De generatieve kunstmatige intelligentie van Footbar komt in actie

Gepubliceerd op 29 maart 2024

Aan het begin van 2024 is het meer dan een jaar geleden dat toepassingen van generatieve AI op het gebied van voetbal voor het eerst het licht zagen. De samenvattende wedstrijdparagraaf in onze mobiele applicatie na elke wedstrijd is bijvoorbeeld sinds maart 2023 geschreven door het GPT 3.5-model van Open AI, dat de door de Footbar-sensor gemeten prestaties synthetiseert.

Het model dat Footbar vandaag presenteert is echter radicaal anders. Het heeft alle kenmerken van een klassiek taalmodel, maar in tegenstelling tot de meeste modellen gaat het niet over tekst, maar direct over de inhoud van een voetbalwedstrijd. Het kan dus wedstrijden genereren, net zoals de hoofdsjablonen tekst genereren.

In dit artikel zullen we onderzoeken hoe dit technologische hoogstandje mogelijk is gemaakt en welke toepassingen het opent.

Je vindt ook een link aan het einde van het artikel om op de wachtlijst te komen voor een sneak preview van dit model.

De technische oplossing

De twee essentiële ingrediënten voor het maken van een taalmodel zijn: een goede architectuur gebaseerd op transformatoren en een dataset die zowel kwalitatief als kwantitatief is. Bij Footbar is de architectuur vrij klassiek in termen van het transformatormodel, een model dat in staat is om het meest waarschijnlijke token in te schatten om de sequentie die als invoer wordt gegeven te voltooien. De creatie van de token heeft daarentegen meer engineering vereist, omdat het in dit geval geen kwestie is van het opknippen van een tekst, maar van het opeenvolgen van de voetbalpraktijk.

De dataset is het resultaat van bijna tien jaar werk van het Footbar-team in het verzamelen en annoteren van gegevens.

Een tokenizer die menselijke activiteiten rangschikt

De belangrijkste uitdaging bij het aanpassen van de LLM-architectuur aan voetbal was het maken van een tokenizer die fysieke bewegingen kon interpreteren in plaats van woorden. Dit zijn de pijlers van de aanpak van Footbar:

• Een activiteitsensor die rond het been wordt bevestigd en bewegingen in de loop van de tijd registreert.

• Bewegingsvolgorde: In tegenstelling tot traditionele LLM's, die gebaseerd zijn op het opsplitsen van tekst in woorden of groepen tekens, tokens genaamd, volgt onze technologie elke afzonderlijke stap of groep stappen.

• Codering en inbedding: Deze tokens worden niet alleen gecodeerd op basis van hun categorie (lopen, rennen, technisch gebaar enz.), maar ontvangen ook informatie over de positie, zoals het geval is in traditionele LLM's, evenals andere unieke gegevenspunten zoals de snelheid, richting of tijd van de vlucht van elke stap, waardoor een complex begrip van de bewegingen van de speler mogelijk wordt.

• Efficiënte woordenschat en modelgrootte: In tegenstelling tot traditionele taalmodellen die een woordenschat van honderdduizenden woorden verwerken, profiteert het model van Footbar van een veel kleinere tokenverzameling van slechts enkele tientallen acties. Deze efficiëntie vertaalt zich in een model dat minder parameters en een compactere dataset nodig heeft, zonder afbreuk te doen aan de diepgang en kwaliteit van de analyse.

Een rijke en diverse verzameling gegevens

De technologie van Footbar is gebaseerd op een uitgebreide dataset van ongeveer 1 miljoen wedstrijden die in de afgelopen 10 jaar zijn gespeeld door verschillende spelers met de activiteitsensor van Footbar:

• Diversiteit van spelers: De dataset bevat professionele atleten, amateurs, kinderen en volwassenen, zowel mannen als vrouwen, met een breed scala aan vaardigheidsniveaus en speelstijlen.

• Verschillende spelvormen: van 5-tegen-5 wedstrijden tot 11-tegen-11 wedstrijden, van trainingsoefeningen tot informele trainingen, de dataset omvat alle vormen van voetbal.

