Fakta Pertandingan Bundesliga Probabilitas Menang: Mengukur efek peristiwa dalam game pada peluang menang menggunakan pembelajaran mesin di AWS

Sepuluh tahun dari sekarang, kebugaran teknologi klub akan menjadi kontributor utama kesuksesan mereka. Hari ini kita sudah menyaksikan potensi teknologi untuk merevolusi pemahaman sepak bola. xTujuan mengkuantifikasi dan memungkinkan perbandingan potensi mencetak gol dari setiap situasi pemotretan, sementara xAncaman dan EPV model memprediksi nilai setiap momen dalam game. Pada akhirnya, statistik lanjutan ini dan lainnya melayani satu tujuan: untuk meningkatkan pemahaman tentang siapa yang akan menang dan mengapa. Masukkan Fakta Pertandingan Bundesliga yang baru: Peluang Menang.

Dalam pertandingan kedua Bayern melawan Bochum musim lalu, situasi berubah secara tak terduga. Di awal pertandingan, Lewandowski mencetak skor 1:0 setelah hanya 9 menit. The "Grey Mouse" dari liga langsung diingatkan bencana 7:0 mereka ketika menghadapi Bayern untuk pertama kalinya musim itu. Tapi tidak kali ini: Christopher Antwi-Adjei mencetak gol pertamanya untuk klub hanya 5 menit kemudian. Setelah mencetak gol penalti pada menit ke-38, tim dari Monaco di Bavaria tampak lumpuh dan hal-hal mulai meletus: Gamboa nutmegs Coman dan menyelesaikannya dengan sebuah gol, dan Holtmann menjadikannya 4:1 menjelang turun minum dengan gayung dari kiri. Bayern belum pernah mencetak gol sebanyak ini di babak pertama sejak 1975, dan nyaris tidak bisa lolos dengan hasil 4:2. Siapa yang bisa menebaknya? Kedua tim bermain tanpa penjaga pertama mereka, yang bagi Bayern berarti kehilangan kapten mereka Manuel Neuer. Mungkinkah kehadirannya telah menyelamatkan mereka dari hasil yang tidak terduga ini?

Demikian pula, Cologne mengeluarkan dua semangat luar biasa di musim 2020/2021. Ketika mereka menghadapi Dortmund, mereka telah menjalani 18 pertandingan tanpa kemenangan, sementara Haaland dari BVB memberikan kelas master dalam mencetak gol musim itu (23 dalam 22 pertandingan). Peran favorit jelas, namun Cologne memimpin lebih awal dengan hanya 9 menit pada jam. Di awal babak kedua, Skhiri mencetak gol tiruan dari gol pertamanya: 0:2. Dortmund unggul dalam kekuatan menyerang, menciptakan peluang besar, dan mencetak 1:2. Dari semua pemain, Haaland melewatkan seorang pengasuh 5 menit memasuki perpanjangan waktu dan menobatkan Cologne dengan 3 poin pertama di Dortmund setelah hampir 30 tahun.

Kemudian di musim itu, Cologne — menjadi yang terakhir di klasemen kandang — mengejutkan RB Leipzig, yang memiliki semua motivasi untuk mendekati pemimpin kejuaraan Bayern. Lawan Leipzig menekan "Billy Goats" dengan rekor musim tim 13 tembakan ke gawang di babak pertama, meningkatkan peluang mereka yang sudah tinggi untuk menang. Ironisnya, Cologne mencetak gol 1:0 dengan tembakan pertama ke gawang di menit 46. Setelah “Red Bulls” mencetak gol penyeimbang yang memang layak, mereka tidur dengan lemparan ke dalam hanya 80 detik kemudian, yang mengarah ke Jonas Hector mencetak gol untuk Cologne lagi. Sama seperti Dortmund, Leipzig sekarang mengerahkan semua energinya untuk menyerang, tetapi yang terbaik yang berhasil mereka capai adalah membentur tiang di perpanjangan waktu.

