ความน่าจะเป็นในการชนะการแข่งขันบุนเดสลีกา: การหาจำนวนผลกระทบของเหตุการณ์ในเกมต่อโอกาสในการชนะโดยใช้การเรียนรู้ของเครื่องบน AWS

สิบปีต่อจากนี้ ความฟิตทางเทคโนโลยีของไม้กอล์ฟจะเป็นปัจจัยสำคัญที่นำไปสู่ความสำเร็จ วันนี้เราได้เห็นศักยภาพของเทคโนโลยีในการปฏิวัติความเข้าใจฟุตบอลแล้ว xเป้าหมาย หาปริมาณและช่วยให้เปรียบเทียบศักยภาพการทำประตูของสถานการณ์การยิงใด ๆ ในขณะที่ xภัยคุกคาม และ EPV โมเดลทำนายมูลค่าของช่วงเวลาในเกม ในท้ายที่สุด สถิติขั้นสูงเหล่านี้และอื่นๆ มีจุดประสงค์เดียว: เพื่อปรับปรุงความเข้าใจว่าใครจะเป็นผู้ชนะและทำไม เข้าสู่ข้อมูลการแข่งขันบุนเดสลีกาใหม่: ความน่าจะเป็นที่ชนะ

ในนัดที่สองของบาเยิร์นกับโบชุมเมื่อฤดูกาลที่แล้ว ตารางคะแนนพลิกอย่างคาดไม่ถึง ในช่วงต้นของการแข่งขัน เลวานดอฟสกี้ทำคะแนน 1:0 ภายในเวลาเพียง 9 นาที “เมาส์สีเทา” ของลีกได้รับการเตือนทันทีถึงภัยพิบัติ 7:0 ของพวกเขาเมื่อเผชิญหน้ากับบาเยิร์นเป็นครั้งแรกในฤดูกาลนั้น แต่ไม่ใช่ครั้งนี้: Christopher Antwi-Adjei ทำประตูแรกให้กับสโมสรในอีก 5 นาทีต่อมา หลังจากได้ประตูจากจุดโทษในนาทีที่ 38 ทีมจากโมนาโก ดิ บาวาเรียดูเหมือนเป็นอัมพาตและสิ่งต่างๆ เริ่มปะทุ: แกมโบ้ลูกจันทน์เทศโคมันและจบด้วยประตูที่ทำได้อย่างสมบูรณ์ และโฮลท์มันน์ทำให้ใกล้พักครึ่งด้วยดาวกระบวย 4:1 จากด้านซ้าย บาเยิร์นไม่ได้ทำประตูมากมายขนาดนี้ในครึ่งแรกตั้งแต่ปี 1975 และแทบจะไม่สามารถเดินออกไปได้ด้วยผลคะแนน 4:2 ใครสามารถคาดเดาได้ว่า? ทั้งสองทีมเล่นโดยไม่มีผู้รักษาประตูคนแรก ซึ่งสำหรับบาเยิร์นหมายถึงพลาดกัปตันมานูเอล นอยเออร์ การปรากฏตัวของเขาสามารถช่วยพวกเขาจากผลลัพธ์ที่ไม่คาดคิดนี้ได้หรือไม่?

ในทำนองเดียวกัน โคโลญจน์ดึง zingers พิเศษสองตัวในฤดูกาล 2020/2021 เมื่อพวกเขาเผชิญหน้ากับดอร์ทมุนด์ พวกเขาไป 18 แมทช์โดยไม่ชนะ ขณะที่ฮาแลนด์ของบีวีบีเป็นมาสเตอร์คลาสในการทำประตูในฤดูกาลนั้น (23 จาก 22 แมตช์) บทบาทของทีมเต็งชัดเจน แต่โคโลญจน์ขึ้นนำก่อนเวลาเพียง 9 นาที ในช่วงเริ่มต้นของครึ่งหลัง สคีรีทำประตูสำเนาจากลูกแรกของเขา: 0:2 ดอร์ทมุนด์ลดความแข็งแกร่งในแนวรุก สร้างโอกาสครั้งใหญ่ และทำคะแนน 1:2 ในบรรดาผู้เล่นทั้งหมด Haaland พลาดผู้ดูแลในช่วงต่อเวลาพิเศษ 5 นาทีและครองตำแหน่งโคโลญด้วย 3 แต้มแรกในดอร์ทมุนด์หลังจากเกือบ 30 ปี

