Bundesliigan ottelun faktavoittojen todennäköisyys: Pelin sisäisten tapahtumien vaikutuksen määrittäminen voittomahdollisuuksiin AWS:n koneoppimisen avulla

Kymmenen vuoden kuluttua seurojen tekninen kunto on avaintekijä niiden menestyksessä. Tänään näemme jo teknologian mahdollisuudet mullistaa jalkapallon ymmärtäminen. xGoals mittaa ja mahdollistaa maalintekopotentiaalin vertailun missä tahansa laukaustilanteessa x Uhka ja EPV mallit ennustavat minkä tahansa pelin hetken arvon. Viime kädessä näillä ja muilla edistyneillä tilastoilla on yksi tarkoitus: parantaa ymmärrystä siitä, kuka voittaa ja miksi. Anna uusi Bundesliigan ottelufakt: Voittotodennäköisyys.

Bayernin toisessa ottelussa Bochumia vastaan ​​viime kaudella taulukot kääntyivät yllättäen. Ottelun alussa Lewandowski tekee 1:0 vain 9 minuutin jälkeen. Liigan "harmaa hiiri" muistuu välittömästi heidän 7:0-katastrofistaan, kun hän kohtaa Bayernin ensimmäistä kertaa sillä kaudella. Mutta ei tällä kertaa: Christopher Antwi-Adjei tekee ensimmäisen maalinsa seuralle vain 5 minuuttia myöhemmin. Saatuaan rangaistuspotkumaalin 38. minuutilla Monaco di Bavarian joukkue näyttää halvaantuneelta ja asiat alkoivat puhjeta: Gamboa muskotti Comania ja viimeistelee maalin absoluuttisella korkilla, ja Holtmann tekee kauhalla 4:1-tilanteen lähellä puoliaikaa. vasemmalta. Bayern ei ollut tehnyt näin monta maalia ensimmäisellä puoliajalla sitten vuoden 1975, ja se pystyi hädin tuskin kävelemään pois 4:2 tuloksella. Kuka olisi voinut arvata sen? Molemmat joukkueet pelasivat ilman ensimmäisiä maalivahtiaan, mikä Bayernille merkitsi kapteeni Manuel Neuerin menettämistä. Olisiko hänen läsnäolonsa pelastanut heidät tältä odottamattomalta tulokselta?

Vastaavasti Köln teki kaksi poikkeuksellista singota kaudella 2020/2021. Kun he kohtasivat Dortmundin, he olivat pelanneet 18 ottelua ilman voittoa, kun taas BVB:n Haaland tarjosi mestariluokan maalien tekemisessä sillä kaudella (23 ottelua 22 ottelussa). Suosikin rooli oli selvä, mutta Köln meni kuitenkin varhain johtoon, kun kelloa oli jäljellä vain 9 minuuttia. Toisen puoliajan alussa Skhiri teki hiilikopiomaalin ensimmäisestä maalistaan: 0:2. Dortmund alisti hyökkäysvoimansa, loi suuria paikkoja ja teki maalin 1:2. Kaikista pelaajista Haaland jätti yhden istujan väliin 5 minuuttia lisäajalla ja kruunasi Kölnin kolmella ensimmäisellä pisteellä Dortmundissa lähes 3 vuoden jälkeen.

Myöhemmin samalla kaudella Köln – joka oli viimeinen kotitaulukossa – yllätti RB Leipzigin, jolla oli kaikki motivaatio lähestyä mestaruuden johtajaa Bayernia. Vastustaja Leipzig painosti "Billy Goatsia" joukkueen kauden ennätyksellä 13 laukausta ensimmäisellä puoliajalla, mikä lisäsi heidän jo ennestään suuria voittomahdollisuuksia. Ironista kyllä, Köln teki 1:0 ensimmäisellä laukauksella 46. minuutilla. Kun "Red Bulls" teki ansaitun tasoituksen, he nukahtivat sisäänheittoon vain 80 sekuntia myöhemmin, jolloin Jonas Hector teki maalin Kölnille. uudelleen. Aivan kuten Dortmund, Leipzig laittoi nyt kaiken energiansa hyökkäämiseen, mutta paras, mitä he onnistuivat saavuttamaan, oli lyödä tolppa jatkoajalla.