Untuk semua pertandingan ini, para ahli dan pemula sama-sama akan salah menebak pemenangnya, bahkan hingga pertandingan. Tapi apa saja peristiwa yang menyebabkan perubahan probabilitas menang dalam game yang mengejutkan ini? Pada menit berapa peluang tim yang diunggulkan untuk menang menyalip favorit saat mereka kehabisan waktu? Bundesliga dan AWS telah bekerja sama untuk menghitung dan mengilustrasikan perkembangan langsung dari peluang kemenangan sepanjang pertandingan, memungkinkan penggemar untuk melihat momen-momen penting dari perubahan probabilitas. Hasilnya adalah Fakta Pertandingan Bundesliga yang didukung oleh pembelajaran mesin (ML): Peluang Menang.

Bagaimana cara kerjanya?

Peluang Menang Fakta Pertandingan Bundesliga yang baru dikembangkan dengan membangun model ML yang menganalisis lebih dari 1,000 game historis. Model langsung mengambil perkiraan pra-pertandingan dan menyesuaikannya sesuai dengan proses pertandingan berdasarkan fitur yang memengaruhi hasil, termasuk yang berikut:

• Anda
• Penalti
• Kartu merah
• substitusi
• Waktu berlalu
• Peluang mencetak gol tercipta
• Situasi set-piece

Model langsung dilatih menggunakan arsitektur jaringan saraf dan menggunakan pendekatan distribusi Poisson untuk memprediksi tingkat tujuan per menit r untuk setiap tim, seperti yang dijelaskan dalam persamaan berikut:

Tingkat tersebut dapat dilihat sebagai perkiraan kekuatan tim dan dihitung menggunakan serangkaian lapisan padat berdasarkan input. Berdasarkan tarif ini dan perbedaan antara lawan, probabilitas menang dan seri dihitung secara real time.

Masukan ke model adalah 3-tupel fitur masukan, selisih gol saat ini, dan waktu bermain yang tersisa dalam hitungan menit.

Komponen pertama dari tiga dimensi masukan terdiri dari kumpulan fitur yang menggambarkan aksi permainan saat ini secara real time untuk kedua tim dalam metrik kinerja. Ini termasuk berbagai nilai xG berbasis tim gabungan, dengan perhatian khusus pada bidikan yang diambil dalam 15 menit terakhir sebelum prediksi. Kami juga memproses kartu merah, penalti, tendangan sudut, dan jumlah tendangan bebas berbahaya. Tendangan bebas berbahaya diklasifikasikan sebagai tendangan bebas yang jaraknya lebih dekat dari 25m ke gawang lawan. Selama pengembangan model, selain pengaruh dari xGoals Fakta Pertandingan Bundesliga sebelumnya, kami juga mengevaluasi dampak Keterampilan Fakta Pertandingan Bundesliga dalam model. Ini berarti bahwa model bereaksi terhadap pergantian pemain top—pemain dengan lencana dalam keterampilan Finisher, Initiator, atau pemenang Bola.

Contoh Probabilitas Menang

Mari kita lihat pertandingan dari musim saat ini (2022/2023). Grafik berikut menunjukkan probabilitas menang untuk pertandingan Bayern Munich dan Stuttgart dari matchday 6.

Model pra-pertandingan menghitung probabilitas menang 67% untuk Bayern, 14% untuk Stuttgart, dan 19% untuk hasil imbang. Jika kita melihat jalannya pertandingan, kita melihat dampak besar dari gol yang dicetak di menit 36′, 57, dan 60. Hingga menit pertama perpanjangan waktu, skor 2:1 untuk Bayern. Hanya tendangan penalti sukses S. Grassy di menit 90+2 yang mengamankan hasil imbang. Oleh karena itu, Win Probability Live Model mengoreksi perkiraan undian dari 5% menjadi lebih dari 90%. Hasilnya adalah late swing yang tidak terduga, dengan probabilitas kemenangan Bayern menurun dari 90% menjadi 8% di menit 90+2. Grafik tersebut mewakili ayunan atmosfer di Allianz Arena hari itu.

