மெஷின் லேர்னிங் கால்பந்தாட்டத்தின் தரவு மறுமலர்ச்சியை எவ்வாறு ஒருங்கிணைக்கிறது

இந்த அழகான விளையாட்டு மிகப்பெரிய டிஜிட்டல் மாற்றத்திற்கு உள்ளாகி வருகிறது; இது எளிய புள்ளிவிவரப் பட்டியல்களைத் தாண்டி, சிக்கலான முன்கணிப்பு மாதிரியாக்கம் (predictive modeling) என்ற நிலைக்கு நகர்ந்துள்ளது. பேராசிரியர் ஜெஸ்ஸி டேவிஸ் (Professor Jesse Davis) போன்ற முன்னோடிகளின் தலைமையில், மேம்பட்ட மெஷின் லேர்னிங் நுட்பங்கள், ஒரு காலத்தில் வெறும் கண்களால் காண முடியாத தந்திரோபாய நுணுக்கங்களை இப்போது வெளிச்சத்திற்குக் கொண்டு வருகின்றன.

அடிப்படைகளைத் தாண்டி: ட்ரீ என்செம்பிள் மாடல்களின் (Tree Ensemble Models) ஆற்றல்

பல தசாப்தங்களாக, கால்பந்து அதன் நெகிழ்வுத்தன்மை காரணமாக புள்ளிவிவர மாதிரியாக்கத்திற்கு (statistical modeling) கடினமான விளையாட்டாகக் கருதப்பட்டது; கூடைப்பந்து போலல்லாமல், கால்பந்தாட்டத்தில் பெரும்பாலான நடவடிக்கைகள் நேரடியாக ஒரு ஷாட் அல்லது கோலுக்கு இட்டுச் செல்வதில்லை. இருப்பினும், ஜெஸ்ஸி டேவிஸ் மற்றும் KU Leuven-ல் உள்ள அவரது ஸ்போர்ட்ஸ் அனலிட்டிக்ஸ் லேப் (Sports Analytics Lab), அதிநவீன மெஷின் லேர்னிங் நுட்பங்களைப் பயன்படுத்தி இந்தத் தடையை உடைத்துள்ளனர்.

பல முடிவு மரங்களின் (decision trees) சக்திவாய்ந்த கலவையான ட்ரீ என்செம்பிள் மாடல்களைப் பயன்படுத்துவதன் மூலம், டேவிஸின் குழு சிக்கலான தந்திரோபாய நகர்வுகளை உருவகப்படுத்தவும் (simulate) அளவிடவும் (quantify) முடிந்துள்ளது. ஒரு புரட்சிகரமான ஆய்வில், 2022 உலகக் கோப்பை தரவுகள் உட்பட, 1.4 மில்லியன் பாஸ்கள் மற்றும் 60,000 த்ரோ-இன்கள் (throw-ins) கொண்ட ஒரு பிரம்மாண்டமான தரவுத்தொகுப்பு பயன்படுத்தப்பட்டது. இந்த ஆராய்ச்சி, எதிர்பார்த்ததற்கு மாறான ஒரு நடவடிக்கைக்கு கணித ரீதியான நியாயத்தை வழங்கியது: அதாவது, எதிரணியின் பகுதியில் வேண்டுமென்றே பந்தை எல்லைக்கு வெளியே உதைப்பது. பந்து மைதானத்தின் நடுப்பகுதியில் இருக்கும்போது, இந்த தந்திரோபாயம் ஒரு அணியை கோல் போடுவதற்கான வெறும் 10 நடவடிக்கைகளுக்குள் கொண்டு வர முடியும் என்பதை இந்த மாடல்கள் வெளிப்படுத்தின. குறைந்த புள்ளிகள் பெறும் இடைவெளியால் தீர்மானிக்கப்படும் இந்த விளையாட்டில் இது ஒரு முக்கியமான சாதகமாகும்.

அளவிட முடியாததை அளவிடுதல்: தந்திரோபாய நுண்ணறிவு (Tactical Intelligence)

இந்த தரவு சார்ந்த அணுகுமுறையின் தாக்கம் தொழில்முறை கிளப் முடிவெடுப்பதன் ஒவ்வொரு அம்சத்திற்கும் நீடிக்கிறது. ராயல் ஸ்போர்ட்டிங் கிளப் ஆண்டர்லெக்ட் (Royal Sporting Club Anderlecht) போன்ற அணிகள் இப்போது வீரர்களின் பட்டியல்களை மதிப்பீடு செய்யவும், குறிப்பிட்ட விளையாட்டு உத்திகளின் செயல்திறனை ஆய்வு செய்யவும் இந்த பகுப்பாய்வு கட்டமைப்புகளை நம்பியிருக்கின்றன.

