Machine Learning กำลังขับเคลื่อนการปฏิวัติข้อมูลในโลกฟุตบอลอย่างไร

เกมกีฬาที่สวยงามกำลังเผชิญกับการเปลี่ยนผ่านสู่ดิจิทัลครั้งใหญ่ โดยก้าวข้ามผ่านเพียงแค่การดูผลคะแนนพื้นฐาน ไปสู่ขอบเขตของการสร้างแบบจำลองเชิงคาดการณ์ที่ซับซ้อน ด้วยการนำโดยผู้บุกเบิกอย่างศาสตราจารย์ Jesse Davis เทคโนโลยี Machine Learning ขั้นสูงกำลังเปิดเผยรายละเอียดทางแท็กติกที่เคยเป็นสิ่งที่มองไม่เห็นด้วยตาเปล่า

เหนือกว่าพื้นฐาน: พลังของโมเดล Tree Ensemble

เป็นเวลาหลายทศวรรษที่ฟุตบอลถูกมองว่าเป็นกีฬาที่ยากต่อการสร้างแบบจำลองทางสถิติเนื่องจากความลื่นไหลของเกม ต่างจากบาสเกตบอลที่การกระทำส่วนใหญ่จะนำไปสู่การยิงหรือการทำประตูโดยตรง อย่างไรก็ตาม Jesse Davis และ Sports Analytics Lab ของเขาที่ KU Leuven ได้ทลายกำแพงนี้ด้วยการใช้เทคนิค Machine Learning ที่ซับซ้อน

ด้วยการใช้โมเดล Tree Ensemble ซึ่งเป็นการผสมผสานอันทรงพลังของ Decision Trees หลายชุด ทีมของ Davis สามารถจำลองและวัดผลเชิงปริมาณของการเคลื่อนไหวทางแท็กติกที่ซับซ้อนได้ การศึกษาที่สร้างความเปลี่ยนแปลงครั้งสำคัญชิ้นหนึ่งได้ใช้ชุดข้อมูลมหาศาลซึ่งประกอบด้วยการส่งบอล 1.4 ล้านครั้ง และการทุ่ม 60,000 ครั้ง รวมถึงข้อมูลจากฟุตบอลโลกปี 2022 งานวิจัยนี้ได้ให้เหตุผลทางคณิตศาสตร์สำหรับการเคลื่อนไหวที่ดูเหมือนจะขัดกับสัญชาตญาณ นั่นคือการตั้งใจเตะบอลออกนอกสนามในฝั่งของคู่ต่อสู้ โมเดลเผยให้เห็นว่าเมื่อลูกบอลอยู่ในพื้นที่หนึ่งในสามส่วนกลางของสนาม แท็กติกนี้สามารถทำให้ทีมเข้าใกล้การทำประตูได้ภายในระยะเพียง 10 แอ็กชัน ซึ่งถือเป็นความได้เปรียบที่สำคัญในกีฬาที่ตัดสินกันด้วยผลต่างประตูที่น้อยมาก

การวัดผลสิ่งที่วัดไม่ได้: ความฉลาดทางแท็กติก

ผลกระทบของแนวทางที่ขับเคลื่อนด้วยข้อมูลนี้ครอบคลุมไปถึงทุกแง่มุมของการตัดสินใจของสโมสรอาชีพ ทีมอย่าง Royal Sporting Club Anderlecht ในปัจจุบันพึ่งพาโครงสร้างการวิเคราะห์เหล่านี้เพื่อประเมินรายชื่อผู้เล่นและประเมินประสิทธิภาพของกลยุทธ์การเล่นเฉพาะอย่าง

งานวิจัยของห้องปฏิบัติการนี้มีบทบาทสำคัญในการสร้าง "รากฐานทางปัญญา" ของการวิเคราะห์ฟุตบอลสมัยใหม่ โดยผลลัพธ์สำคัญประกอบด้วย:

• การเพิ่มประสิทธิภาพการยิงจุดโทษ: ข้อมูลบ่งชี้ว่ากลยุทธ์การยิงไปที่กึ่งกลางนั้นเหนือกว่าในเชิงสถิติ
• การเลือกจังหวะยิง: การวิเคราะห์แนวโน้มการยิงไกลที่เพิ่มขึ้นเพื่อวัดความน่าจะเป็นของความสำเร็จที่แม่นยำ
• มูลค่าการครองบอล: การก้าวข้ามผ่านเพียงแค่การควบคุมบอลแบบธรรมดา เพื่อทำความเข้าใจว่ารูปแบบการส่งบอลเฉพาะเจาะจงส่งผลต่อการเคลื่อนที่ของบอลอย่างไร

อนาคตของความฉลาดทางกีฬาที่เป็นมาตรฐาน

แม้ว่าสโมสรอาชีพหลายแห่งกำลังสร้างทีมข้อมูลภายในเพื่อรักษาความได้เปรียบในการแข่งขัน แต่งานที่ทำกันที่ KU Leuven นั้นส่งผลต่อระบบนิเวศ AI ในวงกว้าง Davis เน้นย้ำถึงความสำคัญของการทำให้งานวิจัยเข้าถึงได้ง่ายผ่านเครื่องมือวิเคราะห์แบบ open-source

พรมแดนถัดไปของ AI สำหรับกีฬาคือการสร้างมาตรฐานของข้อมูลระหว่างการแข่งขัน (in-game data) ด้วยการพัฒนาวิธีการที่ดีขึ้นในการแปลงฟุตเทจการแข่งขันดิบให้เป็นข้อมูลที่มีโครงสร้าง นักวิจัยมีเป้าหมายที่จะแก้ปัญหา "noise" ในฟุตบอล ซึ่งก็คือการกระทำส่วนใหญ่ที่ไม่ได้ส่งผลให้เกิดการทำประตูในทันที การแก้ปัญหานี้จะช่วยให้สามารถสร้างแบบจำลองที่มีความละเอียด (granular) มากยิ่งขึ้นเกี่ยวกับความซับซ้อน ความลื่นไหล และความเร็วของกีฬา ซึ่งจะเปลี่ยนทุกการแข่งขันให้กลายเป็นชุดข้อมูลขนาดใหญ่ที่สามารถนำไปใช้งานได้จริง

สรุปประเด็นสำคัญ

• การสร้างแบบจำลองขั้นสูง: นักวิจัยกำลังใช้โมเดล tree ensemble กับชุดข้อมูลที่มีการกระทำหลายล้านครั้ง เพื่อพิสูจน์ความถูกต้องของกลยุทธ์ที่นอกเหนือจากรูปแบบทั่วไป เช่น การตั้งใจทุ่มบอล
• การเปลี่ยนแปลงเชิงกลยุทธ์: การวิเคราะห์ข้อมูลกำลังเปลี่ยนฟุตบอลจากการโค้ชด้วยสัญชาตญาณไปสู่การตัดสินใจเชิงความน่าจะเป็น (probabilistic decision-making) ซึ่งส่งผลต่อทุกอย่างตั้งแต่การยิงจุดโทษไปจนถึงการยิงไกล
• ผลกระทบของ Open-Source: นอกเหนือจากสโมสรอาชีพแล้ว การผลักดันให้เกิดมาตรฐานข้อมูลระหว่างการแข่งขันและเครื่องมือแบบ open-source กำลังเป็นการสร้างรากฐานสำหรับ AI ด้านกีฬาในยุคถัดไป