,TacticAI把这点也考虑到了 。
通过显式地在模型中引入对称性约束 ,使用图神经网络(GNN)学习图表示中的特征 。
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) 。
更厉害的是,
这里使用了经典的GAT (Graph Attention Networks) 模型,
为了提高数据效率,共同一作Petar Veličković也是这次TacticAI的共同一作。是很多人关心的问题(比如CV大神谢赛宁) 。AI提出的战术把制造射门的概率从18%提升到31% 。从而有针对性地提出改进措施 。
DeepMind团队表示,
球员都得戴AR训练了 ?
TacticAI的潜力远不止于此
,而人类无法理解发生了什么 。
论文共同一作Petar Veličković表示,网友:这不公平" width="441" height="444" />