நவீன கால்பந்து பகுப்பாய்வின் "அறிவுசார் அடித்தளங்களை" நிறுவுவதில் இந்த ஆய்வகத்தின் ஆராய்ச்சி முக்கியப் பங்கு வகிக்கிறது. அதன் முக்கிய கண்டுபிடிப்புகள் பின்வருமாறு:

• பெனால்டி கிக் மேம்படுத்தல் (Penalty Kick Optimization): மையத்தை இலக்காகக் கொள்வது புள்ளிவிதிக் ரீதியாகச் சிறந்த உத்தி என்று தரவுகள் தெரிவிக்கின்றன.
• ஷாட் தேர்வு (Shot Selection): வெற்றிக்கான துல்லியமான நிகழ்தகவைக் கணக்கிட, நீண்ட தூர ஷாட்களின் அதிகரித்த போக்கை பகுப்பாய்வு செய்தல்.
• பணிக்கட்டுப்பாட்டு மதிப்பு (Possession Value): வெறும் பந்தைக் கட்டுப்படுத்துவதைத் தாண்டி, குறிப்பிட்ட பாஸிங் முறைகள் பந்தின் முன்னேற்றத்திற்கு எவ்வாறு உதவுகின்றன என்பதைப் புரிந்துகொள்ளுதல்.

தரப்படுத்தப்பட்ட விளையாட்டு நுண்ணறிவின் எதிர்காலம்

பல தொழில்முறை கிளப்கள் இப்போது தங்களின் போட்டித்திறனைத் தக்கவைத்துக் கொள்ள உள் தரவு குழுக்களை உருவாக்கி வரும் நிலையில், KU Leuven-இல் செய்யப்படுபவை பரந்த AI சூழலுக்குப் பயனுள்ளதாக அமைகின்றன. திறந்த மூல பகுப்பாய்வு கருவிகள் மூலம் ஆராய்ச்சியை எளிதில் அணுகக்கூடியதாக மாற்றுவதன் முக்கியத்துவத்தை டேவிஸ் (Davis) வலியுறுத்துகிறார்.

விளையாட்டு AI-இன் அடுத்த கட்டம் என்பது விளையாட்டின் போது சேகரிக்கப்படும் தரவுகளைத் (in-game data) தரப்படுத்துவதாகும். மூல விளையாட்டுத் காட்சிகளைத் கட்டமைக்கப்பட்ட தரவுகளாகப் பிரித்தெடுப்பதற்கான சிறந்த வழிகளை உருவாக்குவதன் மூலம், கால்பந்து விளையாட்டில் உள்ள "noise" (தேவையற்ற தரவுகள்) என்ற சிக்கலைத் தீர்க்க ஆராய்ச்சியாளர்கள் முயல்கின்றனர்—அதாவது, உடனடியாகக் கோல் அடிக்கத் தேவையில்லாத பெரும்பாலானச் செயல்கள். இதைத் தீர்ப்பதன் மூலம், விளையாட்டின் சிக்கலான தன்மை, இயக்கம் மற்றும் வேகத்தை இன்னும் நுணுக்கமான முறையில் மாதிரியாக்கம் செய்ய முடியும், இது ஒவ்வொரு போட்டியையும் ஒரு மிகப்பெரிய, பயனுள்ள தரவுத்தொகுப்பாக மாற்றும்.

முக்கியக் கருத்துக்கள்

• மேம்பட்ட மாதிரியாக்கம்: திட்டமிட்டத் தூக்கி எறிதல்கள் (intentional throw-ins) போன்ற வழக்கத்திற்கு மாறான யுக்திகளைச் சரிபார்க்க, ஆராய்ச்சியாளர்கள் மில்லியன் கணக்கானச் செயல்களின் தரவுத்தொகுப்புகளில் tree ensemble மாதிரிகளைப் பயன்படுத்துகின்றனர்.
• மூலோபாய மாற்றம்: தரவுப் பகுப்பாய்வு, கால்பந்து விளையாட்டை உள்ளுணர்வு சார்ந்த பயிற்சியிலிருந்து நிகழ்தகவு சார்ந்த முடிவெடுத்தலுக்கு நகர்த்துகிறது; இது பெனால்டி கிக் முதல் தொலைதூர ஷூட்டிங் வரை அனைத்திலும் தாக்கத்தை ஏற்படுத்துகிறது.
• திறந்த மூலத்தின் தாக்கம்: தொழில்முறை கிளப்களைத் தாண்டி, தரப்படுத்தப்பட்ட விளையாட்டுத் தரவுகள் மற்றும் திறந்த மூலக் கருவிகளுக்கான முயற்சி, அடுத்த தலைமுறை விளையாட்டு AI-இன் அடித்தளத்தை அமைத்துக் கொண்டிருக்கிறது.