A Bundesliga mérkőzés tényszerű győzelmi valószínűsége: A játékon belüli események nyerési esélyekre gyakorolt ​​hatásának számszerűsítése gépi tanulással az AWS-en

Tíz év múlva a klubok technológiai alkalmassága kulcsfontosságú tényező lesz a sikerükben. Ma már tanúi vagyunk annak, hogy a technológia forradalmasítja a futball megértését. xGoals számszerűsíti és lehetővé teszi bármely lövési helyzet gólszerzési potenciáljának összehasonlítását, míg x Fenyegetés és a EPV a modellek megjósolják bármely játékon belüli pillanat értékét. Végső soron ezek és más fejlett statisztikák egyetlen célt szolgálnak: javítják annak megértését, hogy ki fog nyerni és miért. Írja be az új Bundesliga mérkőzés tényét: nyerési valószínűség.

A Bayern második, Bochum elleni meccsén a tavalyi szezonban váratlanul fordultak a tabellák. A mérkőzés elején Lewandowski már 1 perc elteltével 0:9-t szerez. A liga „szürke egére” azonnal eszébe jut a 7:0-s katasztrófa, amikor először találkozott a Bayernnel abban a szezonban. De most nem: Christopher Antwi-Adjei mindössze 5 perccel később szerzi meg első gólját a klubban. A 38. percben tizenegyes gól után a Monaco di Bavaria csapata megbénulni látszik, és elkezdtek kirobbanni a dolgok: Gamboa megszerzi Comant, és abszolút gólt rúgott, Holtmann pedig kanállal 4:1-re teszi a félidőt. balról. A Bayern 1975 óta nem kapott ennyi gólt az első félidőben, és alig tudott elmenni 4:2-re. Ki sejthette ezt? Mindkét csapat az első kapusa nélkül játszott, ami a Bayern számára azt jelentette, hogy kihagyta csapatkapitányát, Manuel Neuert. Megmenthette őket a jelenléte ettől a váratlan eredménytől?

Hasonlóképpen, a Köln is két rendkívüli eredményt hozott a 2020/2021-es szezonban. Amikor a Dortmunddal mérkőztek meg, 18 meccsen voltak győzelem nélkül, míg a BVB-s Haaland mesterkurzust nyújtott a gólszerzésben abban a szezonban (23 meccsen 22 meccsen). A favorit szerepe egyértelmű volt, a Köln mégis korán megszerezte a vezetést, mindössze 9 perccel. A második félidő elején Skhiri belőtte az első gólját: 0:2. A Dortmund visszavett a támadóerőből, nagy helyzeteket alakított ki, és 1:2-re zárt. Az összes játékos közül Haaland 5 perccel a hosszabbításban kihagyott egy ülőt, és csaknem 3 év után megkoronázta a Kölnt az első 30 ponttal Dortmundban.

Később abban a szezonban a Köln – utolsóként a hazai tabellán – meglepte az RB Leipziget, akinek minden motivációja megvolt, hogy bezárja a bajnokságot vezető Bayernt. Az ellenfél lipcsei csapat szezonbeli rekordjával, 13 kapura lövéssel az első félidőben nyomást gyakorolt ​​a „Billy Goats”-ra, növelve ezzel az amúgy is nagy esélyüket a győzelemre. Ironikus módon a Köln az első lövéssel 1:0-t szerzett a 46. percben. Miután a „Red Bulls” megérdemelt egyenlítő gólt szerzett, alig 80 másodperccel később egy bedobást aludtak, ami Jonas Hectorhoz vezetett a Köln kapujában. újra. Csakúgy, mint a Dortmund, a Lipcsei most is minden energiát a támadásba fektetett, de a legjobb, amit elért, a hosszabbításban a kapufát találta el.

