De voetbalwereld staat bol van de experts, en dan hebben we het niet eens over degenen die thuis op de bank zitten. Maar ook de sportwereld ondervindt een technologische revolutie, waarmee data een steeds grotere rol gaat spelen. Niet alleen voor de kijkers, maar ook in de analyse van performance en om tactieken scherp te stellen. Wat kunnen we nog meer met al die data? Student Daniel Krumov zocht uit wat AI-modellen uit wedstrijddata kunnen halen.
Data en doelpunten
Daniel begon met een model, genaamd Expected Threat, dat op basis van een spelerspositie een kans geeft op een doelpunt. Winnen doe je tenslotte door doelpunten te scoren. Een paas terug, een verdedigende actie, of zelfs een redding van de doelman zijn lastiger voor een AI om te linken aan doelpunten. Toch zijn die ‘progressieve acties’ essentieel voor succes. Je wint namelijk geen wedstrijden met alleen Ronaldo of Messi op het veld. Dus hoe haal je uit data acties die bijdragen aan die winst, buiten de doelpunten om?
Progressieve acties
En daar komt de AI dus echt kijken, want elke goal komt voort uit een reeks progressieve acties. Door complexe modellen toe te passen kan AI dus veel vertellen over de invloed van elke speler op het spel. Dat is niet alleen leuk voor de wedstrijdoverzichten en het praatje in de studio, maar kan clubs ook helpen in het proces van scouten en het opstellen van de juiste spelers voor een wedstrijd. Dat maakt scouts niet overbodig natuurlijk, nog de mening van alle bondscoaches op de bank en in de studio. Het is een extra gereedschap in de topsport, wat professionals kan helpen.
Gaat AI dan de nieuwe Ronaldo of Messi vinden voor ons? Daarover vertelt Daniel meer in deze editie van Eyes on AI.
Het project is een samenwerking van Fontys Hogeschool ICT en partnerbedrijf PSV, lid van het SPARC partnercollectief. Samen met deze partners werken studenten in ons Fontys ICT InnovationLab aan toegepast onderzoek in en met de werkpraktijk.
