وقتی الگوریتم‌های یادگیری ماشین و هوش مصنوعی از غذا خوردن تا رانندگی و مسیریابی و فیلم دیدن و خبر خواندن ما را دست‌شان گرفته‌اند، چرا نباید جایی مثل فوتبال با این حجم از گردش مالی و مخاطب و توجه را هدف بگیرند؟ اصلا چرا مورینیو و گواردیولا از داشتن یک دستیار هوشمند که حواسش به همه‌جا هست، بدشان بیاید؟ دستیاری که تک‌تک بازیکن‌ها را در تک‌تک لحظات تمرین و بازی و در تک‌تک مناطق زمین زیر نظر دارد و مو را از ماست پاس و دریبل و شوت و باقی ادار و اطوارهایشان می‌گیرد و همه‌چیز را در قالب عدد و نمودار و گراف جلوی چشم مربی می‌گذارد.
هرکه داده‌اش بیش
در یادگیری ماشین و هوش مصنوعی داده حرف اول را می‌زند. اگر اطلاعات و داده‌های کافی و البته به‌دردبخور نداشته باشید، بهترین سیستم‌ها و الگوریتم‌ها هم به کارتان نمی‌آید، اگر هم داده و اطلاعات‌تان غلط باشد که دیگر بدتر؛ آشغال به کامپیوتر تحویل می‌دهید و نباید انتظار چیزی جز آشغال داشته باشید. درمورد فوتبال، اطلاعات و داده‌های موردنیاز یا از طریق تشخیص موقعیت توپ و بازیکن‌ها با دوربین به‌دست می‌آید یا دستگاه‌های GPS که به بدن بازیکنان متصل است، داده‌های مربوط به موقعیت آنها را ثبت می‌کند که بیشتر در تمرینات به کار می‌رود و احتمال زیاد در تصاویر منتشرشده از تمرین تیمهای حرفه‌ای فوتبال دیده‌اید.
کامپیوتر در هر بازی میلیون‌ها داده را دریافت می‌کند. این داده‌ها شامل موقعیت مکانی تمام بازیکنان در زمین و همچنین موقعیت توپ در زمین می‌شود. سپس سیستم با کمک الگوریتم‌ها و فرمول‌های گوناگون به پردازش این حجم بالای داده‌ها می‌پردازد. برای یک تخمین ساده از میزان حجم داده از یک دوربین معمولی، کافی‌ست این اعداد را در هم ضرب کنید؛ ۲۳ موجود متحرک (۱۱ بازیکن در هر تیم و یک توپ پرجنب‌وجوش)، حداقل ۵۴۰۰ ثانیه بازی و ۲۴ فریم بر ثانیه برای هر دوربین. هر دوربین حدود ۳ میلیون عکس ثبت می‌کند که باید پردازش شود. این روش آنالیز مخصوص دوربین‌های معمولی‌ست اما دوربین‌های پیشرفته‌ای هم وجود دارد که VUSPORT نام تجاری آن‌هاست و هر عددشان قیمتی حدود 30 هزار دلار دارد. برای پوشش کامل یک بازی فقط سه عدد از این دوربین‌های دوست‌داشتنی کافی‌ست. شیوه آنالیز این دوربین‌ها به صورت تگ کردن موضوعات و سپس دنبال کردن هر یک از بازیکنان و توپ است. این روش نسبت به روش آنالیز با دوربین‌های معمولی هم کار پردازشی کمتری دارد و هم دقیق‌تر است.
روی هنر می‌توان قیمت گذاشت؟
سانتر ژاوی روی سر مسی در فینال لیگ قهرمانان اروپا در سال ۲۰۰۹ مقابل منچستر نمره‌اش چند است؟ استارت‌های برق‌آسای امباپه چقدر به کار تیم می‌آید؟ پرش‌های بلند رونالدو چه‌طور؟ دیبروینه در هر بازی چند حرکت با نمره بالا ثبت می‌کند؟ واکنش‌های نویر درون دروازه چقدر بهتر از مینیوله است؟ این سوال‌ها و هزاران سوال دیگر شبیه به آن قبل از ورود یادگیری ماشین به دنیای فوتبال بی‌معنی و حتی مسخره به نظر می‌رسید. گل و پاس گل و نتیجه تمام تلاش و کار یک بازیکن و یک تیم را قرار بود نشان دهد. حرکات خارق‌العاده ستاره‌ها هم بیشتر وارد دنیای هنر می‌شد و توصیف‌های سینمایی به خود اختصاص می‌داد.