ต่อมาในฤดูกาลนั้น โคโลญ ซึ่งอยู่ท้ายตารางเจ้าบ้าน อาร์บี ไลป์ซิก ก็ต้องเซอร์ไพรส์ ผู้มีแรงจูงใจทั้งหมดที่จะเข้าใกล้ตำแหน่งผู้นำแชมป์อย่างบาเยิร์น คู่แข่งอย่างไลป์ซิกกดดัน “บิลลี่ โกทส์” ด้วยสถิติยิงประตู 13 ฤดูกาลของทีมในครึ่งแรก เพิ่มโอกาสชนะสูงอยู่แล้ว น่าแปลกที่โคโลญทำประตู 1:0 ด้วยการยิงประตูแรกในนาทีที่ 46 หลังจากที่ “เรดบูลส์” ยิงอีควอไลเซอร์ที่สมควรได้รับ พวกเขาหลับไปเพียง 80 วินาทีต่อมา ส่งผลให้โจนาส เฮคเตอร์ทำคะแนนให้กับโคโลญจน์ อีกครั้ง. เช่นเดียวกับดอร์ทมุนด์ ไลป์ซิกตอนนี้ทุ่มกำลังเต็มที่ในการบุก แต่สิ่งที่ดีที่สุดที่พวกเขาทำได้คือการตีเสาในช่วงต่อเวลา

สำหรับการแข่งขันทั้งหมดเหล่านี้ ผู้เชี่ยวชาญและสามเณรคงเดาผู้ชนะอย่างผิด ๆ แม้กระทั่งในการแข่งขัน แต่อะไรคือเหตุการณ์ที่นำไปสู่การชิงช้าที่น่าประหลาดใจในเกมเหล่านี้? โอกาสที่ทีมรองบ่อนจะชนะแซงหน้าทีมเต็งในนาทีใด เพราะหมดเวลาแล้ว? บุนเดสลีกาและ AWS ได้ทำงานร่วมกันเพื่อคำนวณและแสดงให้เห็นการพัฒนาสดของโอกาสในการชนะตลอดการแข่งขัน ทำให้แฟน ๆ ได้เห็นช่วงเวลาสำคัญของความน่าจะเป็นที่ผันผวน ผลที่ได้คือแมชชีนเลิร์นนิงใหม่ (ML) ที่ขับเคลื่อนด้วยบุนเดสลีกา: ความน่าจะเป็นในการชนะ

มันทำงานอย่างไร?

ความน่าจะเป็นในการชนะการแข่งขันบุนเดสลีกา ใหม่ ได้รับการพัฒนาโดยการสร้างแบบจำลอง ML ที่วิเคราะห์เกมประวัติศาสตร์กว่า 1,000 เกม โมเดลสดใช้ค่าประมาณก่อนการแข่งขันและปรับตามขั้นตอนของการแข่งขันตามคุณสมบัติที่ส่งผลต่อผลลัพธ์ รวมถึงสิ่งต่อไปนี้:

• เป้าหมาย
• บทลงโทษ
• ใบแดง
• แทน
• เวลาผ่านไป
• สร้างโอกาสในการทำประตู
• สถานการณ์ลูกตั้งเตะ

โมเดลสดได้รับการฝึกฝนโดยใช้สถาปัตยกรรมโครงข่ายประสาทเทียม และใช้ aplproach การกระจายปัวซองเพื่อคาดการณ์อัตราเป้าหมายต่อนาที r สำหรับแต่ละทีมดังที่อธิบายไว้ในสมการต่อไปนี้:

