Inteligencia Artificial en Análisis Deportivo

La Inteligencia Artificial está cambiando diversas industrias, desde la agricultura hasta las finanzas, y el deporte no es una excepción. El impacto de la IA en el deporte será profundo, especialmente en lo que respecta a la analítica de ciencia de datos deportivos. La Inteligencia Artificial está ayudando a los equipos en todos los aspectos de su gestión, desde reclutar talento y mantener a los jugadores en forma hasta mejorar el entrenamiento y el rendimiento durante los juegos. Para muchas personas, la IA significa poco más que ChatGPT y divertidas imágenes, pero la verdad es que esto es solo una pequeña parte de la IA que pasa por alto muchas tecnologías innovadoras. Echemos un vistazo a cómo se están aplicando algunas de estas tecnologías de IA al deporte.

Analítica del Rendimiento con IA en el Deporte

La analítica deportiva era originalmente muy rudimentaria y solo en los últimos 20 años ha sido formalizada. La popularización de la analítica deportiva se atribuye en gran medida a la película Moneyball, basada en el libro del mismo nombre, que detallaba un enfoque revolucionario para la analítica en el béisbol. La esencia del enfoque era que los Oakland Athletics no deberían intentar reclutar a los mejores jugadores individuales, sino reclutar jugadores que generaran la mayor cantidad de carreras (incluso de manera indirecta) y, por lo tanto, victorias.

El término se utiliza ahora en diversos deportes para describir a entrenadores y organizaciones que utilizan análisis para respaldar nuevos enfoques tácticos y de reclutamiento. En lugar de los "tests visuales" anticuados o el uso de estadísticas rudimentarias como jonrones, la ciencia de datos deportivos es increíblemente compleja y tiene en cuenta todo tipo de métricas. Un ejemplo muy simple es cómo podrías medir el rendimiento de un mariscal de campo (QB) en el fútbol americano. Basar tu análisis de QB únicamente en el número de victorias del equipo claramente no es perspicaz. Puede capturar algunos aspectos de la contribución del jugador, pero como mínimo, el análisis estará empañado por el rendimiento defensivo del equipo. El análisis podría ser refinado simplemente observando cuántos puntos anotó el equipo y despreciando cuántos concedieron o permitieron.

Sin embargo, eso aún no pinta un cuadro preciso del rendimiento del QB y verás a muchos en los medios deportivos hablar de un QB en función del número de touchdowns e intercepciones lanzadas (es decir, cuántos de sus pases llevaron a un gol y cuántos entregaron la posesión al oponente). Esto es claramente algo preciso. Sin embargo, un análisis más avanzado del rendimiento del QB considerará métricas como pases atrapables (pases que deberían haberse atrapado, en lugar de los que realmente se atraparon) o EPA (Puntos Esperados Agregados) y CPOE (Porcentaje de Completitud Sobre la Expectativa).

Avance de la analítica deportiva con IA

A medida que el análisis se vuelve más avanzado, aumenta paralelamente la posibilidad de que la tecnología desempeñe un papel. El tipo principal de inteligencia artificial utilizado en la analítica deportiva es el aprendizaje automático y el análisis de "big data". La capacidad de las máquinas para encontrar patrones está mucho más allá de la de los humanos, especialmente cuando se trata de analizar vastas cantidades de datos empíricos. Similar a nuestro ejemplo estilizado de QB anterior, los algoritmos de aprendizaje automático impulsados por inteligencia artificial pueden ayudar a identificar si un jugador anota mucho porque él mismo es excepcional o si está cosechando la recompensa de un jugador excepcional en otro lugar del equipo o de la contribución de otros.

Aprende cómo la visión por computadora y el aprendizaje automático se pueden aplicar al análisis del rendimiento de la IA en el pickleball.

Un buen ejemplo en el fútbol asociación, o fútbol, es la evolución de medir la producción ofensiva de un jugador. Originalmente, un jugador sería juzgado por los goles marcados. Luego se agregó el concepto de asistencias, para medir no solo el marcador sino también facilitar que otros compañeros de equipo marquen. Sin embargo, esto no tenía en cuenta la mala finalización de otros jugadores, así que ahora los equipos medirán las Asistencias Esperadas (xA). Esto es similar al pase atrapable en el fútbol americano. Si pasas el balón a un compañero de equipo y ese pase debería ser convertido en gol el 100% del tiempo (lo cual, admítelo, es improbable), recibirías una puntuación de xA de 1.0. Sin embargo, si ese pase debería llevar a un gol tres cuartos del tiempo, te daría una puntuación de xA de 0.75.

Tipos de Datos en la Analítica Deportiva de IA

Este tipo de análisis se denomina a menudo Datos de Eventos. Rastreas los eventos clave en un juego, como goles, pases y faltas en el fútbol, y luego proporcionas la información a potentes software de aprendizaje automático y este identificará patrones. Básicamente, esto mide lo que sucede en un juego, cuándo sucede y cuáles son los patrones.

