지금으로부터 XNUMX년 후, 클럽의 기술적 적합성은 클럽의 성공에 핵심적인 기여를 할 것입니다. 오늘날 우리는 이미 축구에 대한 이해에 혁명을 일으킬 기술의 잠재력을 목격하고 있습니다. x 목표 모든 슈팅 상황의 득점 가능성을 정량화하고 비교할 수 있으며, x위협 과 EPV 모델은 게임 내 순간의 가치를 예측합니다. 궁극적으로 이러한 통계 및 기타 고급 통계는 한 가지 목적으로 제공됩니다. 누가 승자가 되고 그 이유에 대한 이해를 향상시키는 것입니다. 새로운 분데스리가 매치 팩트: 승리 확률을 입력하세요.
지난 시즌 보훔과의 바이에른 두 번째 경기에서 상황은 예상 외로 역전됐다. 경기 초반, 레반도프스키는 불과 1분 만에 0:9을 기록했습니다. 리그의 "회색 마우스"는 그 시즌에 바이에른과 처음으로 맞붙었을 때 그들의 7:0 재앙을 즉시 상기시킵니다. 그러나 이번에는 아닙니다. Christopher Antwi-Adjei는 불과 5분 후에 클럽의 첫 골을 넣었습니다. 38분에 페널티 골을 넣은 후, Monaco di Bavaria의 팀은 마비된 것처럼 보이고 상황이 폭발하기 시작했습니다. Gamboa nutmegs Coman이 골의 절대적인 코커로 마무리하고 Holtmann이 디퍼로 하프 타임에 4:1로 만듭니다. 왼쪽에서. 바이에른은 1975년 이후로 전반전에 이렇게 많은 골을 생각해 본 적이 없었고 4:2의 결과로 간신히 물러날 수 없었습니다. 누가 그것을 짐작할 수 있었겠습니까? 두 팀 모두 첫 번째 골키퍼 없이 경기를 펼쳤는데, 이는 바이에른이 주장하는 마누엘 노이어를 놓치는 것을 의미했습니다. 그의 존재가 이 예상치 못한 결과로부터 그들을 구할 수 있었습니까?
마찬가지로, 쾰른은 2020/2021 시즌에 두 명의 특별한 징거를 선보였습니다. 도르트문트와 맞붙었을 때 그들은 18경기를 무승부로 보냈고, BVB의 Haaland는 그 시즌에 득점에서 마스터 클래스를 제공하고 있었습니다(23경기 중 22경기). 선호하는 역할은 명확했지만 Cologne은 9분만에 일찍 리드를 잡았습니다. 후반전 초반에 Skiri는 첫 골인 0:2의 골을 기록했습니다. 도르트문트는 공격적인 힘을 과시하며 큰 찬스를 만들어내며 1:2로 득점했다. 모든 선수들 중 Haaland는 연장전 5분에 시터를 놓쳤고 거의 3년 만에 도르트문트에서 첫 승점 30점을 기록하며 쾰른에 선정되었습니다.
그 시즌 후반에 홈 테이블에서 최하위를 기록하고 있는 쾰른은 챔피언십 리더 바이에른에 접근하려는 모든 동기를 갖고 있던 RB 라이프치히를 놀라게 했습니다. 상대 라이프치히는 전반전에 13골을 터트린 팀 시즌 기록으로 '빌리 고츠'를 압박하며 이미 높은 승률을 높였다. 아이러니하게도 Cologne은 1분 첫 골로 0:46을 기록했습니다. "Red Bulls"가 충분한 동점골을 넣은 후, 그들은 80초 후에 스로인을 하며 쾰른의 Jonas Hector가 득점했습니다. 다시. 도르트문트와 마찬가지로 라이프치히는 이제 모든 에너지를 공세에 쏟았지만 그들이 달성한 최고는 연장전에서 골대를 치는 것이었습니다.
이 모든 경기에서 전문가와 초보자 모두 승자를 잘못 추측했을 것입니다. 그러나 이러한 놀라운 게임 내 승률 변동을 초래한 사건은 무엇입니까? 시간이 부족하여 약자의 승리 기회가 좋아하는 팀을 추월한 순간은 몇 분입니까? Bundesliga와 AWS는 함께 협력하여 경기 전반에 걸쳐 승리 기회의 실시간 개발을 계산하고 설명하여 팬들이 확률 변동의 주요 순간을 볼 수 있도록 했습니다. 그 결과 새로운 머신 러닝(ML) 기반 Bundesliga Match Fact: Win Probability가 탄생했습니다.
어떻게 진행합니까?
새로운 분데스리가 매치 팩트 승 확률은 1,000개 이상의 역사적 게임을 분석한 ML 모델을 구축하여 개발되었습니다. 라이브 모델은 경기 전 추정치를 가져와 다음을 포함하여 결과에 영향을 미치는 기능을 기반으로 경기 절차에 따라 조정합니다.
