پروفسور BYU DJ Lee، دانشجوی کارشناسی ارشد Jacob Newman و Ph.D. دانش‌آموزان Andrew Sumsion و Shad Torrie از هوش مصنوعی برای خودکار کردن فرآیند زمان‌بر تجزیه و تحلیل و حاشیه‌نویسی دستی فیلم بازی استفاده می‌کنند. محققان با استفاده از یادگیری عمیق و بینایی کامپیوتری، الگوریتمی ایجاد کرده‌اند که می‌تواند به طور مداوم بازیکنان را از فیلم بازی مکان یابی کرده و برچسب‌گذاری کند و تشکیل تیم تهاجمی را تعیین کند – فرآیندی که می‌تواند زمان زیادی از دستیاران ویدیویی را طلب کند.
لی و نیومن گفتند سیستم هوش مصنوعی می تواند در ورزش های دیگر نیز کاربرد داشته باشد. به عنوان مثال، در بیسبال می تواند موقعیت های بازیکن را در زمین تعیین کند و الگوهای رایج را برای کمک به تیم ها در اصلاح نحوه دفاع در برابر ضربات خاص شناسایی کند. یا می‌توان از آن برای تعیین موقعیت بازیکنان فوتبال برای کمک به تعیین ترکیب‌های کارآمدتر و مؤثرتر استفاده کرد.
فناوری هوش مصنوعی جدیدی که توسط مهندسان دانشگاه بریگهام یانگ توسعه می‌یابد، می‌تواند زمان و هزینه‌ای را که برای مطالعه فیلم برای تیم‌های سوپرباول (و همه تیم‌های فوتبال NFL و کالج) صرف می‌شود، به میزان قابل توجهی کاهش دهد، در حالی که استراتژی بازی را با بهره‌گیری از قدرت داده های بزرگ
بازیکنان و مربیان فیلادلفیا ایگلز و چیفز کانزاس سیتی این هفته ساعت‌ها و ساعت‌ها را در اتاق‌های فیلم می‌گذرانند تا برای سوپربول آماده شوند. آنها موقعیت‌ها، نمایشنامه‌ها و فرم‌بندی‌ها را مطالعه می‌کنند و سعی می‌کنند مشخص کنند که از چه گرایش‌های حریفی می‌توانند استفاده کنند و در عین حال به دنبال فیلم خود برای تقویت نقاط ضعف هستند.
در حالی که این تیم هنوز در مراحل اولیه تحقیقات بود، در حال حاضر دقتی بهتر از 90 درصد در تشخیص و برچسب‌گذاری بازیکنان با الگوریتم خود به همراه دقت 85 درصد در تعیین آرایش‌ها به دست آورده است. آنها بر این باورند که این فناوری در نهایت می تواند نیاز به تمرین ناکارآمد و خسته کننده حاشیه نویسی دستی و تجزیه و تحلیل ویدئوهای ضبط شده مورد استفاده توسط تیم های NFL و کالج را از بین ببرد.
لی و نیومن ابتدا به فیلم واقعی بازی که توسط تیم فوتبال BYU ارائه شده بود نگاه کردند. همانطور که آنها شروع به تجزیه و تحلیل آن کردند، متوجه شدند که برای آموزش صحیح الگوریتم خود به زوایای بیشتری نیاز دارند. بنابراین آنها یک کپی از Madden 2020 خریداری کردند که میدان را از بالا و پشت حمله نشان می دهد و به صورت دستی 1000 تصویر و ویدیو از بازی را برچسب گذاری کردند.
لی گفت که این الگوریتم می تواند به دقت 99.5 درصد تشکیلات را شناسایی کند که مکان پخش و اطلاعات برچسب گذاری صحیح باشد. I Formation، که در آن چهار بازیکن یکی در مقابل بازیکن بعدی صف می‌کشند – وسط، کوارتربک، مدافع کناری و دویدن – یکی از چالش‌برانگیزترین ترکیب‌ها برای شناسایی است.
لی گفت: «وقتی این داده‌ها را داشته باشید، کارهای بیشتری می‌توانید با آن انجام دهید؛ می‌توانید آن را به سطح بعدی ببرید. “داده های بزرگ می تواند به ما کمک کند تا استراتژی های این تیم یا گرایش های آن مربی را بشناسیم. این می تواند به شما کمک کند که بدانید آیا آنها احتمالاً در 4th Down و 2 آن را دنبال می کنند یا اینکه آیا آنها نقطه گذاری خواهند کرد. ایده استفاده از هوش مصنوعی برای ورزش واقعا جالب است و اگر بتوانیم حتی 1 درصد از مزیت را به آنها بدهیم، ارزشش را دارد.”
آنها از این تصاویر برای آموزش یک الگوریتم یادگیری عمیق برای مکان یابی بازیکنان استفاده کردند، که سپس به یک چارچوب شبکه باقی مانده برای تعیین موقعیتی که بازیکنان در حال بازی هستند، وارد می شود. در نهایت، شبکه عصبی آنها از اطلاعات مکان و موقعیت استفاده می کند تا مشخص کند که از چه شکلی (از بیش از 25 آرایش) استفاده می کند – هر چیزی از Pistol Bunch TE تا I Form H Slot Open.
لی، استاد مهندسی برق و کامپیوتر، گفت: «ما در حال گفتگو در مورد این بودیم و متوجه شدیم، اوه، احتمالاً می‌توانیم الگوریتمی برای انجام این کار آموزش دهیم. بنابراین ما یک جلسه با BYU Football ترتیب دادیم تا روند آنها را یاد بگیریم و بلافاصله متوجه شدیم، بله، ما می توانیم این کار را خیلی سریعتر انجام دهیم.”