Ezeken a meccseken a szakértők és a kezdők is rosszul tippelték volna meg a győztest, még jócskán a meccsen is. De melyek azok az események, amelyek a győzelem valószínűségének ilyen meglepő, játékon belüli ingadozásaihoz vezettek? Melyik percben múlta felül az esélytelenebb esélyes győzelmi esélye a favoritét, mivel kifutott az időből? A Bundesliga és az AWS együtt dolgozott, hogy kiszámítsa és szemléltesse a nyerési esélyek élő alakulását a mérkőzések során, így a szurkolók láthatják a valószínűségi ingadozások kulcsfontosságú pillanatait. Az eredmény az új gépi tanulással (ML) működő Bundesliga Match Fact: Win Probability.

Hogyan működik?

Az új Bundesliga Match Fact Win Probability-t ML modellek felépítésével fejlesztették ki, amelyek több mint 1,000 történelmi meccset elemeztek. Az élő modell figyelembe veszi a mérkőzés előtti becsléseket, és a mérkőzés folyamatának megfelelően módosítja azokat az eredményt befolyásoló jellemzők alapján, beleértve a következőket:

• Célok
• Szankciók
• Piros lapok
• Cserék
• Eltelt idő
• Gólszerzési lehetőségek alakultak ki
• Készlethelyzetek

Az élő modellt neurális hálózati architektúra segítségével tanítják, és Poisson-eloszlási megközelítést használ a percenkénti gólok arányának előrejelzésére. r minden csapat számára a következő egyenletben leírtak szerint:

Ezek az arányok a csapat erejének becsléseként tekinthetők, és a bemenetek alapján sűrű rétegek sorozatával számíthatók ki. Ezen arányok és az ellenfelek közötti különbség alapján valós időben számítják ki a győzelem és a döntetlen valószínűségét.

A modell bemenete 3 bemeneti funkció, az aktuális gólkülönbség és a hátralévő játékidő percekben.

A három bemeneti dimenzió első összetevője egy olyan funkciókészletből áll, amely valós időben írja le az aktuális játékműveletet mindkét csapat teljesítménymutatóiban. Ide tartoznak a különböző összesített csapatalapú xG értékek, különös tekintettel az előrejelzés előtti utolsó 15 percben készült felvételekre. Feldolgozzuk a piros lapokat, a büntetőket, a szögletrúgásokat és a veszélyes szabadrúgások számát is. A veszélyes szabadrúgás az ellenfél kapujától 25 m-nél közelebb végzett szabadrúgásnak minősül. A modell fejlesztése során a korábbi Bundesliga Match Fact xGoals hatása mellett értékeltük a Bundesliga Match Fact Skill hatását is a modellben. Ez azt jelenti, hogy a modell reagál a legjobb játékosok cseréjére – a Befejező, Kezdeményező vagy Labdanyertes képességekkel rendelkező játékosok.

Nyerési valószínűség példa

Nézzünk egy meccset az aktuális szezonból (2022/2023). A következő grafikon a Bayern München és a Stuttgart mérkőzés győzelmi valószínűségét mutatja a 6. mérkőzés napjától.

A meccs előtti modell a Bayern esetében 67%-os, a Stuttgartnál 14%-os, a döntetlennél 19%-os győzelmi valószínűséggel számolt. Ha megnézzük a mérkőzés menetét, azt látjuk, hogy a 36′, 57′ és 60′ percben lőtt gólok nagy hatást fejtenek ki. A hosszabbítás első percéig 2:1 volt az állás a Bayernnek. Grassy S. 90+2. percben sikeres büntetőrúgása biztosította a döntetlent. A Win Probability Live Model ezért 5%-ról 90% fölé korrigálta a döntetlen előrejelzést. Az eredmény egy váratlan késői kilengés, a Bayern győzelmi valószínűsége 90%-ról 8%-ra csökkent a 90+2 perc alatt. A grafikon az Allianz Arénában aznapi légköri ingadozást reprezentálja.

Hogyan valósul meg?