อัตราเหล่านี้สามารถมองได้ว่าเป็นการประเมินความแข็งแกร่งของทีม และคำนวณโดยใช้ชุดของเลเยอร์ที่หนาแน่นตามปัจจัยการผลิต ตามอัตราเหล่านี้และความแตกต่างระหว่างคู่ต่อสู้ ความน่าจะเป็นของการชนะและเสมอจะถูกคำนวณตามเวลาจริง

อินพุตไปยังโมเดลคือคุณสมบัติอินพุต 3 ตัว ความแตกต่างของเป้าหมายปัจจุบัน และเวลาเล่นที่เหลืออยู่ในหน่วยนาที

องค์ประกอบแรกของมิติข้อมูลเข้าทั้งสามประกอบด้วยชุดคุณลักษณะที่อธิบายการกระทำของเกมในปัจจุบันแบบเรียลไทม์สำหรับทั้งสองทีมในเมตริกประสิทธิภาพ ซึ่งรวมถึงค่า xG แบบรวมตามทีมต่างๆ โดยให้ความสนใจเป็นพิเศษกับภาพที่ถ่ายในช่วง 15 นาทีที่ผ่านมาก่อนการคาดคะเน นอกจากนี้เรายังประมวลผลใบแดง บทลงโทษ การเตะมุม และจำนวนฟรีคิกอันตราย ฟรีคิกอันตรายจัดเป็นฟรีคิกใกล้กับเป้าหมายของฝ่ายตรงข้ามมากกว่า 25 เมตร ในระหว่างการพัฒนาโมเดล นอกจากอิทธิพลของ xGoals ผลการแข่งขันบุนเดสลีกาในอดีต เรายังประเมินผลกระทบของทักษะการจับคู่บุนเดสลีกาในโมเดลอีกด้วย ซึ่งหมายความว่าโมเดลตอบสนองต่อการเปลี่ยนตัวของผู้เล่นชั้นนำ—ผู้เล่นที่มีตราสัญลักษณ์ในทักษะ Finisher, Initiator หรือ Ball

ชนะตัวอย่างความน่าจะเป็น

มาดูแมตช์ของฤดูกาลปัจจุบันกัน (2022/2023) กราฟต่อไปนี้แสดงความน่าจะเป็นที่จะชนะสำหรับเกมบาเยิร์น มิวนิก และชตุทท์การ์ทจากนัดที่ 6

รูปแบบก่อนการแข่งขันคำนวณความน่าจะเป็นที่จะชนะ 67% สำหรับบาเยิร์น 14% สำหรับสตุตการ์ตและ 19% สำหรับการเสมอ เมื่อเราดูเส้นทางของการแข่งขัน เราจะเห็นผลกระทบอย่างมากจากประตูที่ทำได้ในนาทีที่ 36', 57' และ 60' จนถึงนาทีแรกของการต่อเวลา บาเยิร์นทำสกอร์ 2:1 เอส กราสซี่ยิงจุดโทษได้สำเร็จในนาทีที่ 90+2 เท่านั้นที่เสมอกัน ดังนั้น Win Probability Live Model จึงแก้ไขการคาดการณ์การออกรางวัลจาก 5% เป็นมากกว่า 90% ผลที่ได้คือสวิงช่วงท้ายที่คาดไม่ถึง โดยมีโอกาสชนะของบาเยิร์นลดลงจาก 90% เป็น 8% ใน 90+2 นาที กราฟเป็นตัวแทนของวงสวิงในบรรยากาศใน Allianz Arena ในวันนั้น

มีการดำเนินการอย่างไร?