Sin embargo, podemos llevar el análisis aún más lejos al agregar otra tecnología impulsada por IA, la Visión por Computadora. Esta es la misma tecnología que respalda la tecnología de reconocimiento facial. Básicamente, esta tecnología convierte las imágenes de la cámara en datos analizables. La aplicación de la visión por computadora en la ciencia del deporte se conoce como Datos de Rastreo.

Siguiendo con nuestra analogía del fútbol, consideremos lo que sucede en la construcción de un gol. Un jugador marca, otro jugador recibe una asistencia, y ambos serán medidos por métricas como xG (Goles Esperados) y xA (Asistencias Esperadas). Sin embargo, ¿qué pasa con los jugadores que contribuyeron sin tocar el balón o generar un evento (es decir, algo que se registraría como parte de los Datos de Eventos)? Ahí es donde entra en juego el Datos de Rastreo.

Los entrenadores de fútbol siempre están entrenando a sus jugadores para realizar carreras sin balón. Esto crea espacio para sus compañeros de equipo y puede causar confusión entre los jugadores del equipo contrario. A través del uso de cámaras y la inteligencia artificial de visión por computadora, ahora se pueden rastrear estas carreras y analizar su contribución al rendimiento del equipo. Mientras un jugador está marcando todos los goles, otros pueden estar contribuyendo significativamente a través de carreras altruistas o pases en las fases previas a la construcción o al marcado.

Esto sería prácticamente imposible sin la inteligencia artificial. Incluso si pudiéramos ver a los 22 jugadores en el campo, está mucho más allá de la capacidad de un cerebro humano seguir y registrar tanto movimiento simultáneo. Con la inteligencia artificial, es prácticamente automático. La mayoría de los juegos deportivos profesionales cuentan con muchas cámaras, y estas ahora utilizan la visión por computadora para convertir la posición y el movimiento en Datos de Rastreo y registrarlos para el análisis de aprendizaje automático.

La aplicación es similar al software Second Spectrum impulsado por inteligencia artificial utilizado en la NBA. Esta inteligencia artificial utiliza la misma lógica que se discutió anteriormente, con software de visión por computadora que rastrea la posición de los jugadores y sus acciones y lo registra en una enorme base de datos de juegos. Los algoritmos de aprendizaje automático luego analizan los datos, brindando a los entrenadores información sobre cómo se desarrollan las jugadas, cómo defender mejor y mucho más.

El uso de la inteligencia artificial en la analítica deportiva aún está en pañales, pero ya está llevando el análisis en tiempo real y el rendimiento al siguiente nivel mediante la visión por computadora y el aprendizaje automático. ¿Qué hay de otras áreas de la ciencia del deporte? Veamos algunas otras formas en que la inteligencia artificial se está utilizando para modernizar la analítica deportiva.

Inteligencia Artificial y Prevención de Lesiones en el Deporte

La prevención de lesiones es un componente clave de la ciencia del deporte y, a medida que aumenta el valor de los jugadores, los equipos se preocupan cada vez más por mantenerlos saludables. Utilizando el mismo conjunto de tecnologías que en el análisis del rendimiento, los equipos pueden prever lesiones y realizar cambios antes de que un jugador resulte herido. Obviamente, no todas las lesiones son predecibles, pero en algunos casos hay signos reveladores y la inteligencia artificial puede identificar cuándo un jugador está corriendo un riesgo aumentado de lesión.

Un ejemplo de vanguardia es utilizar la visión por computadora para ver cuándo un jugador podría empezar a favorecer un lado de su cuerpo sobre el otro. Por ejemplo, consideremos a un jugador cuyo tobillo izquierdo es más débil que el derecho. La visión por computadora reconocerá cuando comience a favorecer su lado derecho antes de que el ojo humano lo haga, y eso sería una señal de advertencia de que el riesgo de lesión es demasiado alto. Esto se considera un indicador líder de una lesión y, como cualquier aficionado, atleta o entrenador deportivo puede decirte, la prevención es mejor que la cura.

Inteligencia Artificial y Reclutamiento de Jugadores

Otra área del deporte que está siendo revolucionada por la inteligencia artificial es el reclutamiento de jugadores. La inteligencia artificial ayuda a los entrenadores a tomar decisiones más acertadas durante el juego, a tomar decisiones más efectivas en la prevención de lesiones y ahora podemos ver cómo ayuda a tomar decisiones más acertadas en el reclutamiento. Utilizando datos y tecnología similares, la inteligencia artificial puede ayudar a los equipos de dos maneras. En primer lugar, la inteligencia artificial puede mostrar a los equipos cuál es su verdadera necesidad, y en segundo lugar, la IA puede revelar las verdaderas cualidades que tiene un jugador.

