احتمال برد واقعی مسابقه بوندسلیگا: تعیین کمیت تأثیر رویدادهای درون بازی بر شانس برنده شدن با استفاده از یادگیری ماشینی در AWS

ده سال بعد، آمادگی فنی باشگاه ها نقش کلیدی در موفقیت آنها خواهد داشت. امروز ما شاهد پتانسیل تکنولوژی برای متحول کردن درک فوتبال هستیم. x اهداف کمیت می کند و امکان مقایسه پتانسیل گلزنی در هر موقعیت شوتزنی را فراهم می کند، در حالی که xThreat و EPV مدل ها ارزش هر لحظه در بازی را پیش بینی می کنند. در نهایت، این آمار و سایر آمارهای پیشرفته یک هدف را دنبال می‌کنند: بهبود درک اینکه چه کسی و چرا برنده خواهد شد. واقعیت بازی جدید بوندسلیگا: احتمال برد را وارد کنید.

در دومین بازی فصل گذشته بایرن مقابل بوخوم، جدول به طور غیرمنتظره ای تغییر کرد. در اوایل بازی، لواندوفسکی تنها پس از 1 دقیقه یک بر صفر به ثمر رساند. "موش خاکستری" لیگ بلافاصله هنگام رویارویی با بایرن برای اولین بار در آن فصل، فاجعه 0 بر 9 آنها را یادآور می شود. اما نه این بار: کریستوفر آنتوی آجی اولین گل خود را تنها 7 دقیقه بعد برای باشگاه به ثمر رساند. پس از دریافت گل پنالتی در دقیقه 0، تیم موناکو دی باواریا فلج به نظر می رسد و همه چیز شروع به فوران کرد: گامبوآ کومان را با جوز هندی شکست داد و با یک ضربه محکم به پایان رسید، و هولتمن در نزدیکی نیمه اول با یک ضربه غواصی بازی را 5 بر 38 کرد. از سمت چپ بایرن از سال 4 تاکنون این تعداد گل در نیمه اول دریافت نکرده بود و به سختی توانست با نتیجه 1 بر 1975 به میدان برود. چه کسی می توانست این را حدس بزند؟ هر دو تیم بدون دروازه بان اول خود بازی کردند که برای بایرن به معنای از دست دادن کاپیتان خود مانوئل نویر بود. آیا حضور او می توانست آنها را از این نتیجه غیرمنتظره نجات دهد؟

به طور مشابه، کلن در فصل 2020/2021 دو زینگر خارق‌العاده را به نمایش گذاشت. هنگامی که آنها مقابل دورتموند قرار گرفتند، 18 بازی را بدون برد پشت سر گذاشتند، در حالی که هالند از BVB در آن فصل (23 در 22 بازی) کلاس استادی در گلزنی ارائه می کرد. نقش محبوبیت مشخص بود، با این حال کلن با تنها 9 دقیقه پیشی گرفتن زودهنگام پیش افتاد. سخیری در ابتدای نیمه دوم گل اول خود را 0-2 به ثمر رساند. دورتموند در قدرت هجومی فرو رفت، موقعیت های بزرگی خلق کرد و 1 بر 2 به گل رسید. از بین همه بازیکنان، هالند یک بازیکن را 5 دقیقه به وقت اضافه از دست داد و کلن را با 3 امتیاز اول در دورتموند پس از تقریبا 30 سال تاج گذاشت.

بعداً در آن فصل، کلن - که آخرین نفر در جدول خانگی بود - RB Laipzig را غافلگیر کرد که تمام انگیزه را برای نزدیک شدن به بایرن رهبر قهرمانی داشت. حریف لایپزیگ با رکورد فصل تیمی 13 شوت به سمت دروازه در نیمه اول، "بیلی گوتس" را تحت فشار قرار داد و شانس بالای آنها برای پیروزی را افزایش داد. از قضا، کلن با اولین ضربه به دروازه در دقیقه 1 نتیجه 0:46 را به ثمر رساند. پس از اینکه "ردبولز" یک گل تساوی را به ثمر رساند، تنها 80 ثانیه بعد روی پرتاب توپ خوابیدند که منجر به گلزنی یوناس هکتور برای کلن شد. از نو. درست مانند دورتموند، لایپزیگ هم اکنون تمام انرژی خود را برای حمله به کار می‌گیرد، اما بهترین چیزی که آنها به دست آوردند ضربه زدن به تیرک دروازه در وقت اضافه بود.