ความน่าจะเป็นในการชนะใช้ข้อมูลเหตุการณ์จากการแข่งขันที่ดำเนินอยู่ (เหตุการณ์เป้าหมาย การฟาล์ว ใบแดง และอื่นๆ) รวมถึงข้อมูลที่จัดทำโดย Match Facts อื่นๆ เช่น xGoals สำหรับการอัพเดทความน่าจะเป็นแบบเรียลไทม์ เราใช้ Amazon จัดการสตรีมมิ่ง Kafka (Amazon MSK) เป็นโซลูชันการสตรีมข้อมูลและการส่งข้อความส่วนกลาง ด้วยวิธีนี้ ข้อมูลเหตุการณ์ ข้อมูลตำแหน่ง และผลลัพธ์ของข้อมูลการแข่งขันบุนเดสลีกาที่แตกต่างกัน สามารถสื่อสารระหว่างคอนเทนเนอร์แบบเรียลไทม์

ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์ end-to-end สำหรับ Win Probability

ข้อมูลที่เกี่ยวข้องกับการจับคู่ที่รวบรวมจะถูกนำเข้าผ่านผู้ให้บริการภายนอก (DataHub) ข้อมูลเมตาของการแข่งขันถูกนำเข้าและประมวลผลใน AWS แลมบ์ดา การทำงาน. ข้อมูลตำแหน่งและเหตุการณ์ถูกนำเข้ามาผ่าน an AWS ฟาร์เกต คอนเทนเนอร์ (MatchLink) ข้อมูลที่นำเข้าทั้งหมดจะถูกเผยแพร่เพื่อการบริโภคในหัวข้อ MSK ที่เกี่ยวข้อง หัวใจของ Win Probability Match Fact อยู่ในคอนเทนเนอร์ Fargate เฉพาะ (BMF WinProbability) ซึ่งทำงานตลอดระยะเวลาของการจับคู่ที่เกี่ยวข้องและใช้ข้อมูลที่จำเป็นทั้งหมดที่ได้รับผ่าน Amazon MSK โมเดล ML (สดและก่อนการแข่งขัน) ถูกปรับใช้บน อเมซอน SageMaker จุดสิ้นสุดการอนุมานแบบไร้เซิร์ฟเวอร์ ปลายทางแบบไร้เซิร์ฟเวอร์จะเปิดทรัพยากรการประมวลผลโดยอัตโนมัติและปรับขนาดทรัพยากรการประมวลผลเหล่านั้นโดยขึ้นอยู่กับการรับส่งข้อมูลขาเข้า ขจัดความจำเป็นในการเลือกประเภทอินสแตนซ์หรือจัดการนโยบายการปรับขนาด ด้วยโมเดลแบบจ่ายต่อการใช้งาน การอนุมานแบบไร้เซิร์ฟเวอร์จึงเหมาะอย่างยิ่งสำหรับปริมาณงานที่มีช่วงว่างระหว่างช่วงที่มีการรับส่งข้อมูล เมื่อไม่มีการแข่งขันบุนเดสลีกา จะไม่มีค่าใช้จ่ายสำหรับทรัพยากรที่ไม่ได้ใช้งาน

ไม่นานก่อนเริ่มการแข่งขัน เราได้สร้างชุดคุณลักษณะเริ่มต้นของเราและคำนวณความน่าจะเป็นในการชนะก่อนการแข่งขันโดยเรียกตำแหน่งข้อมูล PreMatch SageMaker ด้วยความน่าจะเป็นของ PreMatch เหล่านั้น เราจึงเริ่มต้นแบบจำลองสด ซึ่งตอบสนองต่อเหตุการณ์ในเกมที่เกี่ยวข้องตามเวลาจริง และมีการสอบถามอย่างต่อเนื่องเพื่อรับความน่าจะเป็นในการชนะในปัจจุบัน

ความน่าจะเป็นที่คำนวณได้จะถูกส่งกลับไปยัง DataHub เพื่อมอบให้แก่ผู้บริโภค MatchFacts รายอื่น ความน่าจะเป็นยังถูกส่งไปยังคลัสเตอร์ MSK ไปยังหัวข้อเฉพาะเพื่อนำไปใช้โดยข้อเท็จจริงการแข่งขันบุนเดสลีกาอื่น ๆ ฟังก์ชัน Lambda ใช้ความน่าจะเป็นทั้งหมดจากหัวข้อ Kafka ที่เกี่ยวข้อง และเขียนลงใน an อเมซอน ออโรร่า ฐานข้อมูล ข้อมูลนี้จะใช้สำหรับการสร้างภาพข้อมูลแบบเกือบเรียลไทม์แบบโต้ตอบโดยใช้ อเมซอน QuickSight.