Kaikkien näiden otteluiden osalta asiantuntijat ja aloittelijat olisivat arvannut voittajan väärin, jopa otteluun asti. Mutta mitkä tapahtumat johtivat näihin yllättäviin pelin sisäisiin voittojen todennäköisyyksien vaihteluihin? Millä minuutilla altavastaajan mahdollisuus voittaa ohitti suosikin, kun aika loppui? Bundesliiga ja AWS ovat työskennelleet yhdessä laskeakseen ja havainnollistaakseen voittomahdollisuuksien kehitystä otteluiden aikana, jolloin fanit näkevät todennäköisyyksien vaihtelun tärkeimmät hetket. Tuloksena on uusi koneoppimiseen (ML) perustuva Bundesliiga Match Fact: Win Probability.

Miten tämä toimii?

Uusi Bundesliga Match Fact Win Probability kehitettiin rakentamalla ML-malleja, jotka analysoivat yli 1,000 historiallista peliä. Live-malli ottaa ottelua edeltävät arviot ja mukauttaa niitä otteluprosessin mukaan lopputulokseen vaikuttavien ominaisuuksien mukaan, mukaan lukien seuraavat:

• Tavoitteet
• Seuraamukset
• Punaiset kortit
• Pelaajavaihdot
• Aika kului
• Maalintekomahdollisuudet luotu
• Sarjatilanteet

Live-malli on koulutettu käyttämällä hermoverkkoarkkitehtuuria, ja se käyttää Poisson-jakelutapaa ennustaakseen maalit minuutissa. r jokaiselle joukkueelle seuraavassa yhtälössä kuvatulla tavalla:

Näitä hintoja voidaan pitää arviona joukkueen vahvuudesta, ja ne lasketaan käyttämällä sarjaa tiheitä kerroksia syötteiden perusteella. Näiden kurssien ja vastustajien välisen eron perusteella voiton ja tasapelin todennäköisyydet lasketaan reaaliajassa.

Mallin syötteenä on 3 syöteominaisuuksia, nykyinen maaliero ja jäljellä oleva peliaika minuuteissa.

Kolmen syöttöulottuvuuden ensimmäinen komponentti koostuu ominaisuusjoukosta, joka kuvaa molempien joukkueiden nykyistä pelitoimintaa reaaliajassa suorituskykymittareissa. Näihin kuuluvat erilaiset aggregoidut tiimikohtaiset xG-arvot, kiinnittäen erityistä huomiota kuviin, jotka on otettu viimeisen 15 minuutin aikana ennen ennustetta. Käsittelemme myös punaisia ​​kortteja, rangaistuksia, kulmapotkuja ja vaarallisten vapaapotkujen määrää. Vaarallinen vapaapotku luokitellaan vapaapotkuksi lähempänä kuin 25 metriä vastustajan maalia. Mallin kehittämisen aikana arvioimme entisen Bundesliga Match Fact xGoalsin vaikutuksen lisäksi myös Bundesliga Match Fact Skill -taidon vaikutusta malliin. Tämä tarkoittaa, että malli reagoi huippupelaajien vaihtamiseen – pelaajien, joilla on taitojen viimeistelijä, aloittaja tai pallon voittaja -merkki.

Esimerkki voiton todennäköisyydestä

Katsotaanpa ottelua kuluvalta kaudelta (2022/2023). Seuraavassa kaaviossa näkyy Bayern Münchenin ja Stuttgartin otteluiden voittotodennäköisyys kuudennen pelipäivän jälkeen.

Ottelua edeltävä malli laski voiton todennäköisyydeksi Bayernille 67 %, Stuttgartille 14 % ja tasapelille 19 %. Kun katsomme ottelun kulkua, näemme minuuteilla 36′, 57′ ja 60′ tehdyillä maaleilla suuren vaikutuksen. Jatkoajan ensimmäiseen minuuttiin asti tilanne oli 2:1 Bayernille. Vain onnistunut S. Grassyn rangaistuslaukaus minuutilla 90+2 varmisti tasatilanteen. Win Probability Live -malli korjasi siksi vetoennusteen 5 prosentista yli 90 prosenttiin. Tuloksena on odottamaton myöhäinen swing, jossa Bayernin voiton todennäköisyys putosi 90 %:sta 8 %:iin 90+2 minuutin aikana. Kaavio edustaa ilmapiirin heilahtelua Allianz Arenalla sinä päivänä.

