Pesquisadores da Universidade de Waterloo utilizam técnicas de machine learning e inteligência artificial para democratizar o acesso a dados analíticos no esporte, proporcionando uma nova ferramenta para a pesquisa acadêmica.
Contexto da pesquisa
Times profissionais de esportes investem milhões em análise de dados, usando sistemas avançados de rastreamento para estudar cada movimento em campo. O estudo “Simulating tracking data to advance sports analytics research” se destaca ao oferecer dados acessíveis para pesquisa, dado que os resultados das análises tradicionais permanecem como segredos industriais.
Método proposto
Os pesquisadores, Dr. David Radke e Kyle Tilbury, empregaram o ambiente de aprendizado por reforço Google Research Football para simular e registrar um número ilimitado de partidas de futebol. A equipe gerou e salvou dados de 3.000 jogos simulados, resultando em um extenso dataset que captura passes, gols e movimentos de jogadores.
Resultados e impacto
Radke, que atualmente é cientista de pesquisa sênior para o NHL’s Chicago Blackhawks, destaca que “enquanto pesquisadores têm acesso a muitos dados sobre esportes episódicos como beisebol, esportes contínuos como futebol e hóquei são muito mais difíceis de analisar” (“While researchers have access to a lot of data about episodic sports like baseball, continuous invasion-game sports like soccer and hockey are much more difficult to analyze”). Este novo conjunto de dados não apenas atende à demanda de pesquisadores e fãs, mas também impulsiona a pesquisa em sistemas multiagentes, fundamentais para entender comportamentos complexos no esporte.
“Capacitar pesquisadores com esses dados abrirá inúmeras oportunidades”
(“Enabling researchers to have this data will open up all kinds of opportunities”)— Kyle Tilbury, Estudante de PhD, Universidade de Waterloo
Os autores acreditam que o futuro da análise esportiva depende do progresso na área de dados de rastreamento. Os conjuntos de dados gerados são esperados para impulsionar tanto a pesquisa esportiva quanto a pesquisa em IA.
As possíveis aplicações incluem o desenvolvimento de ferramentas analíticas mais avançadas e a exploração de estratégias em esportes invasivos. Com o democratização do acesso a esses dados, novos estudos podem emergir, tornando a análise esportiva mais acessível e relevante.
Fonte: (TechXplore – Machine Learning & AI)