สรุป

ในโพสต์นี้ เราแสดงให้เห็นว่าความน่าจะเป็นในการชนะการแข่งขันบุนเดสลีกาใหม่นั้นแสดงให้เห็นถึงผลกระทบของเหตุการณ์ในเกมต่อโอกาสที่ทีมจะชนะหรือแพ้การแข่งขัน ในการทำเช่นนั้น เราสร้างและรวมข้อมูลการแข่งขันบุนเดสลีกาที่เผยแพร่ก่อนหน้านี้แบบเรียลไทม์ ซึ่งช่วยให้ผู้แสดงความคิดเห็นและแฟน ๆ สามารถค้นพบช่วงเวลาของการแกว่งที่น่าจะเป็นและอื่น ๆ ในระหว่างการแข่งขันสด

ข้อมูลการแข่งขันบุนเดสลีกาใหม่เป็นผลจากการวิเคราะห์เชิงลึกโดยผู้เชี่ยวชาญด้านฟุตบอลของบุนเดสลีกาและนักวิทยาศาสตร์ข้อมูลของ AWS ความน่าจะเป็นในการชนะจะแสดงในทิกเกอร์สดของการแข่งขันที่เกี่ยวข้องในแอปบุนเดสลีกาอย่างเป็นทางการ ในระหว่างการออกอากาศ ผู้แสดงความเห็นจะมีโอกาสชนะรางวัลผ่านทาง โปรแกรมค้นหาข้อมูล และแสดงให้แฟน ๆ ได้เห็นในช่วงเวลาสำคัญ เช่น เมื่อทีมรองบ่อนขึ้นนำและตอนนี้มีแนวโน้มว่าจะชนะเกมมากที่สุด

เราหวังว่าคุณจะสนุกไปกับ Bundesliga Match Fact ใหม่ล่าสุดนี้และจะให้ข้อมูลเชิงลึกใหม่ๆ เกี่ยวกับเกมแก่คุณ หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับความร่วมมือระหว่าง AWS และบุนเดสลีกา โปรดไปที่ บุนเดสลีกากับ AWS!

เรารู้สึกตื่นเต้นที่จะได้เรียนรู้ว่าคุณจะค้นพบรูปแบบใด แบ่งปันข้อมูลเชิงลึกของคุณกับเรา: @AWScloud บน Twitterพร้อมแฮชแท็ก #BundesligaMatchFacts

---

เกี่ยวกับผู้เขียน

ไซม่อน รอล์ฟส์ ลงเล่น 288 เกมในตำแหน่งมิดฟิลด์ตัวกลาง ทำไป 41 ประตู และติดทีมชาติเยอรมันไป 26 นัด ปัจจุบัน Rolfes ดำรงตำแหน่งกรรมการผู้จัดการกีฬาที่ Bayer 04 Leverkusen ซึ่งเขาดูแลและพัฒนารายชื่อผู้เล่นมืออาชีพ แผนกแมวมอง และการพัฒนาเยาวชนของสโมสร Simon ยังเขียนคอลัมน์รายสัปดาห์ที่ บุนเดสลีกา.คอม เกี่ยวกับข้อมูลการแข่งขันบุนเดสลีกาล่าสุดที่ขับเคลื่อนโดย AWS ที่นั่นเขาให้ความเชี่ยวชาญในฐานะอดีตผู้เล่น กัปตัน และนักวิเคราะห์ทีวีเพื่อเน้นย้ำถึงผลกระทบของสถิติขั้นสูงและแมชชีนเลิร์นนิงในโลกของฟุตบอล