A nyerési valószínűség egy folyamatban lévő mérkőzés eseményadatait (gólesemények, szabálytalanságok, piros lapok és egyebek), valamint más mérkőzéstényezők, például xGoals által előállított adatokat is felhasználja. A valószínűségek valós idejű frissítéséhez használjuk Amazon menedzselt streaming Kafka (Amazon MSK) központi adatfolyam- és üzenetküldő megoldásként. Ily módon az eseményadatok, a pozícióadatok és a különböző Bundesliga mérkőzés tények kimenetei valós időben kommunikálhatók a tárolók között.

A következő diagram a nyerési valószínűség végpontok közötti munkafolyamatát mutatja be.

Az összegyűjtött egyezésekkel kapcsolatos adatokat egy külső szolgáltató (DataHub) veszi fel. Az egyezés metaadatait a rendszer feldolgozza és feldolgozza AWS Lambda funkció. A pozíciók és események adatait egy AWS Fargate konténer (MatchLink). Ezután minden lenyelt adatot közzétesznek fogyasztás céljából a megfelelő MSK-témákban. A Win Probability Match Fact szíve egy dedikált Fargate tárolóban (BMF WinProbability) található, amely az adott mérkőzés időtartama alatt fut, és felhasználja az Amazon MSK-n keresztül szerzett összes szükséges adatot. Az ML modellek (élő és meccs előtti) telepítésre kerülnek Amazon SageMaker Szerver nélküli következtetési végpontok. A kiszolgáló nélküli végpontok automatikusan elindítják a számítási erőforrásokat, és a bejövő forgalomtól függően méretezik azokat, így nincs szükség a példánytípusok kiválasztására vagy a méretezési házirendek kezelésére. Ezzel a használatonkénti fizetési modellel a Serverless Inference ideális olyan munkaterhelésekhez, amelyeknél a forgalmi kitörések között üresjáratok vannak. Ha nincsenek Bundesliga-mérkőzések, nincs költség a tétlen erőforrásokért.

Röviddel a kezdés előtt létrehozzuk a kezdeti szolgáltatáskészletünket, és kiszámítjuk a mérkőzés előtti győzelem valószínűségét a PreMatch SageMaker végpont meghívásával. Ezekkel a PreMatch valószínűségekkel ezután inicializáljuk az élő modellt, amely valós időben reagál a releváns játékon belüli eseményekre, és folyamatosan lekérdezi, hogy megkapja az aktuális nyerési valószínűségeket.

A kiszámított valószínűségek ezután visszaküldésre kerülnek a DataHubba, hogy más MatchFacts-felhasználók rendelkezésére álljanak. Valószínűségeket is elküldenek az MSK-klaszternek egy dedikált témában, hogy más Bundesliga mérkőzéstényezők is felhasználják őket. Egy Lambda-függvény felhasználja az adott Kafka-témához tartozó összes valószínűséget, és beírja egy an Amazon Aurora adatbázis. Ezeket az adatokat azután interaktív, közel valós idejű vizualizációkhoz használják fel Amazon QuickSight.

Összegzésként

Ebben a bejegyzésben bemutattuk, hogy az új Bundesliga-mérkőzés tényének győzelmi valószínűsége hogyan mutatja meg a játékon belüli események hatását egy csapat mérkőzésének megnyerésének vagy elvesztésének esélyére. Ennek érdekében a korábban közzétett Bundesliga mérkőzés tényeit valós időben kombináljuk. Ez lehetővé teszi a kommentátorok és a szurkolók számára, hogy felfedezzék a valószínűségi ingadozások pillanatait és még sok mást az élő mérkőzések során.

Az új Bundesliga Match Fact a Bundesliga futballszakértői és az AWS adatkutatói által végzett mélyreható elemzés eredménye. A nyerési valószínűségek a megfelelő mérkőzések élő tickerjében láthatók a hivatalos Bundesliga alkalmazásban. A közvetítés során a nyerési valószínűségeket a kommentátorokon keresztül biztosítjuk adattörténet kereső és vizuálisan megmutatják a rajongóknak a kulcsfontosságú pillanatokban, például amikor az esélytelenebb átveszi a vezetést, és most a legvalószínűbb, hogy megnyeri a meccset.

