识别对手球队实施的关键战术模式并制定有效的应对措施是现代足球的核心。 然而，通过算法实现这一点仍然是一个开放的研究挑战。 为了解决这一未满足的需求，我们提出了 TacticAI，这是一款与利物浦足球俱乐部领域专家密切合作开发和评估的人工智能足球战术助手。 我们专注于分析角球，因为它们为教练提供了最直接的干预和改进机会。TacticAI 结合了预测和生成组件，使教练能够有效地采样和探索每个角球例程的替代球员设置，并选择具有 预测成功的最高可能性。 我们在许多相关基准任务上验证了 TacticAI：预测接球队员和射门尝试以及建议球员位置进行调整。  TacticAI 的实用性已通过利物浦足球俱乐部足球领域专家进行的定性研究得到验证。 我们表明，TacticAI 的模型建议不仅与真实战术无法区分，而且在 90% 的情况下比现有战术更受青睐，并且 TacticAI 提供了有效的角球检索系统。 尽管黄金标准数据的可用性有限，TacticAI仍取得了这些成果，通过几何深度学习实现了数据效率。

结果

为了展示我们方法的多样性，我们设计了具有三个不同预测和生成组件的 TacticAI：接球者预测、射门预测和通过引导生成的战术推荐，这也对应于定量评估 TacticAI 的基准任务。

除了通过其预测组件为角球分析提供准确的定量见解外，TacticAI 的预测组件和生成组件之间的相互作用还允许教练针对每个感兴趣的例程对替代球员设置进行采样，并直接评估此类替代方案的可能结果。 我们将首先描述我们的定量分析，该分析表明 TacticAI 的预测组件可以准确地预测角球接球手和测试角球上的射门情况，并且建议的球员调整不会严重偏离真实情况。 然而，这样的分析只能间接了解 TacticAI 部署后的用途。 我们正面解决了这个实用性问题，并与利物浦足球俱乐部的合作伙伴合作进行了全面的案例研究——我们直接要求人类专家评估员来判断 TacticAI 预测和球员调整的实用性。 以下部分详细介绍了我们执行的具体结果和分析。 接下来，我们将以理解我们的评估所需的最低水平描述 TacticAI 的组件。 我们将 TacticAI 组件的详细描述推迟到“方法”部分。

TacticAI 基准测试 我们在角球的相关基准数据集上评估了 TacticAI 的三个组成部分。 我们的数据集包含 2020 年至 2021 年英超赛季的 7176 个角球，我们将其随机洗牌并分为训练集 (80%) 和测试集 (20%)。

使用 TacticAI 改进角球战术的示例。 TacticAI 使人类教练能够重新设计角球战术，通过识别关键球员以及提供临时协调的战术建议（让所有球员都参与其中），最大限度地提高进攻队或防守队取得积极结果的可能性。 考虑。 如本示例（A）所示，对于现实中存在射门尝试的角球（B），TacticAI 可以通过调整球的位置来生成战术调整设置，其中射门概率已降低。 防守者（D）。 建议的防守位置会导致进攻球员 2-5 的接球概率降低（见底行），而远离球门柱的进攻球员 1 的接球概率则增加 (C)。 该模型能够生成多个此类场景。 教练可以直观地检查不同的选项，并另外参考 TacticAI 对所提出战术的定量分析。

文章来自于“体能监控与数据分析”，作者“运动科学家”。