Miten se toteutetaan?

Voittotodennäköisyys käyttää tapahtumatietoja meneillään olevasta ottelusta (maalitapahtumat, virheet, punaiset kortit ja paljon muuta) sekä muiden ottelufaktien, kuten xGoals, tuottamia tietoja. Käytämme todennäköisyyksien reaaliaikaisiin päivityksiin Amazonin hallinnoima suoratoisto Kafka (Amazon MSK) keskeisenä datan suoratoisto- ja viestintäratkaisuna. Tällä tavalla tapahtumatiedot, sijaintitiedot ja eri Bundesliigan ottelufaktien tulokset voidaan viestiä konttien välillä reaaliajassa.

Seuraava kaavio havainnollistaa voiton todennäköisyyden työnkulkua päästä päähän.

Kerätyt osumiin liittyvät tiedot syötetään ulkoisen palveluntarjoajan (DataHub) kautta. Ottelun metatiedot syötetään ja käsitellään AWS Lambda toiminto. Sijainti- ja tapahtumatiedot syötetään kautta AWS-veljeskunta kontti (MatchLink). Kaikki nautitut tiedot julkaistaan ​​sitten kulutettaviksi vastaavissa MSK-aiheissa. Win Probability Match Factin sydän sijaitsee erillisessä Fargate-säiliössä (BMF WinProbability), joka toimii vastaavan ottelun ajan ja kuluttaa kaikki Amazon MSK:n kautta hankitut vaaditut tiedot. ML-mallit (live ja ennen ottelua) otetaan käyttöön Amazon Sage Maker Palvelimeton päätepisteet. Palvelimettomat päätepisteet käynnistävät automaattisesti laskentaresurssit ja skaalaavat ne laskentaresurssit saapuvan liikenteen mukaan, jolloin ei tarvitse valita ilmentymätyyppejä tai hallita skaalauskäytäntöjä. Tämän käyttökohtaisen maksumallin avulla Serverless Inference on ihanteellinen työkuormille, joissa on joutojaksoja liikennespurttien välillä. Kun ei ole Bundesliiga-otteluita, käyttämättömistä resursseista ei aiheudu kustannuksia.

Vähän ennen aloitusta luomme alkuperäiset ominaisuudet ja laskemme ottelua edeltävät voittojen todennäköisyydet kutsumalla PreMatch SageMaker -päätepisteeseen. Näillä PreMatch-todennäköisyyksillä alustamme sitten live-mallin, joka reagoi reaaliajassa asiaankuuluviin pelin sisäisiin tapahtumiin ja jota kysytään jatkuvasti saadakseen nykyiset voittotodennäköisyydet.

Lasketut todennäköisyydet lähetetään sitten takaisin DataHubille toimitettavaksi muille MatchFacts-kuluttajille. Todennäköisyydet lähetetään myös MSK-klusteriin omistettuun aiheeseen, jota muut Bundesliigan ottelufaktit voivat käyttää. Lambda-funktio kuluttaa kaikki todennäköisyydet vastaavasta Kafka-aiheesta ja kirjoittaa ne an Amazon Aurora tietokanta. Näitä tietoja käytetään sitten interaktiivisiin lähes reaaliaikaisiin visualisointeihin Amazon QuickSight.

Yhteenveto

Tässä viestissä osoitimme, kuinka uusi Bundesliigan ottelufaktin voiton todennäköisyys näyttää pelin sisäisten tapahtumien vaikutuksen joukkueen mahdollisuuksiin voittaa tai hävitä ottelu. Tätä varten rakennamme ja yhdistämme aiemmin julkaistuja Bundesliigan ottelufakteja reaaliajassa. Näin kommentaattorit ja fanit voivat paljastaa hetkiä todennäköisyysvaihteluista ja paljon muuta live-otteluiden aikana.

Uusi Bundesliiga Match Fact on Bundesliigan jalkapalloasiantuntijoiden ja AWS-tietotieteilijöiden perusteellisen analyysin tulos. Voittojen todennäköisyydet näkyvät vastaavien otteluiden live-tickerissä virallisessa Bundesliiga-sovelluksessa. Lähetyksen aikana voittojen todennäköisyydet tarjotaan kommentoijille datatarinoiden etsintä ja näytetään faneille visuaalisesti keskeisinä hetkinä, kuten silloin, kun altavastaaja ottaa johdon ja on nyt todennäköisimmin voittaa pelin.