ทาเร็ก ฮาสเคมี เป็นที่ปรึกษาภายใน AWS Professional Services ทักษะและความเชี่ยวชาญของเขารวมถึงการพัฒนาแอปพลิเคชัน วิทยาศาสตร์ข้อมูล แมชชีนเลิร์นนิง และบิ๊กดาต้า เขาสนับสนุนลูกค้าในการพัฒนาแอปพลิเคชันที่ขับเคลื่อนด้วยข้อมูลภายในคลาวด์ ก่อนร่วมงานกับ AWS เขาเคยเป็นที่ปรึกษาในอุตสาหกรรมต่างๆ เช่น การบินและโทรคมนาคม เขาหลงใหลในการช่วยให้ลูกค้าใช้ข้อมูล / AI ไปยังคลาวด์

ฮาเวียร์ โปเวดา-แพนเตอร์ เป็นนักวิทยาศาสตร์ข้อมูลสำหรับลูกค้ากีฬา EMEA ภายในทีม AWS Professional Services เขาช่วยให้ลูกค้าในด้านกีฬาผู้ชมสามารถสร้างสรรค์นวัตกรรมและใช้ประโยชน์จากข้อมูลของพวกเขา ส่งมอบประสบการณ์ผู้ใช้และแฟนคุณภาพสูงผ่านการเรียนรู้ของเครื่องและวิทยาศาสตร์ข้อมูล เขาติดตามความหลงใหลในกีฬา ดนตรี และ AI ในเวลาว่าง

ลุค ฟิกดอร์ เป็นที่ปรึกษาด้านเทคโนโลยีการกีฬาในทีม AWS Professional Services เขาทำงานร่วมกับผู้เล่น สโมสร ลีก และบริษัทสื่อ เช่น บุนเดสลีกาและ Formula 1 เพื่อช่วยพวกเขาบอกเล่าเรื่องราวด้วยข้อมูลโดยใช้การเรียนรู้ของเครื่อง ในเวลาว่าง เขาชอบเรียนรู้ทุกอย่างเกี่ยวกับจิตใจและจุดตัดระหว่างจิตวิทยา เศรษฐศาสตร์ และปัญญาประดิษฐ์

กาเบรียล ซิลก้า เป็นวิศวกรแมชชีนเลิร์นนิ่งใน AWS Professional Services เขาทำงานอย่างใกล้ชิดกับลูกค้าเพื่อเร่งเส้นทางการนำระบบคลาวด์ไปใช้ เชี่ยวชาญในโดเมน MLOps เขามุ่งเน้นไปที่การผลิตปริมาณงานการเรียนรู้ของเครื่องโดยทำให้วงจรการเรียนรู้ของเครื่องแบบ end-to-end เป็นอัตโนมัติและช่วยให้บรรลุผลลัพธ์ทางธุรกิจที่ต้องการ

ยาคุบ มิคัลซีค เป็นนักวิทยาศาสตร์ข้อมูลที่ Sportec Solutions AG เมื่อหลายปีก่อน เขาเลือกเรียนคณิตศาสตร์มากกว่าเล่นฟุตบอล เพราะเขาสรุปได้ว่าเขาไม่ดีพอในระยะหลัง ตอนนี้เขาผสมผสานความหลงใหลทั้งสองนี้ในอาชีพการงานของเขาด้วยการใช้วิธีการเรียนรู้ของเครื่องเพื่อให้ได้ข้อมูลเชิงลึกที่ดีขึ้นเกี่ยวกับเกมที่สวยงามนี้ ในเวลาว่าง เขายังคงสนุกกับการเล่นฟุตบอล XNUMX คน ดูหนังอาชญากรรม และฟังเพลงภาพยนตร์