La nouvelle technologie d’IA pourrait changer la préparation des matchs pour les équipes du Super Bowl

Les joueurs et les entraîneurs des Eagles de Philadelphie et des Chiefs de Kansas City passeront des heures et des heures dans les salles de cinéma cette semaine en préparation du Super Bowl. Ils étudieront les positions, les jeux et les formations, en essayant d’identifier les tendances adverses qu’ils peuvent exploiter tout en se tournant vers leur propre film pour consolider leurs faiblesses.

La nouvelle technologie d’intelligence artificielle développée par les ingénieurs de l’Université Brigham Young pourrait réduire considérablement le temps et les coûts consacrés à l’étude de films pour les équipes liées au Super Bowl (et toutes les équipes de football de la NFL et universitaires), tout en améliorant la stratégie de jeu en exploitant le puissance des mégadonnées.

DJ Lee, professeur à BYU, étudiant à la maîtrise Jacob Newman et Ph.D. Les étudiants Andrew Sumsion et Shad Torrie utilisent l’IA pour automatiser le processus fastidieux d’analyse et d’annotation manuelle des séquences de jeu. En utilisant l’apprentissage en profondeur et la vision par ordinateur, les chercheurs ont créé un algorithme capable de localiser et d’étiqueter de manière cohérente les joueurs à partir d’un film de jeu et de déterminer la formation de l’équipe offensive, un processus qui peut demander le temps d’un grand nombre d’assistants vidéo.

« Nous avions une conversation à ce sujet et avons réalisé, whoa, nous pourrions probablement enseigner un algorithme pour faire cela », a déclaré Lee, professeur de génie électrique et informatique. « Nous avons donc organisé une réunion avec BYU Football pour connaître leur processus et avons immédiatement su, oui, nous pouvons le faire beaucoup plus rapidement. »

Bien qu’encore au début de la recherche, l’équipe a déjà obtenu une précision supérieure à 90 % sur la détection et l’étiquetage des joueurs avec leur algorithme, ainsi qu’une précision de 85 % sur la détermination des formations. Ils pensent que la technologie pourrait éventuellement éliminer le besoin de la pratique inefficace et fastidieuse de l’annotation manuelle et de l’analyse des vidéos enregistrées utilisées par les équipes de la NFL et des collèges.

Lee et Newman ont d’abord regardé des séquences de jeu réelles fournies par l’équipe de football de BYU. Lorsqu’ils ont commencé à l’analyser, ils ont réalisé qu’ils avaient besoin d’angles supplémentaires pour entraîner correctement leur algorithme. Ils ont donc acheté une copie de Madden 2020, qui montre le terrain d’en haut et derrière l’attaque, et étiqueté manuellement 1 000 images et vidéos du jeu.

Ils ont utilisé ces images pour former un algorithme d’apprentissage en profondeur pour localiser les joueurs, qui alimente ensuite un cadre de réseau résiduel pour déterminer à quelle position les joueurs jouent. Enfin, leur réseau de neurones utilise les informations de localisation et de position pour déterminer quelle formation (sur plus de 25 formations) l’attaque utilise, du Pistol Bunch TE au I Form H Slot Open.

Lee a déclaré que l’algorithme peut identifier avec précision les formations à 99,5% lorsque l’emplacement du joueur et les informations d’étiquetage sont correctes. La formation I, où quatre joueurs sont alignés l’un devant l’autre – centre, quart-arrière, arrière et porteur de ballon – s’est avérée être l’une des formations les plus difficiles à identifier.

Lee et Newman ont déclaré que le système d’IA pourrait également avoir des applications dans d’autres sports. Par exemple, au baseball, il pourrait localiser les positions des joueurs sur le terrain et identifier des modèles communs pour aider les équipes à affiner leur façon de se défendre contre certains frappeurs. Ou il pourrait être utilisé pour localiser les joueurs de football afin d’aider à déterminer des formations plus efficaces et efficientes.

L’algorithme BYU est détaillé dans un article de revue « Automated Pre-Play Analysis of American Football Formations Using Deep Learning », récemment publié dans un numéro spécial de Advances of Artificial Intelligence and Vision Applications in Électronique.

« Une fois que vous aurez ces données, vous pourrez en faire beaucoup plus; vous pourrez passer au niveau supérieur », a déclaré Lee. « Les données volumineuses peuvent nous aider à connaître les stratégies de cette équipe ou les tendances de cet entraîneur. Cela pourrait vous aider à savoir s’il est susceptible d’y aller le 4e essai et le 2e ou s’il fera un botté de dégagement. L’idée d’utiliser l’IA pour le sport est vraiment cool, et si nous pouvons leur donner ne serait-ce que 1 % d’avantage, cela en vaudra la peine. »