Британская лаборатория Google DeepMind совместно с футбольным клубом «Ливерпуль» разработала инновационного ИИ-ассистента TacticAI, предназначенного для оптимизации тактики угловых ударов. Исследователь Петар Величкович подробно рассказал ведущему программы Machine Learning Street Talk Тиму Скарфу о механизмах работы системы, сочетающей предиктивные и генеративные компоненты. Проект продемонстрировал впечатляющие результаты: футбольные эксперты предпочли подсказки искусственного интеллекта существующим схемам в 90% случаев.
⚽ От гипотез к практике: создание TacticAI 0:00
🤝 Сотрудничество Google DeepMind и «Ливерпуля»
Проект TacticAI стал результатом многолетнего официального сотрудничества между лабораторией Google DeepMind и футбольным клубом «Ливерпуль», которое началось еще в 2019 году. На протяжении нескольких лет интернациональная команда ученых создавала промежуточные прототипы и проверяла точечные гипотезы. Предыдущие разработки помогали решать отдельные задачи, но не давали уверенности в том, что их рекомендации будут действительно полезны аналитикам на практике.
Как утверждает Петар Величкович, TacticAI стал первой вехой, предоставившей полноценного тактического ИИ-помощника. Система способна не только предсказывать исход конкретной ситуации, но и предоставлять удобное представление данных для быстрого поиска похожих матчей, а также генерировать точечные изменения в расстановке игроков.
🎯 Почему выбор пал на угловые удары
Изначально исследователи пытались моделировать игру в открытом поле (open play), однако столкнулись со значительными практическими ограничениями. Как отмечает Величкович, даже если сложная модель выдаст ценную рекомендацию в динамике движения, главный тренер не сможет оперативно донести её до футболистов. Попытки выкрикивать новые инструкции с бровки во время активной фазы матча могут лишь запутать игроков. В отличие от открытой игры, угловые удары оказались идеальной точкой приложения сил по нескольким причинам:
- В момент назначения углового игра фактически замирает, что позволяет зафиксировать стартовые позиции.
- Розыгрыш всегда начинается из стандартной, жестко заданной точки в углу поля.
- Угловые создают непосредственную угрозу воротам и происходят довольно часто — в среднем около 10 раз за один матч.
- Стратегии для таких стандартов детально разрабатываются тренерским штабом задолго до игры, что исключает путаницу в день матча.
📊 Математика футбола: графы и геометрическое глубокое обучение 1:03
📐 Игроки как узлы, связи как рёбра
В основе TacticAI лежит геометрическое глубокое обучение (Geometric Deep Learning). Ситуация на футбольном поле в момент подачи представляется в виде статического графа, где спортсмены выступают в роли узлов, а отношения между ними — в роли рёбер. Величкович подчеркивает, что моделирование сложных взаимодействий и синергии между футболистами имеет гораздо большее значение, чем вычисление их абсолютных дистанций на газоне.
По его мнению, структура связей играет решающую роль в распределенном успехе тактических паттернов на протяжении всего сезона, даже если исход каждого конкретного эпизода может зависеть от случайных факторов вроде порыва ветра или неточного удара. Графовые нейросети заставляют модель мыслить непосредственно категориями парных и групповых отношений.
🔄 Использование симметрии и графовых сетей
Для эффективного анализа архитектура использует графовые нейросети внимания (Graph Attention Networks, GAT) — технологию, в разработке которой Петар Величкович принимал непосредственное участие. Тим Скарф напоминает, что современные нейросети опираются на фундаментальные принципы симметрии и разделения масштабов. В TacticAI разработчики задействовали специфические геометрические инварианты футбольного поля:
- Инвариантность к горизонтальным и вертикальным отражениям.
- Инвариантность к перестановкам (permutation symmetry) во взаимоотношениях игроков внутри графа.
Такой подход, как утверждают создатели, существенно повышает эффективность выборки (sample efficiency) и общую робастность нейросети. Вместо попыток выучить миллиарды теоретически возможных комбинаций, модель изначально ограничена жесткими рамками реальной физической геометрии игры. При этом для анализа момента фиксации мяча используется фиксированный вычислительный бюджет — в данной архитектуре применяется четыре слоя передачи сообщений.
🤖 Моделирование будущего: предиктивный и генеративный компоненты ИИ 0:39
🧠 Особенности обучения генеративной модели
TacticAI совмещает в себе предиктивные и генеративные возможности, что позволяет тренерам оперативно исследовать альтернативные расстановки игроков для каждого углового удара. Генеративная часть системы построена на базе вариационного автокодировщика (VAE). Величкович объясняет уникальность её обучения: алгоритм тренировали не просто выдавать абстрактные идеи, а реконструировать исходную тактику команд, обуславливая процесс тем, произошел ли в итоге удар по воротам (shot event) или нет.