برای همه این مسابقات، متخصصان و تازه کارها به اشتباه برنده را حدس می زدند، حتی به خوبی در مسابقه. اما چه اتفاقاتی منجر به این نوسانات غافلگیرکننده احتمال برد در بازی شد؟ در چه دقیقه ای شانس قهرمانی ضعیف برای برنده شدن از شانس برنده پیشی گرفت زیرا زمان آنها تمام شد؟ بوندسلیگا و AWS برای محاسبه و نشان دادن توسعه زنده شانس های برنده شدن در طول مسابقات با هم کار کرده اند و به طرفداران این امکان را می دهند که لحظات کلیدی نوسانات احتمال را ببینند. نتیجه مسابقه جدید بوندسلیگا با یادگیری ماشینی (ML) است: احتمال برد.

چگونه کار می کند؟

احتمال برد واقعی مسابقه جدید بوندسلیگا با ساخت مدل‌های ML که بیش از 1,000 بازی تاریخی را تجزیه و تحلیل می‌کردند، ایجاد شد. مدل زنده تخمین‌های قبل از مسابقه را می‌گیرد و آن‌ها را با توجه به روند مسابقه بر اساس ویژگی‌هایی که بر نتیجه تأثیر می‌گذارند، از جمله موارد زیر تنظیم می‌کند:

• اهداف
• مجازات
• کارت قرمز
• تعویض
• زمان گذشت
• موقعیت های گلزنی ایجاد شد
• موقعیت های تنظیمی

مدل زنده با استفاده از معماری شبکه عصبی آموزش داده شده و از رویکرد توزیع پواسون برای پیش‌بینی نرخ اهداف در دقیقه استفاده می‌کند. r برای هر تیم، همانطور که در معادله زیر توضیح داده شده است:

این نرخ ها را می توان به عنوان تخمینی از قدرت یک تیم در نظر گرفت و با استفاده از یک سری لایه های متراکم بر اساس ورودی ها محاسبه می شود. بر اساس این نرخ ها و تفاوت بین حریفان، احتمال برد و تساوی در زمان واقعی محاسبه می شود.

ورودی مدل شامل 3 ویژگی ورودی، تفاضل گل فعلی و زمان پخش باقی مانده در چند دقیقه است.

اولین مؤلفه از سه بعد ورودی شامل یک مجموعه ویژگی است که عملکرد فعلی بازی را در زمان واقعی برای هر دو تیم در معیارهای عملکرد توصیف می کند. اینها شامل مقادیر مختلف xG مبتنی بر تیم است، با توجه ویژه به عکس‌های گرفته شده در 15 دقیقه آخر قبل از پیش‌بینی. همچنین کارت های قرمز، پنالتی ها، ضربات کرنر و تعداد ضربات آزاد خطرناک را بررسی می کنیم. ضربه آزاد خطرناک به عنوان ضربه آزاد نزدیکتر از 25 متر به دروازه حریف طبقه بندی می شود. در طول توسعه این مدل، علاوه بر تأثیر واقعیت مسابقه بوندسلیگا xGoals، تأثیر مهارت واقعیت بازی بوندسلیگا را نیز در مدل ارزیابی کردیم. این بدان معناست که مدل به تعویض بازیکنان برتر واکنش نشان می‌دهد - بازیکنانی که دارای نشان‌هایی در مهارت‌های پایان‌دهنده، آغازگر یا برنده توپ هستند.

مثال احتمال پیروزی

بیایید به یک مسابقه از فصل جاری (2022/2023) نگاه کنیم. نمودار زیر احتمال برد بازی بایرن مونیخ و اشتوتگارت را از روز ششم نشان می دهد.

مدل پیش از بازی احتمال برد را 67 درصد برای بایرن، 14 درصد برای اشتوتگارت و 19 درصد برای تساوی محاسبه کرد. وقتی به روند بازی نگاه می کنیم، تاثیر زیادی از گل های زده شده در دقیقه 36، 57 و 60 را می بینیم. تا دقیقه اول وقت اضافه نتیجه 2 بر 1 به سود بایرن بود. تنها یک ضربه پنالتی موفق توسط اس. گراسی در دقیقه 90+2 باعث تساوی شد. بنابراین، مدل زنده احتمال پیروزی، پیش‌بینی قرعه‌کشی را از 5% به بیش از 90% اصلاح کرد. نتیجه یک نوسان دیرهنگام غیرمنتظره است و احتمال برد بایرن از 90 درصد به 8 درصد در دقیقه 90+2 کاهش می یابد. نمودار نشان دهنده نوسان جو در آلیانز آرنا در آن روز است.