اما تکنولوژی دنیای کیفی سابق را به دنیای کمی تبدیل کرده و با فرمول‌گذاری‌های عجیب و غریبش به هر حرکت نمره می‌دهد. اگر گلی به ثمر می‌رسد، سهم هر بازیکن از این گل را به طور دقیق می‌سنجند و با عدد نشان می‌دهند؛ مثلا در گل دقیقه ۹۲ آرتور ویدال به رئال مادرید در الکلاسیکو سال ۲۰۱۷، سهم شوت آرتور ۰.۸۳ و سهم پاس گل مسی ۰.۰۹ از ارزش گل را شامل می‌شود. بقیه سهم نیز مال پاس‌های قبل از گل است. نه تنها گل‌ها، بلکه همه اعمال و رفتار و حرکات بازیکنان درون زمین ارزش‌گذاری و تحلیل شده و در نهایت به هر بازیکن نمره‌ای داده می‌شود تا معلوم گردد چقدر کارش را درست انجام داده و سهمش در موفقیت تیم چه میزان بوده است.
حساب‌شده خرج کن!
همه روزه رقم‌های نقل و انتقالات بازیکنان بالاتر می‌رود، به طوری که رقم‌های پارسال در بازار امسال بیشتر شبیه شوخی می‌ماند. چند سال پیش ۱۰۰ میلیون یورو برای یک بازیکن یک ولخرجی تمام‌عیار بود ولی امروزه حتی دمبله هم بالای ۱۰۰ میلیون خرید و فروش می‌شود و بیشتر دوران بازی‌اش را هم به خاطر مصدومیت روی نیمکت و سکو می‌گذراند. اما در باشگاه‌های حرفه‌ای این ارقام بدون پشتوانه کامپیوتری حق خرج شدن ندارند. باشگاه‌ها باهوش‌تر از آن هستند که این حجم از پول را جای بدی سرمایه‌گذاری کنند. چندین سال است پای یادگیری ماشین به دنیای نقل و انتقالات باز شده و هر فصل بازیکنان ارزشمند را با روش نمره‌دهی، مشخص می‌کند. مثلا بارسلونا در انتهای فصل ۱۸-۲۰۱۷ با رقم هنگفتی کوتینیو را به خدمت گرفت. نکته جالب اینکه کوتینیو در آن فصل ارزشمند ترین بازیکن لیگ جزیره از دید کامپیوتر شده بود، بالاتر از بازیکنانی مثل محمد صلاح و دیبروینه و بارسلونا به گواه آمار و اعداد فکر می‌کرد شاه‌مهره بازار را صید کرده است.
این آنالیز بازیکنان و نمره‌دهی و ارزش‌گذاری آنها کاربرد گسترده‌ای در استعدادیابی نیز دارد. اگر لیست ارزشمندترین بازیکانان جوان شناسایی شده در سال ۲۰۱۷ را ببینیم، اسامی معروفی مثل امباپه و دی‌یانگ به چشم می‌خورد که هر یک اکنون ستاره‌ای در تیمهای باشگاهی و ملی خودشان شده‌اند.
مسی بهترین است
رقابت و کلکل بین طرفداران مسی و رونالدو دیگر حرص همه را درآورده ولی بیاییم سلیقه را کنار بگذاریم و اجازه دهیم اعداد و ارقام بگویند چه کسی بهترین است. در مقاله‌ای که به بررسی آمار بازیکنان در سال ۱۸-۲۰۱۷ می‌پرداخت، لیونل مسی بهترین عملکرد را داشته است؛ هم از نظر کیفیت اعمال انجام‌شده ممتاز است و هم از نظر تعداد آنها. لوکا مودریچ باید خوشحال باشد که انتخاب او به عنوان بهترین بازیکن سال، توسط CPUهای بی‌طرف کامپیوتری انجام نشد. (البته حتی مغز آدم‌ها هم نباید آن فصل توپ طلا را به مودریچ می‌داد!)