В процессе работы аналитики могут подавать на вход модели текущую реальную позицию футболистов и искусственно изменять флаг удара на 0 или 1. Система мгновенно пересчитывает координаты и прогнозируемые скорости игроков, показывая, как нужно скорректировать их позиции для максимизации или минимизации вероятности опасного момента. Поскольку VAE стремится минимизировать среднеквадратичную ошибку, он выдает мягкие, точечные корректировки, близкие к исходной схеме.
🧠 Мышление модели: Система 1 против Системы 2
Тим Скарф поднял вопрос об уровне абстракции и логики ИИ, поинтересовавшись, где на спектре между автоматической, интуитивной «Системой 1» и глубоким последовательным планированием «Системы 2» находится TacticAI. По мнению Величковича, текущая модель располагается ближе к Системе 1, поскольку её основная задача — быстро спрогнозировать развитие событий на ближайшие 10 секунд.
Эксперт полагает, что построение полноценных моделей Системы 2 для долгосрочного прогнозирования в футболе на данный момент менее практично. По его словам, игра содержит слишком много скрытых факторов (unobservables) и спонтанных человеческих решений, способных запутать любую долгосрочную модель. Как отмечает исследователь, когда экспертам демонстрировали долгосрочные симуляции игры в открытом поле, они признавали их правдоподобность, но вероятность точного воплощения такой цепочки событий на практике стремилась к нулю.
⏱️ Эволюция стратегий и свобода для творчества тренеров 0:51
📈 Результаты слепого тестирования с экспертами
Как заявляют авторы исследования, предложенные TacticAI варианты расстановок оказались неотличимы от реальных игровых ситуаций высшего дивизиона. В ходе слепых тестов футбольные эксперты из «Ливерпуля» в 90% случаев предпочли тактические рекомендации ИИ тем схемам, которые были фактически реализованы командами в матчах Премьер-лиги.
По мнению Величковича, внедрение системы освободит тренеров от рутинного многочасового отсмотра видеозаписей, направленного на отслеживание движений всех 22 игроков. Вместо этого они смогут сразу видеть готовые паттерны и точечные рекомендации — например, указание на то, что защитник двигается слишком медленно для блокировки конкретного форварда соперника. Это позволит тренерскому штабу сфокусироваться на креативных и actionable решениях на поле.
🔄 Феномен «дрейфа концептов» и скорость вычислений
В процессе исследования ученые зафиксировали феномен стратегического «дрейфа концептов» (concept drift). Эффективность модели немного снижается, если тестировать её на данных исключительно последнего сезона, по сравнению с историческими данными, использовавшимися для обучения. По мнению Величковича, это доказывает, что футбольная тактика непрерывно эволюционирует, а доступ к инструментам автоматизации может существенно ускорить творческий процесс тренеров на поле.
При этом модель TacticAI является крайне легковесной в плане инфраструктуры. По словам разработчика, её можно полностью переобучить на обычном процессоре (CPU) всего за несколько часов. Учитывая, что клубы проводят матчи каждые несколько дней, они могут непрерывно обновлять систему новыми данными без колоссальных затрат на вычислительные мощности, в отличие от тяжелых языковых моделей.
🌍 Больше чем спорт: универсальность графовых нейросетей 10:07
🧬 От предсказания погоды до поиска антибиотиков
Петар Величкович подчеркивает, что футбольное поле — это лишь один из наглядных примеров сложных естественных систем, где критически важны комплексные взаимодействия. Архитектура TacticAI не содержит в себе жестко зашитой специфики футбола и может успешно применяться в баскетболе, американском футболе и других командных видах спорта. Более того, аналогичные графовые архитектуры сегодня лежат в основе важнейших научных прорывов DeepMind и мирового сообщества:
- Модель GraphCast используется для высокоточного среднесрочного прогнозирования погоды.
- Система GNoME от DeepMind позволила предсказать структуры миллионов новых кристаллических материалов.
- Графовые нейросети, разработанные в MIT, активно применяются в биомедицине для поиска новых эффективных антибиотиков против редких условий.
⚾ Сравнение с концепцией Moneyball
Величкович проводит параллель между текущей ИИ-революцией в футболе и знаменитой стратегией Moneyball («Человек, который изменил всё»), сделавшей бейсбольную команду успешной за счет чистой статистики. Однако эксперт указывает на фундаментальное различие: в бейсболе абсолютно каждое действие является дискретным «стандартом» (set piece), игра постоянно останавливается, что делает её гораздо более податливой для базового статистического анализа, чем динамичный футбол с его открытой игрой.