چگونه اجرا می شود؟

Win Probability داده‌های رویداد را از یک مسابقه در حال انجام (رویدادهای گل، خطاها، کارت‌های قرمز و موارد دیگر) و همچنین داده‌های تولید شده توسط سایر حقایق بازی، مانند xGoals، مصرف می‌کند. برای به روز رسانی زمان واقعی احتمالات، ما استفاده می کنیم آمازون پخش جریانی کافکا را مدیریت کرد (Amazon MSK) به عنوان یک راه حل مرکزی جریان داده و پیام رسانی. به این ترتیب، داده‌های رویداد، داده‌های موقعیت‌ها و خروجی‌های مربوط به مسابقات مختلف بوندسلیگا را می‌توان در زمان واقعی بین کانتینرها برقرار کرد.

نمودار زیر گردش کار انتها به انتها برای احتمال پیروزی را نشان می دهد.

داده های مرتبط با تطابق جمع آوری شده از طریق یک ارائه دهنده خارجی (DataHub) جذب می شود. فراداده مسابقه در یک ذخیره و پردازش می شود AWS لامبدا عملکرد. داده‌های موقعیت‌ها و رویدادها از طریق یک دریافت می‌شوند AWS Fargate ظرف (MatchLink). سپس تمام داده های دریافت شده برای مصرف در موضوعات MSK مربوطه منتشر می شود. قلب واقعیت تطابق احتمال پیروزی در یک محفظه اختصاصی Fargate (BMF WinProbability) قرار دارد که برای مدت زمان مسابقه مربوطه اجرا می شود و تمام داده های مورد نیاز به دست آمده از Amazon MSK را مصرف می کند. مدل‌های ML (زنده و قبل از مسابقه) به کار گرفته می‌شوند آمازون SageMaker نقاط پایانی استنتاج بدون سرور نقاط پایانی بدون سرور به‌طور خودکار منابع محاسباتی را راه‌اندازی می‌کنند و این منابع را بسته به ترافیک ورودی مقیاس‌بندی می‌کنند و نیاز به انتخاب انواع نمونه یا مدیریت سیاست‌های مقیاس‌بندی را از بین می‌برند. با این مدل پرداخت به ازای استفاده، استنتاج بدون سرور برای بارهای کاری که دوره‌های بیکاری بین جهش ترافیک دارند، ایده‌آل است. وقتی مسابقات بوندسلیگا وجود ندارد، هیچ هزینه ای برای منابع بیکار وجود ندارد.

کمی قبل از شروع بازی، مجموعه اولیه ویژگی‌های خود را ایجاد می‌کنیم و با فراخوانی نقطه پایانی PreMatch SageMaker، احتمال برد قبل از مسابقه را محاسبه می‌کنیم. با این احتمالات PreMatch، سپس مدل زنده را راه اندازی می کنیم، که در زمان واقعی به رویدادهای مربوطه در بازی واکنش نشان می دهد و به طور مداوم برای دریافت احتمالات برنده فعلی درخواست می شود.

سپس احتمالات محاسبه شده به DataHub ارسال می شود تا در اختیار سایر مصرف کنندگان MatchFacts قرار گیرد. احتمالات نیز برای یک موضوع اختصاصی به کلاستر MSK ارسال می شود تا توسط سایر حقایق مسابقه بوندسلیگا مصرف شود. یک تابع لامبدا تمام احتمالات مربوط به موضوع کافکا را مصرف می کند و آنها را در یک می نویسد. آمازون شفق قطبی پایگاه داده سپس از این داده ها برای تجسم های تعاملی در زمان واقعی استفاده می شود آمازون QuickSight.

خلاصه

در این پست، ما نشان دادیم که چگونه احتمال برد واقعی بازی جدید بوندسلیگا تأثیر رویدادهای درون بازی را بر شانس برد یا باخت یک تیم در یک مسابقه نشان می دهد. برای انجام این کار، ما حقایق مسابقه بوندسلیگا را که قبلا منتشر شده بود، در زمان واقعی ایجاد و ترکیب می کنیم. این به مفسران و طرفداران اجازه می دهد تا لحظات نوسانات احتمالی و موارد دیگر را در طول مسابقات زنده کشف کنند.

واقعیت بازی جدید بوندسلیگا نتیجه تجزیه و تحلیل عمیق کارشناسان فوتبال بوندسلیگا و دانشمندان داده AWS است. احتمال برد در تیک تیک زنده مسابقات مربوطه در برنامه رسمی بوندسلیگا نشان داده می شود. در طول پخش، احتمال برد از طریق به مفسران ارائه می شود یاب داستان داده و به صورت بصری در لحظات کلیدی به هواداران نشان داده می‌شود، مانند زمانی که تیم ضعیف برتری می‌یابد و اکنون به احتمال زیاد برنده بازی است.

