AI in football फुटबॉल में एआई: TacticAI तकनीकी उपाय और तौर पर अग्रिम जानकारी
गूगल की डीपमाइंड ने तकनीकी उपाय प्रदान करने वाली एआई सिस्टम TacticAI को पेश किया है: जो पूर्वानुमानात्मक और उत्पादक एआई के माध्यम से विशेषज्ञों को तकनीकी दृष्टिकोण प्रदान कर सकती है, खासकर कॉर्नर किक्स के माध्यम से।
कॉर्नर किक्स को जब गेंद लक्ष्य रेखा को पार करते हुए बारी की खिलाड़ी को स्पर्श करते हैं, तो एक कॉर्नर दिया जाता है। औसतन चैंपियंस लीग खेल में लगभग 10 कॉर्नर किक्स होते हैं, और उनके परिणामों का पूर्वानुमान करना जटिल है, क्योंकि व्यक्तिगत खिलाड़ियों से खेलकूद में अनियमितता और उनके बीच गतिविधि में गुणवत्ता होती है।
हालांकि, कॉर्नर किक्स पर सोने की मानक डेटा की सीमित उपलब्धता के बावजूद, TacticAI कहता है कि यह “एक ज्यामित्रीय डीप लर्निंग प्रणाली” का उपयोग करके और सामान्यीकृत मॉडल बनाने में महत्वपूर्ण परिणाम प्राप्त कर चुका है। डीपमाइंड ने लिवरपूल फुटबॉल क्लब के विशेषज्ञों के साथ एक बहुवर्षीय अनुसंधान सहयोग में TacticAI को विकसित और मूल्यांकित किया।
WHAT IS SIERRA MADRE सियेरा माद्रे: दक्षिण चीन सागर में विवाद का केंद्र
प्रतिद्वंदी टीमों द्वारा लागू किए जाने वाले तकनीकी उपायों के मुख्य पैटर्न की पहचान करना, और प्रभावी प्रतिक्रियाएँ विकसित करना, आधुनिक फुटबॉल का मूल है – और TacticAI ने इनमें एक पूर्वानुमानात्मक और उत्पादक घटक को शामिल किया है ताकि कोच यह विकल्पों का परीक्षण कर सकें और तकनीकी सेटअप को चुन सकें, जो सफलता की सर्वोत्तम पूर्वानुमानित संभावना वाले हों।
नवीनतम संस्करण, TacticAI, को “पूर्ण एआई सिस्टम” के रूप में प्रस्तुत किया जा रहा है। डीपमाइंड टीम के अनुसार, यह तीन मुख्य प्रश्नों का समाधान करने के लिए बनाया गया है:-
1. दिए गए कॉर्नर किक तकनीकी सेटअप के लिए, क्या होगा? उदा., किस खिलाड़ी को सबसे ज्यादा गेंद मिलने की संभावना है, और क्या शॉट की कोशिश की जाएगी?
2. एक सेटअप को चलाने के बाद, क्या हुआ है, क्या हम उसे समझ सकते हैं? उदा., क्या समान तकनीक पिछले में अच्छे परिणाम दिखाए हैं?
3. तकनीक को कैसे समायोजित किया जा सकता है ताकि एक विशेष परिणाम हो? उदा., शॉट की कोशिश की संभावना कम करने के लिए रक्षक खिलाड़ियों को कैसे पुनः स्थित किया जाए?
यह उपकरण कोर्नर किक स्थितियों को ग्राफ के रूप में प्रस्तुत करता है, जिसमें खिलाड़ियों को नोड के रूप में और उनके संबंधों को एज के रूप में चित्रित किया जाता है। फिर एक न्यूरल नेटवर्क इस ग्राफ पर काम करता है, प्रत्येक नोड का प्रतिनिधित्व अपडेट करता है। यह खिलाड़ियों के बीच गतिविधियों का मॉडलिंग करने की अनुमति देता है, जो उनके बीच की वास्तविक दूरियों से अधिक महत्वपूर्ण हो सकती है।