دوران بزن زیرش گذشته
داده‌های تحلیل‌شده دریچه‌های جدیدی از تاکتیک‌ها را روی مربیان می‌گشاید؛ در چه ناحیه‌ای از زمین و روی کدوم بازیکن تیم مقابل پرس شود؟ در این بازی حمله از جناح راست بهتر است یا چپ؟ بازی روی زمین یا روی هوا؟ تغییر تاکتیک و واکنش تیم حریف چه‌طور خواهد بود؟
تقریبا همه تیم‌ها و سرمربی‌ها قبل از شروع مسابقه این داده‌ها را از آنالیزور تیم‌شان طلب می‌کنند. شاید برایتان جالب باشد که بدانیم سیستم پرس معروف بارسلونای پپ گواردیولا هم با همین آنالیزها سر و سامان گرفت. زیر ۵ ثانیه و با فاصله کمتر از ۳ متر از بازیکن حریف بیشترین شانس بازپس‌گیری توپ وجود دارد. شاید بارسلونا موفقیت‌های عصر طلایی‌اش را علاوه بر مسی و پپ، مدیون یادگیری ماشین هم باشد. حتی ۱۵ سال پیش، در بازی سال ۲۰۰۵ بین تیمهای چلسی و بارسلونا، آنالیزورهای خوزه مورینیو موفق به تشخیص نقطه ضعف بارسلونا که هافبک دفاعی آنها بود، شدند و با پرس ادمیلسون موفق به برتری ۴ بر دو مقابل بارسلونایی که رونالدینیوی در اوج را داشت.
ما هم بازی!
آنالیز با استفاده از یادگیری ماشین در همه ورزش‌های گروهی مثل بسکتبال و والیبال و فوتبال آمریکایی هم به‌کار گرفته می‌شود. در ایران هم دیر یا زود شاهد استفاده گسترده از این فناوری خواهیم بود، البته روزی که دوربین ورزشگاه‌ها کیفیت ۵۰ سال پیش را نداشته باشند (ما که نمی‌توانیم با چشمان‌مان موقعیت توپ را تشخیص دهیم، چه برسد به کامپیوتر). مربیان جوان نیز هم‌اکنون در پی استفاده از تکنولوژی های نوین هستند که این نوید تقاضای بیش از پیش این تکنولوژی را در ورزش کشورمان می‌دهد.
مهندس روی نیمکت
ایده نوشتن مقاله بالا و بیشتر مطالب آن بهمن پارسال به ذهن‌مان خطور کرد، یعنی زمانی که یکی از دانشجوهای سابق دانشکده کامپیوتر از هلند به ایران آمده بود و در ارائه‌اش از روش‌های یادگیری ماشین در آنالیز فوتبال و اتفاقات جالب و شاید عجیب‌وغریب این حوزه نسبتا جدید می‌گفت.
هادی ستوده ورودی ۱۳۹۰ کارشناسی فناوری اطلاعات (IT) شریف است. او دوره ارشد علم داده را در دانشگاه‌های فنی آیندهون هلند و کی‌تی‌اچ سوئد گذراند و برای دوره دکتری حرفه‌ای راهی مرکز علوم داده JADS هلند شد. عشق به فوتبال ستوده را کشاند به سمت آنالیز داده‌های مسابقات فوتبال و در مسابقه تحلیل‌داده‌های ورزشی سال ۲۰۱۹ باشگاه پاری‌سن ژرمن فرانسه هم توانست رتبه سوم را از بین ۳۰۰۰ شرکت‌کننده به‌دست آورد. او پروژه پایانی دوره دکتری صنعتی خود را به مدت یک‌سال برای دپارتمان آنالیز فدراسیون فوتبال هلند انجام داد.
ستوده در حال حاضر از مصاحبه این باشگاه به مصاحبه باشگاه دیگر می‌رود و به دنبال جذب به عنوان آنالیزور در یکی از تیمهای فوتبال اروپاست. تا مراحل پایانی استخدام در فیفا و باشگاه‌های رنجرز اسکاتلند و دربی‌کانتی انگلستان هم رسید ولی در قدم آخر نیمکت را به دیگران واگذار کردند و به خاطر همین ستوده در شروع فصل جدید فوتبال اروپا فعلا بی‌تیم باقی مانده است. البته خودش دوست دارد فوتبال ایران هم به این سیستم‌ها هرچه زودتر مجهز شود تا در استقلال یا تیم ملی مشغول به کار شود.