El uso de la IA en el Draft de la NFL

El reclutamiento de jugadores es difícil en cualquier deporte, pero nada se compara con la intensidad del draft de la NFL. El fútbol profesional en los Estados Unidos goza de uno de los terrenos de juego más nivelados en todo el deporte, gracias en gran parte al sistema de draft. Esto implica que los mejores 250 o así jugadores universitarios cada año se muden a la NFL, con los equipos más débiles obteniendo la primera elección de selecciones. Los equipos necesitan entender cuáles son sus debilidades y tener un plan de cómo abordar esas deficiencias al traer nuevo talento. La inteligencia artificial permite a los entrenadores ver patrones en los datos de rendimiento, tanto de su propio equipo como de los jugadores en el draft, y tomar decisiones más acertadas.

¿Un mariscal de campo universitario lanza excepcionalmente bien, o tiene receptores tan buenos que acen que sus pases mediocres parezcan más impresionantes de lo que realmente son? Esa es una pregunta sencilla y una que la mayoría de los entrenadores de fútbol americano podrían responder por sí mismos sin la ayuda de ninguna tecnología. Sin embargo, hay muchas otras preguntas similares donde la IA es mucho más avanzada. El rendimiento de fullbacks o running backs podría requerir el seguimiento de la posición y el rendimiento de muchos otros jugadores al mismo tiempo y, por lo tanto, ser más adecuado para la visión por computadora.

Decisiones fuera del campo y rendimiento en el campo

La tecnología de reclutamiento ahora tiene en cuenta datos adicionales más allá del rendimiento en el día del partido. Solo porque un jugador sea bueno no significa necesariamente que será bueno para tu equipo. El deporte está lleno de fracasos y estrellas que no lo lograron, y eso a menudo se debe a factores fuera del campo en lugar de a atributos físicos o técnicos. Los equipos de la NFL ahora están incorporando las redes sociales de los jugadores en sus algoritmos de reclutamiento impulsados por IA para entender mejor a los jugadores.

IA en el Reclutamiento de Fútbol

Los equipos de fútbol gastan miles de millones de dólares cada año en la compra de jugadores y muchos clubes parecen tener dificultades para encontrar la combinación correcta. La Liga Saudita inspirada en Cristiano Ronaldo ofrece a los clubes una estrategia de salida legítima para fichajes de renombre que no encajaron en su sistema, pero históricamente, gastar demasiado en un jugador famoso fue un desastre para los clubes de fútbol europeos. A diferencia de los deportes estadounidenses, en Europa los jugadores cobran ya jueguen o no, y puede ser imposible deshacerse de un jugador costoso.

Los gigantes ingleses, el Manchester United, están experimentando actualmente este problema, ya que pagaron en exceso por el defensor Harry Maguire. Maguire llevó al Leicester a una histórica victoria en la Premier League en 2016 y era considerado uno de los mejores defensores centrales ingleses. Luego se mudó al equipo más exitoso de Inglaterra por una tarifa récord de £80 millones de libras y parecía ser un movimiento perfecto. Excepto que no lo fue. Casi nada ha salido bien para Maguire en el United y el club ha intentado traspasarlo varias veces, pero su salario es demasiado alto y es casi imposible de vender.

¿Podría la IA haber evitado esto? Bueno, la verdad es que muy probablemente sí. Solo porque Maguire fuera un buen defensor en un sistema en el Leicester no debería asumirse que sería igual de efectivo en Manchester, rodeado de diferentes jugadores, jugando un estilo diferente, para un entrenador diferente.

Esto contrasta fuertemente con el enfoque tomado por clubes mucho más pequeños como el Brentford. Inspirado por su dueño obsesionado con las apuestas y las estadísticas, Matthew Benham, el club londinense ha utilizado técnicas de Moneyball para comprar diamantes en bruto una y otra vez. Esto les ha permitido llegar y permanecer en la Premier League inglesa con un presupuesto mucho menor que sus competidores. Su enfoque de IA para el reclutamiento nunca les permitiría desperdiciar £80 millones en un jugador famoso que no encajara en el sistema.

Inteligencia Artificial en Analítica Deportiva

La IA está cambiando cada industria, y el deporte no es la excepción. La visión por computadora nos permite registrar mucho más de lo que el ojo humano puede ver, y el aprendizaje automático identifica patrones ocultos en los datos. Esto está ayudando a entrenadores y equipos a tomar mejores decisiones durante el juego, prevenir lesiones y reclutar mejor. Algunos equipos han aprovechado esta nueva frontera, mientras que otros se han retrasado en adaptarse, y viene a la mente la cita de Rob Thomas. El Vicepresidente Senior de IBM dijo: "La IA no va a reemplazar a los gerentes, pero los gerentes que usan la IA reemplazarán a los que no lo hagan". La Inteligencia Artificial no ganará partidos de fútbol, pero los equipos de fútbol que utilicen la IA ganarán sobre los equipos que no lo hagan.

¿Quieres aprender más? Lee cómo los equipos de fútbol utilizan la IA en áreas como el reclutamiento y la prevención de lesiones.