- 목표
- 처벌
- 레드 카드
- 대체
- 시간이 흘렀다
- 골 득점 기회 생성
- 세트피스 상황
라이브 모델은 신경망 아키텍처를 사용하여 훈련되고 푸아송 분포 접근 방식을 사용하여 분당 목표 비율을 예측합니다. r 다음 방정식에 설명된 대로 각 팀에 대해
이러한 비율은 팀의 강점에 대한 추정으로 볼 수 있으며 입력을 기반으로 하는 일련의 조밀한 계층을 사용하여 계산됩니다. 이 비율과 상대 간의 차이를 기반으로 승패의 확률이 실시간으로 계산됩니다.
모델에 대한 입력은 입력 기능, 현재 골 차이, 남은 플레이 시간(분)의 3-튜플입니다.
세 가지 입력 차원의 첫 번째 구성 요소는 성능 메트릭에서 두 팀의 현재 게임 작업을 실시간으로 설명하는 기능 세트로 구성됩니다. 여기에는 예측 전 마지막 15분 동안 찍은 샷에 특히 주의하면서 다양한 집계된 팀 기반 xG 값이 포함됩니다. 우리는 또한 레드 카드, 페널티킥, 코너킥 및 위험한 프리킥 횟수를 처리합니다. 위험한 프리킥은 상대 골문에서 25m 이내의 거리에서 프리킥으로 분류됩니다. 모델을 개발하는 동안 이전 Bundesliga Match Fact xGoals의 영향 외에도 모델에서 Bundesliga Match Fact Skill의 영향도 평가했습니다. 이는 모델이 최고 선수(Finisher, Initiator 또는 Ball Winner 기술에 배지가 있는 선수)의 교체에 반응한다는 것을 의미합니다.
승리 확률 예시
현재 시즌(2022/2023)의 경기를 살펴보겠습니다. 다음 그래프는 매치데이 6의 바이에른 뮌헨과 슈투트가르트 경기의 승리 확률을 보여줍니다.
경기 전 모델은 바이에른이 67%, 슈투트가르트가 14%, 무승부일 경우 19%의 승률을 계산했습니다. 경기 과정을 보면 36분, 57분, 60분에 득점한 득점의 영향이 큽니다. 연장전 첫 2분까지 득점은 바이에른의 1:90이었다. 2+5분에 S. Grassy의 성공적인 페널티 슛만이 무승부를 확보했습니다. 따라서 승리 확률 라이브 모델은 무승부 예측을 90%에서 90% 이상으로 수정했습니다. 결과는 예상치 못한 늦은 스윙으로, 8+90분 동안 바이에른의 승률이 2%에서 XNUMX%로 감소했습니다. 그래프는 그날 알리안츠 아레나의 분위기를 대표하는 것입니다.
어떻게 구현됩니까?
Win Probability는 진행 중인 경기(골 이벤트, 파울, 퇴장 등)의 이벤트 데이터와 xGoals와 같은 다른 경기 사실에 의해 생성된 데이터를 사용합니다. 확률의 실시간 업데이트를 위해 다음을 사용합니다. Amazon 관리형 스트리밍 카프카 (Amazon MSK)는 중앙 데이터 스트리밍 및 메시징 솔루션입니다. 이렇게 하면 이벤트 데이터, 위치 데이터 및 다른 Bundesliga Match Facts의 출력이 컨테이너 간에 실시간으로 통신될 수 있습니다.
다음 다이어그램은 Win Probability에 대한 종단 간 워크플로를 보여줍니다.
수집된 일치 관련 데이터는 외부 공급자(DataHub)를 통해 수집됩니다. 일치의 메타데이터는 수집되고 처리됩니다. AWS 람다 기능. 위치 및 이벤트 데이터는 AWS 파게이트 컨테이너(MatchLink). 수집된 모든 데이터는 각 MSK 주제에서 사용하기 위해 게시됩니다. Win Probability Match Fact의 핵심은 전용 Fargate 컨테이너(BMF WinProbability)에 있으며, 이 컨테이너는 해당 경기 기간 동안 실행되고 Amazon MSK를 통해 얻은 모든 필수 데이터를 사용합니다. ML 모델(라이브 및 사전 일치)은 다음에 배포됩니다. 아마존 세이지 메이커 서버리스 추론 끝점. 서버리스 엔드포인트는 자동으로 컴퓨팅 리소스를 시작하고 들어오는 트래픽에 따라 해당 컴퓨팅 리소스를 확장하므로 인스턴스 유형을 선택하거나 확장 정책을 관리할 필요가 없습니다. 이 종량제 모델을 사용하는 Serverless Inference는 트래픽 급증 사이에 유휴 기간이 있는 워크로드에 이상적입니다. 분데스리가 경기가 없을 때 유휴 자원에 대한 비용은 없습니다.
시작 직전에 초기 기능 세트를 생성하고 PreMatch SageMaker 엔드포인트를 호출하여 경기 전 승리 확률을 계산합니다. 이러한 PreMatch 확률을 사용하여 관련 게임 내 이벤트에 실시간으로 반응하고 현재 승리 확률을 수신하기 위해 지속적으로 쿼리되는 라이브 모델을 초기화합니다.