Reméljük, hogy elnyeri tetszését ez a vadonatúj Bundesliga Match Fact, és új betekintést nyújt a játékba. Ha többet szeretne megtudni az AWS és a Bundesliga közötti partnerségről, látogasson el ide Bundesliga az AWS-en!

Izgatottan várjuk, hogy megtudjuk, milyen mintákat fog felfedezni. Ossza meg velünk meglátásait: @AWScloud a Twitteren, a #BundesligaMatchFacts hashtaggel.

---

A szerzőkről

Simon Rolfes 288 Bundesliga-mérkőzést játszott középpályásként, 41 gólt szerzett, és 26-szor nyert a német válogatottban. Jelenleg Rolfes a Bayer 04 Leverkusen sport ügyvezető igazgatójaként dolgozik, ahol felügyeli és fejleszti a profi játékosok névsorát, a felderítő osztályt és a klub utánpótlás-fejlesztését. Simon heti rovatokat is ír Bundesliga.com az AWS által üzemeltetett Bundesliga legutóbbi mérkőzés tényeiről. Itt korábbi játékosként, kapitányként és tévéelemzőként kínálja fel szakértelmét, hogy kiemelje a fejlett statisztikák és a gépi tanulás hatását a futball világában.

Tareq Haschemi az AWS Professional Services tanácsadója. Képességei és szakterületei közé tartozik az alkalmazásfejlesztés, az adattudomány, a gépi tanulás és a big data. Támogatja az ügyfeleket az adatvezérelt alkalmazások felhőben történő fejlesztésében. Mielőtt csatlakozott volna az AWS-hez, tanácsadóként dolgozott különböző iparágakban, például a légi közlekedésben és a távközlésben. Szenvedélyesen törekszik arra, hogy lehetővé tegye ügyfelei számára az adat-/AI-útjukat a felhő felé.

Javier Poveda-Panter adatkutató az EMEA-beli sportügyfelek számára az AWS Professional Services csapatán belül. Lehetővé teszi a látványsportok területén tevékenykedő ügyfelek számára, hogy újításokat hajtsanak végre és kihasználják adataikat, így gépi tanuláson és adattudományon keresztül kiváló minőségű felhasználói és szurkolói élményeket biztosítanak. Szabadidejében a sport, a zene és a mesterséges intelligencia széles skálája iránti szenvedélyét követi.

Luuk Figdor az AWS Professional Services csapatának sporttechnológiai tanácsadója. Együttműködik játékosokkal, klubokkal, ligákkal és médiacégekkel, mint például a Bundesliga és a Forma-1, hogy segítsen nekik történeteket mesélni adatokkal a gépi tanulás segítségével. Szabadidejében szeret mindent megtudni az elméről, valamint a pszichológia, a közgazdaságtan és a mesterséges intelligencia találkozási pontjáról.

Gabriel Zylka az AWS Professional Services gépi tanulási mérnöke. Szorosan együttműködik az ügyfelekkel, hogy felgyorsítsa a felhőbe való áttérésüket. Az MLOps tartományra specializálódott, és a gépi tanulási munkaterhelések termelésre összpontosít, automatizálva a gépi tanulás teljes életciklusait, és segít elérni a kívánt üzleti eredményeket.

Jakub Michalczyk a Sportec Solutions AG adattudósa. Évekkel ezelőtt a matematikai tanulmányokat választotta a futball helyett, mivel arra a következtetésre jutott, hogy az utóbbiban nem elég jó. Most ezt a két szenvedélyt ötvözi szakmai pályafutása során azáltal, hogy gépi tanulási módszereket alkalmaz, hogy jobb betekintést nyerjen ebbe a gyönyörű játékba. Szabadidejében továbbra is szívesen futballozik hétcsapatban, krimit néz és filmzenét hallgat.