ما امیدواریم که از این واقعیت بازی کاملاً جدید بوندسلیگا لذت ببرید و بینش جدیدی از بازی در اختیار شما قرار دهد. برای کسب اطلاعات بیشتر در مورد همکاری بین AWS و بوندسلیگا، به این سایت مراجعه کنید بوندسلیگا در AWS!

ما مشتاقیم که یاد بگیریم چه الگوهایی را کشف خواهید کرد. نظرات خود را با ما به اشتراک بگذارید: @AWScloud در توییتر، با هشتگ #BundesligaMatchFacts.

---

درباره نویسنده

سیمون رولفس 288 بازی بوندسلیگا به عنوان هافبک مرکزی انجام داد، 41 گل به ثمر رساند و 26 بازی ملی برای آلمان انجام داد. در حال حاضر، رولفس به عنوان مدیر عامل ورزش در بایر 04 لورکوزن خدمت می کند، جایی که او فهرست بازیکنان حرفه ای، بخش پیشاهنگی و توسعه جوانان باشگاه را نظارت و توسعه می دهد. سایمون همچنین ستون های هفتگی را در این مورد می نویسد Bundesliga.com درباره آخرین حقایق مسابقه بوندسلیگا که توسط AWS ارائه شده است. در آنجا او تخصص خود را به عنوان بازیکن سابق، کاپیتان و تحلیلگر تلویزیونی ارائه می دهد تا تأثیر آمارهای پیشرفته و یادگیری ماشینی را در دنیای فوتبال برجسته کند.

طارق هاشمی یک مشاور در خدمات حرفه ای AWS است. مهارت ها و زمینه های تخصصی او شامل توسعه اپلیکیشن، علم داده، یادگیری ماشین و کلان داده است. او از مشتریان در توسعه برنامه های مبتنی بر داده در فضای ابری پشتیبانی می کند. او قبل از پیوستن به AWS نیز مشاور در صنایع مختلف مانند هوانوردی و مخابرات بود. او مشتاق است که مشتریان را در سفر داده/هوش مصنوعی به فضای ابری قادر سازد.

خاویر پوودا-پانتر یک دانشمند داده برای مشتریان ورزشی EMEA در تیم خدمات حرفه ای AWS است. او مشتریان را در حوزه ورزش تماشاگران قادر می‌سازد تا نوآوری کنند و از داده‌های خود بهره‌مند شوند و از طریق یادگیری ماشینی و علم داده، تجربیات باکیفیت کاربران و طرفداران را ارائه دهند. او در اوقات فراغت اش علاقه خود را به طیف وسیعی از ورزش، موسیقی و هوش مصنوعی دنبال می کند.

لوک فیگدور مشاور فناوری ورزشی در تیم خدمات حرفه ای AWS است. او با بازیکنان، باشگاه‌ها، لیگ‌ها و شرکت‌های رسانه‌ای مانند بوندسلیگا و فرمول 1 کار می‌کند تا به آنها کمک کند تا با استفاده از یادگیری ماشین داستان‌هایی را با داده‌ها تعریف کنند. در اوقات فراغت خود، او دوست دارد همه چیز را در مورد ذهن و تلاقی بین روانشناسی، اقتصاد و هوش مصنوعی یاد بگیرد.

گابریل زیلکا یک مهندس یادگیری ماشین در خدمات حرفه ای AWS است. او از نزدیک با مشتریان همکاری می کند تا سفر پذیرش ابری آنها را تسریع بخشد. او که در حوزه MLOps تخصص دارد، بر تولید بارهای کاری یادگیری ماشینی با خودکارسازی چرخه های عمر یادگیری ماشینی سرتاسر و کمک به دستیابی به نتایج دلخواه تجاری تمرکز دارد.

یاکوب میکالچیک دانشمند داده در Sportec Solutions AG است. چندین سال پیش، او مطالعات ریاضی را به بازی فوتبال انتخاب کرد، زیرا به این نتیجه رسید که در دومی به اندازه کافی خوب نیست. اکنون او هر دو این علایق را در حرفه حرفه ای خود با استفاده از روش های یادگیری ماشینی ترکیب می کند تا بینش بهتری نسبت به این بازی زیبا به دست آورد. او در اوقات فراغت خود همچنان از بازی فوتبال هفت نفره، تماشای فیلم های جنایی و گوش دادن به موسیقی فیلم لذت می برد.