Alguém que não assiste a partidas de futebol frequentemente e não conhece muito sobre o esporte pode ficar perdido com as manobras orquestradas pelos atletas, que costumam trocar de posições algumas vezes, mesmo que seja por apenas uma jogada. A tarefa também não é simples para um computador, mas uma solução desenvolvida nos Estados Unidos parece resolver o problema, o que pode resultar em máquinas que se tornarão grandes parceiras dos treinadores.
O algoritmo consegue reconhecer formações de times de futebol automaticamente a partir da análise de dados dos jogadores em campo. O programa consegue até imitar o comportamento dos atletas. Entendendo como eles, tanto no futebol quanto em outros esportes coletivos, se organizam para trocar de posições, a solução pode analisar melhor a jogada individual de cada atleta e ajudar o treinador, por exemplo, a definir estratégias de jogada, como quem correrá para qual lugar do campo.
Para chegar a essa etapa, no entanto, será preciso identificar posições, como a de um atacante ou a de um zagueiro. ;Estamos treinando o algoritmo para entender o futebol no mesmo nível que um fã. Ele assiste a jogadores não identificados se moverem em um campo, assiste a atacantes e meias se organizarem em formações específicas;, diz Yisong Yue, do Instituto de Tecnologia da Califórnia (Caltech). Também participam do projeto profissionais da Disney Research e da empresa de dados esportivos STATS.
Markus Gross, vice-presidente de pesquisa da Disney Research, ressalta que a solução tem aplicações além dos esportes. ;Elas incluem o controle de uma equipe de robôs para respostas emergenciais, o planejamento de veículos autônomos e modelos do comportamento coletivo de animais;, lista. Detalhes do algoritmo foram apresentados mês passado na Conferência Internacional de Aprendizado de Máquina em Sydney, na Austrália.
Tempo real
Em um trabalho anterior, os pesquisadores mostraram que computadores conseguem rever a gravação de uma partida e indicar onde os jogadores defensivos deveriam estar e identificar quando estavam fora de posição. Esse estudo, porém, precisa que humanos identifiquem a posição dos atletas e as formações dos times. O novo algoritmo poderá diferenciar automaticamente essas informações ao longo do jogo.
Para tanto, os pesquisadores combinaram o chamado aprendizado profundo com alguns modelos gráficos contendo o comportamento de diferentes posições no futebol. Aprendizado profundo é um conjunto de técnicas de aprendizagem de máquina que usa estruturas chamadas redes neurais, imitações de um cérebro e seus neurônios. Nesse caso, as redes neurais estudaram e aprenderam a copiar os comportamentos de jogadores profissionais. Por exemplo, em quais situações um atleta corre para a esquerda ou para a direita.
Porém, sozinho, o aprendizado profundo não consegue imitar corretamente os jogadores, pois suas posições não constam do conjunto de dados usados por eles. Por isso, o uso dos modelos gráficos. Eles contêm, por exemplo, os diferentes lugares ocupados no campo por atletas com funções distintas. Isso permite que o algoritmo infira as posições a partir dos conjuntos de dados originais. A eficácia do sistema foi checada em experimentos usando informações de jogos de 45 times europeus.