• Uitgebreide gegevensverzameling: Traditionele gegevensverzameling in het professionele voetbal loopt vaak tegen beperkingen aan, omdat het bestaat uit positiegegevens zonder gedetailleerde technische acties, of omdat het zich alleen richt op de spelers die direct betrokken zijn bij de acties. Footbar's dataset overwint deze obstakels en geeft een globaal beeld van wedstrijden en interacties tussen spelers.

De toepassingen

Het eerste concrete gebruik van dit taalmodel is om de diensten van Footbar te voeden, maar er zijn nog veel meer toepassingen denkbaar, ingedeeld volgens de twee assen die sinds de oprichting het DNA van Footbar vormen: alle voetballers helpen, van het speelveld tot het professionele trainingscentrum, om inzicht te krijgen in hun prestaties en vooruitgang, en ervoor zorgen dat ze vaker willen spelen dankzij een leuke interface die is geïnspireerd op videogames en die de manier waarop mensen de sport beoefenen opnieuw uitvindt.

Footbar bekijkt de veranderingen die het voetbal de komende jaren zullen beïnvloeden.

Prestaties verbeteren

• De tactische metgezel van de coach : Een opdrachtprompt in ChatGPT-stijl waarmee elke coach een tactische opstelling kan invoeren, een paar parameters kan configureren en een gesimuleerd wedstrijdresultaat kan ontvangen. Met deze functie kunnen coaches strategisch analyseren wat de impact is van het selecteren van verschillende spelers of het gebruik van verschillende tactieken, waardoor scenario's voor echte wedstrijden effectief worden gesimuleerd.

• Simulator voor spelstrategie: Spelers en coaches kunnen experimenteren met verschillende scenario's voor spelhervattingen en strategieën voor corners, vrije trappen en penalty's verfijnen. Deze tool maakt een gedetailleerde analyse van mogelijke uitkomsten mogelijk, waardoor de kans op scoren toeneemt.

• Model rekruteringsscenario's: Recruiters kunnen een heel seizoen simuleren met verschillende spelers in hun team, waardoor ze een uitgebreide prognose krijgen van de potentiële impact van elke speler. Hierdoor kunnen gegevensgestuurde beslissingen worden genomen om het team te versterken.

• Blessurepreventie en fysieke voorbereiding: Door gebruik te maken van de trainingsbelastingsmetingen die door onze sensoren worden verzameld, kunnen fysieke trainers anticiperen op de fysieke conditie van spelers en deze optimaliseren om de prestaties te optimaliseren en het risico op blessures gedurende het seizoen te verkleinen.

• Verbeterde inzichten in weddenschappen: Brokers en liefhebbers van weddenschappen kunnen onze LLM gebruiken om nauwkeurigere voorspellingen van wedstrijduitslagen te krijgen, waardoor het wedlandschap een nieuwe vorm krijgt met geavanceerde AI-inzichten.

Spelervaring

• Simulatiemodel: De traditionele engines die worden gebruikt in voetbalsimulatiespellen en fantasy voetbalcompetities kunnen worden vervangen door Footbar's LLM, wat een ongekend niveau van realisme en betrokkenheid biedt.

• Een WK zonder ecologische voetafdruk : Spelers van over de hele wereld kunnen op hun lokale veld spelen, terwijl onze AI een coherente virtuele wedstrijd genereert, zodat ze het tegen elkaar kunnen opnemen alsof ze in hetzelfde stadion zijn.

• Herschrijven van historische voetbalmomenten: Onze technologie stelt gebruikers in staat om virtueel deel te nemen aan historische voetbalwedstrijden, wat een unieke kans biedt om de uitkomst van deze wedstrijden te veranderen.

Deelnemen aan de AI-gedreven voetbalrevolutie

Er zijn 3 manieren om een pionier te worden door deze tool zelf te testen.

Allereerst, als je een speler, coach, fysieke trainer of een andere connectie met voetbal hebt, kun je onze sensor kopen, individueel of voor een team, direct in onze online winkel.

Als je een product of applicatie ontwerpt voor sportliefhebbers, ben je ongetwijfeld geïnteresseerd in onze API waarmee je applicaties kunt ontwerpen op basis van spelersstatistieken.

Ten slotte, als je alleen geïnteresseerd bent in het taalmodelaspect en de mogelijkheden ervan wilt testen, word je uitgenodigd om op de wachtlijst te komen om als eerste te weten wanneer het beschikbaar komt voor het grote publiek.