Toivomme, että pidät tästä upouudesta Bundesliiga Match Factista ja että se tarjoaa sinulle uusia näkemyksiä pelistä. Lisätietoja AWS:n ja Bundesliigan kumppanuudesta on osoitteessa Bundesliiga AWS:llä!

Olemme innoissamme kuullessamme, mitä malleja tulet paljastamaan. Jaa näkemyksesi kanssamme: @AWScloud Twitterissä, hashtagilla #BundesligaMatchFacts.

---

Tietoja Tekijät

simon rolfes pelasi 288 Bundesliiga-ottelua keskikenttäpelaajana, teki 41 maalia ja voitti 26 ottelua Saksan maajoukkueessa. Tällä hetkellä Rolfes toimii urheilun toimitusjohtajana Bayer 04 Leverkusenissa, missä hän valvoo ja kehittää ammattilaispelaajaluetteloa, partioosastoa ja seuran nuorisotyötä. Simon kirjoittaa myös viikoittain kolumneja Bundesliga.com viimeisimmistä Bundesliigan ottelufaktaista AWS:n tuottamana. Siellä hän tarjoaa asiantuntemuksensa entisenä pelaajana, kapteenina ja TV-analyytikona korostaakseen edistyneiden tilastojen ja koneoppimisen vaikutusta jalkapallon maailmaan.

Tareq Haschemi on konsultti AWS Professional Services -palvelussa. Hänen taitojaan ja osaamisalueitaan ovat sovelluskehitys, datatiede, koneoppiminen ja big data. Hän tukee asiakkaita datapohjaisten sovellusten kehittämisessä pilven sisällä. Ennen tuloaan AWS:lle hän oli myös konsulttina eri aloilla, kuten ilmailussa ja televiestinnässä. Hän on intohimoinen mahdollistaakseen asiakkaiden datan/AI-matkan pilveen.

Javier Poveda-Panter on EMEA-alueen urheiluasiakkaiden tietotutkija AWS Professional Services -tiimissä. Hän antaa yleisöurheilun asiakkaille mahdollisuuden innovoida ja hyödyntää tietojaan tarjoamalla laadukkaita käyttäjä- ja fanikokemuksia koneoppimisen ja datatieteen avulla. Hän seuraa intohimoaan monenlaista urheilua, musiikkia ja tekoälyä kohtaan vapaa-ajallaan.

Luuk Figdor on urheiluteknologian neuvonantaja AWS Professional Services -tiimissä. Hän työskentelee pelaajien, seurojen, liigojen ja mediayritysten, kuten Bundesliigan ja Formula 1:n, kanssa auttaakseen heitä kertomaan tarinoita datan avulla koneoppimisen avulla. Vapaa-ajallaan hän haluaa oppia kaiken mielestä ja psykologian, talouden ja tekoälyn risteyskohdasta.

Gabriel Zylka on koneoppimisinsinööri AWS Professional Services -palvelussa. Hän tekee tiivistä yhteistyötä asiakkaiden kanssa nopeuttaakseen heidän pilvipalveluiden käyttöönottoa. Hän on erikoistunut MLOps-toimialueeseen ja keskittyy koneoppimistyökuormien tuottamiseen automatisoimalla päästä päähän koneoppimisen elinkaaret ja auttamalla saavuttamaan haluttuja liiketoimintatuloksia.

Jakub Michalczyk on tietotutkija Sportec Solutions AG:ssa. Useita vuosia sitten hän valitsi matematiikan opiskelun jalkapallon pelaamisen sijaan, kun hän tuli siihen tulokseen, ettei hän ollut tarpeeksi hyvä jälkimmäisessä. Nyt hän yhdistää nämä molemmat intohimot ammattiuransa avulla soveltamalla koneoppimismenetelmiä saadakseen paremman käsityksen tästä kauniista pelistä. Vapaa-ajallaan hän pelaa edelleen jalkapalloa, katselee rikoselokuvia ja kuuntelee elokuvamusiikkia.