Bagaimana implementasinya?

Probabilitas Menang menggunakan data peristiwa dari pertandingan yang sedang berlangsung (peristiwa gol, pelanggaran, kartu merah, dan lainnya) serta data yang dihasilkan oleh Fakta Pertandingan lainnya, seperti xGoals. Untuk pembaruan probabilitas waktu nyata, kami menggunakan Kafka Streaming Terkelola Amazon (Amazon MSK) sebagai streaming data pusat dan solusi pengiriman pesan. Dengan cara ini, data acara, data posisi, dan output dari Fakta Pertandingan Bundesliga yang berbeda dapat dikomunikasikan antar container secara real time.

Diagram berikut mengilustrasikan alur kerja ujung ke ujung untuk Probabilitas Menang.

Data terkait kecocokan yang dikumpulkan akan diserap melalui penyedia eksternal (DataHub). Metadata kecocokan diserap dan diproses dalam AWS Lambda fungsi. Data posisi dan peristiwa diserap melalui Fargate AWS wadah (MatchLink). Semua data yang dicerna kemudian dipublikasikan untuk konsumsi di masing-masing topik MSK. Inti dari Fakta Pencocokan Probabilitas Menang berada dalam wadah Fargate khusus (BMF WinProbability), yang berjalan selama durasi pertandingan masing-masing dan menggunakan semua data yang diperlukan yang diperoleh melalui Amazon MSK. Model ML (langsung dan pra-pertandingan) diterapkan di Amazon SageMaker Titik akhir Inferensi Tanpa Server. Endpoint tanpa server secara otomatis meluncurkan sumber daya komputasi dan menskalakan sumber daya komputasi tersebut bergantung pada lalu lintas masuk, sehingga tidak perlu memilih jenis instans atau mengelola kebijakan penskalaan. Dengan model bayar per penggunaan ini, Inferensi Tanpa Server ideal untuk beban kerja yang memiliki periode menganggur di antara lonjakan lalu lintas. Ketika tidak ada pertandingan Bundesliga, tidak ada biaya untuk sumber daya yang menganggur.

Sesaat sebelum kick-off, kami membuat set fitur awal kami dan menghitung probabilitas kemenangan pra-pertandingan dengan memanggil titik akhir PreMatch SageMaker. Dengan probabilitas PreMatch tersebut, kami kemudian menginisialisasi model langsung, yang bereaksi secara real time terhadap peristiwa dalam game yang relevan dan terus ditanyai untuk menerima probabilitas menang saat ini.

Probabilitas yang dihitung kemudian dikirim kembali ke DataHub untuk diberikan kepada konsumen MatchFacts lainnya. Probabilitas juga dikirim ke cluster MSK ke topik khusus, untuk digunakan oleh Fakta Pertandingan Bundesliga lainnya. Fungsi Lambda menggunakan semua probabilitas dari topik Kafka masing-masing, dan menulisnya ke an Amazon Aurora basis data. Data ini kemudian digunakan untuk visualisasi interaktif hampir real-time menggunakan Amazon QuickSight.

Kesimpulan

Dalam postingan ini, kami mendemonstrasikan bagaimana Probabilitas Kemenangan Fakta Pertandingan Bundesliga baru menunjukkan dampak peristiwa dalam game terhadap peluang tim menang atau kalah dalam pertandingan. Untuk melakukannya, kami membangun dan menggabungkan Fakta Pertandingan Bundesliga yang diterbitkan sebelumnya secara real time. Hal ini memungkinkan komentator dan penggemar untuk mengungkap momen perubahan probabilitas dan lebih banyak lagi selama pertandingan langsung.

Fakta Pertandingan Bundesliga yang baru adalah hasil analisis mendalam oleh pakar sepak bola Bundesliga dan ilmuwan data AWS. Probabilitas menang ditampilkan di ticker langsung dari masing-masing pertandingan di aplikasi resmi Bundesliga. Selama siaran, probabilitas menang diberikan kepada komentator melalui pencari cerita data dan ditampilkan secara visual kepada penggemar pada momen-momen penting, seperti saat tim yang diunggulkan memimpin dan sekarang kemungkinan besar akan memenangkan pertandingan.