그런 다음 계산된 확률이 DataHub로 다시 전송되어 다른 MatchFact 소비자에게 제공됩니다. 확률은 또한 다른 분데스리가 매치 팩트에서 사용하기 위해 전용 주제로 MSK 클러스터로 전송됩니다. Lambda 함수는 해당 Kafka 주제의 모든 확률을 사용하고 이를 Amazon Aurora 데이터 베이스. 이 데이터는 다음을 사용하여 대화형 거의 실시간 시각화에 사용됩니다. 아마존 퀵 사이트.
요약
이 게시물에서 우리는 새로운 Bundesliga Match Fact Win Probability가 게임 내 이벤트가 팀의 경기 승리 또는 패배 확률에 미치는 영향을 보여주는 방법을 보여주었습니다. 이를 위해 우리는 이전에 게시된 Bundesliga Match Facts를 실시간으로 구축하고 결합합니다. 이를 통해 해설자와 팬은 라이브 경기 중 확률 변동 등의 순간을 발견할 수 있습니다.
새로운 Bundesliga Match Fact는 Bundesliga의 축구 전문가와 AWS 데이터 과학자가 심층 분석한 결과입니다. 승리 확률은 공식 분데스리가 앱에서 각 경기의 라이브 티커에 표시됩니다. 방송 중 해설자를 통해 당첨 확률을 제공합니다. 데이터 스토리 파인더 약자가 주도권을 잡고 이제 게임에서 승리할 가능성이 가장 높은 경우와 같은 중요한 순간에 팬에게 시각적으로 표시됩니다.
이 새로운 분데스리가 경기 사실을 즐기고 게임에 대한 새로운 통찰력을 제공하기를 바랍니다. AWS와 Bundesliga 간의 파트너십에 대해 자세히 알아보려면 다음을 방문하십시오. AWS의 분데스리가!
어떤 패턴을 발견하게 될지 무척 기대됩니다. 우리와 통찰력을 공유하십시오: 트위터의 @AWScloud, 해시태그 #BundesligaMatchFacts와 함께.
저자에 관하여
사이먼 롤 페스 중앙 미드필더로 분데스리가 288경기에 출전해 41골을 넣었고 독일 국가대표로 26경기에 출장했다. 현재 Rolfes는 Bayer 04 레버쿠젠에서 스포츠 전무이사로 재직하면서 프로 선수 명단, 스카우트 부서 및 클럽의 청소년 개발을 감독하고 개발합니다. Simon은 또한 주간 칼럼을 씁니다. 분데스리가닷컴 AWS에서 제공하는 최신 분데스리가 경기 정보에 대해 알아보십시오. 그곳에서 그는 전직 선수, 주장, TV 분석가로서의 전문 지식을 제공하여 고급 통계 및 기계 학습이 축구 세계에 미치는 영향을 강조합니다.
타렉 하스케미 AWS Professional Services의 컨설턴트입니다. 그의 기술과 전문 분야에는 애플리케이션 개발, 데이터 과학, 기계 학습 및 빅 데이터가 포함됩니다. 그는 클라우드 내에서 데이터 기반 애플리케이션을 개발하는 고객을 지원합니다. AWS에 합류하기 전에는 항공 및 통신과 같은 다양한 산업 분야의 컨설턴트이기도 했습니다. 그는 클라우드로의 데이터/AI 여정에서 고객을 지원하는 데 열정적입니다.
하비에르 포베다 판터 AWS Professional Services 팀 내 EMEA 스포츠 고객을 위한 데이터 과학자입니다. 그는 관중 스포츠 분야의 고객이 데이터를 혁신하고 활용하여 기계 학습 및 데이터 과학을 통해 고품질 사용자 및 팬 경험을 제공할 수 있도록 지원합니다. 그는 여가 시간에 광범위한 스포츠, 음악 및 AI에 대한 열정을 따릅니다.
루크 피그 도르 AWS Professional Services 팀의 스포츠 기술 고문입니다. 그는 선수, 클럽, 리그 및 Bundesliga 및 Formula 1과 같은 미디어 회사와 협력하여 머신 러닝을 사용하여 데이터로 이야기를 전달할 수 있도록 돕습니다. 여가 시간에 그는 마음과 심리학, 경제학, AI의 교차점에 대해 배우는 것을 좋아합니다.
가브리엘 질카 AWS Professional Services의 기계 학습 엔지니어입니다. 그는 고객과 긴밀하게 협력하여 클라우드 채택 여정을 가속화합니다. MLOps 도메인을 전문으로 하는 그는 종단 간 기계 학습 수명 주기를 자동화하고 원하는 비즈니스 결과를 달성하도록 지원하여 기계 학습 워크로드를 생산하는 데 중점을 둡니다.
야쿱 미할치크 Sportec Solutions AG의 데이터 과학자입니다. 몇 년 전 그는 축구보다 수학 공부를 선택했는데, 축구를 잘 하지 못한다는 결론에 이르렀습니다. 이제 그는 이 아름다운 게임에 대한 더 나은 통찰력을 얻기 위해 기계 학습 방법을 적용하여 전문 경력에서 이 두 가지 열정을 결합합니다. 여가 시간에 그는 여전히 XNUMX인제 축구를 하고 범죄 영화를 보고 영화 음악을 듣는 것을 즐깁니다.