Kami harap Anda menikmati Fakta Pertandingan Bundesliga yang baru ini dan memberi Anda wawasan baru tentang permainan. Untuk mempelajari lebih lanjut tentang kemitraan antara AWS dan Bundesliga, kunjungi Bundesliga di AWS!

Kami senang mempelajari pola apa yang akan Anda temukan. Bagikan wawasan Anda dengan kami: @AWScloud di Twitter, dengan tagar #BundesligaMatchFacts.

---

Tentang Penulis

Simon Rolfes memainkan 288 pertandingan Bundesliga sebagai gelandang tengah, mencetak 41 gol, dan memenangkan 26 caps untuk Jerman. Saat ini, Rolfes menjabat sebagai Managing Director Sport di Bayer 04 Leverkusen, di mana ia mengawasi dan mengembangkan daftar pemain pro, departemen kepanduan, dan pengembangan pemuda klub. Simon juga menulis kolom mingguan di Bundesliga.com tentang Fakta Pertandingan Bundesliga terbaru yang didukung oleh AWS. Di sana ia menawarkan keahliannya sebagai mantan pemain, kapten, dan analis TV untuk menyoroti dampak statistik canggih dan pembelajaran mesin ke dalam dunia sepak bola.

Tareq Haschemi adalah konsultan dalam AWS Professional Services. Keahlian dan bidang keahliannya meliputi pengembangan aplikasi, ilmu data, pembelajaran mesin, dan data besar. Dia mendukung pelanggan dalam mengembangkan aplikasi berbasis data di dalam cloud. Sebelum bergabung dengan AWS, beliau juga menjadi konsultan di berbagai industri seperti penerbangan dan telekomunikasi. Dia bersemangat untuk memungkinkan pelanggan dalam perjalanan data/AI mereka ke cloud.

Javier Poveda-Panter adalah Ilmuwan Data untuk pelanggan olahraga EMEA dalam tim Layanan Profesional AWS. Dia memungkinkan pelanggan di bidang olahraga penonton untuk berinovasi dan memanfaatkan data mereka, memberikan pengalaman pengguna dan penggemar berkualitas tinggi melalui pembelajaran mesin dan ilmu data. Dia mengikuti hasratnya untuk berbagai olahraga, musik, dan AI di waktu luangnya.

Luuk Figdor adalah Penasihat Teknologi Olahraga di tim Layanan Profesional AWS. Dia bekerja dengan pemain, klub, liga, dan perusahaan media seperti Bundesliga dan Formula 1 untuk membantu mereka bercerita dengan data menggunakan pembelajaran mesin. Di waktu luangnya, dia suka mempelajari semua tentang pikiran dan persimpangan antara psikologi, ekonomi, dan AI.

Gabriel Zylka adalah Insinyur Pembelajaran Mesin dalam Layanan Profesional AWS. Dia bekerja sama dengan pelanggan untuk mempercepat perjalanan adopsi cloud mereka. Spesialisasi dalam domain MLOps, ia berfokus pada produksi beban kerja pembelajaran mesin dengan mengotomatiskan siklus hidup pembelajaran mesin ujung ke ujung dan membantu mencapai hasil bisnis yang diinginkan.

Jakub Michalczyk adalah Ilmuwan Data di Sportec Solutions AG. Beberapa tahun yang lalu, dia memilih pelajaran matematika daripada bermain sepak bola, karena dia sampai pada kesimpulan bahwa dia tidak cukup baik dalam hal yang terakhir. Sekarang ia menggabungkan kedua hasrat ini dalam karir profesionalnya dengan menerapkan metode pembelajaran mesin untuk mendapatkan wawasan yang lebih baik tentang permainan yang indah ini. Di waktu luangnya, ia masih menikmati bermain sepak bola tujuh lawan satu, menonton film kriminal, dan mendengarkan musik film.