DeepMindはAIを活用してサッカーを変革したいと考えている

1950年3月、イギリス空軍の航空団司令官で会計士のチャールズ・リープは、サッカーに数字の力を見出した。1930年代にサッカーに興味を持ち、ハーバート・チャップマン率いる先駆的なアーセナルに魅了されていたリープは、第二次世界大戦から帰還すると、かつて目撃した戦術革命が行き詰まっていることに気づいた。

ついに、スウィンドン・タウン対ブリストル・シティの退屈なディビジョン3の試合のハーフタイム、数え切れないほどの攻撃が無駄に終わるのを目の当たりにし、リープの我慢の限界がきた。彼はノートと鉛筆を手に取り、ピッチ上で起こった出来事を猛烈に書き留め始めた。パスとシュートの数を数え始めたのは、データを用いてサッカーを分析するという、最初の体系的な試みの一つだった。

70年後、データ革命は草の根レベルにまで浸透しました。ファンはxG（得点）や純支出額に精通し、トップチームは優位性を求めて大学を卒業したばかりの統計学の博士課程の学生を採用しています。そして今、プレミアリーグのディフェンディングチャンピオンであるリヴァプールは、サッカー界における人工知能の活用を模索するため、DeepMindと提携しました。両組織の研究者による論文が本日、Journal of Artificial Intelligence Research誌に掲載され、その潜在的な応用例のいくつかが概説されています。

「まさにタイミングが良かったんです」と、DeepMindのAI研究者で、この論文の筆頭著者の一人であるカール・タイルズ氏は語る。DeepMindとリヴァプール大学のコラボレーションは、タイルズ氏が以前同市の大学で働いていたことがきっかけだった。（DeepMindの創業者デミス・ハサビス氏も生涯のリヴァプールファンであり、この研究のアドバイザーを務めた。）両グループは、AIがサッカー選手やコーチを支援できる分野について話し合うために集まった。リヴァプールはまた、2017年から2019年にかけて行われたプレミアリーグの全試合のデータもDeepMindに提供した。 

近年、サッカーではセンサー、GPSトラッカー、コンピュータービジョンアルゴリズムを用いて選手とボールの動きを追跡するようになり、利用可能なデータ量が膨れ上がっています。サッカーチームにとって、AIはコーチには見つけられないパターンを見つける手段となります。一方、DeepMindの研究者にとって、サッカーはアルゴリズムをテストするための制約はあるもののやりがいのある環境を提供しています。「サッカーのようなゲームは非常に興味深いです。多くのエージェントが存在し、競争と協力の要素があるからです」とトゥイルズ氏は言います。チェスや囲碁とは異なり、サッカーは現実世界で行われるため、不確実性が内在しています。

しかし、だからといって予測ができないわけではありません。AIが特に有用であることが証明される分野の一つです。論文では、特定のチームとラインナップに関するデータを使ってモデルをトレーニングし、特定の状況における選手の反応を予測する方法を実証しています。例えば、マンチェスター・シティ戦で右サイドにロングボールを蹴り込んだ場合、カイル・ウォーカーは特定の方向に走り、ジョン・ストーンズは別の動きをするかもしれません。

これは「ゴースティング」と呼ばれています。ビデオゲームのように、実際に起こった出来事に代替の軌跡を重ね合わせるためです。この技術は様々な用途があります。例えば、戦術変更の影響を予測したり、主力選手が負傷した場合に相手チームがどのようにプレーするかを予測したりすることができます。これらはコーチ自身が気づく可能性が高い点であり、トゥイルズ氏は、コーチに代わるツールを設計することが目的ではないことを強調します。「膨大なデータがあり、処理すべきものも山ほどあります。そして、これらの膨大なデータを処理するのは必ずしも容易ではありません」と彼は言います。「私たちは支援技術の開発に取り組んでいるのです。」

論文の一環として、研究者らは過去数シーズンにヨーロッパで行われた1万2000回以上のペナルティキックの分析も行った。選手をプレースタイルに基づいてクラスターに分類し、その情報を用いて、彼らがペナルティキックを蹴る可能性が最も高い場所と得点の可能性を予測した。例えば、ストライカーはミッドフィールダーよりも左下隅を狙う傾向が強く、ミッドフィールダーはよりバランスの取れたアプローチを取っていた。そして、データはペナルティキッカーにとって最適な戦略は、おそらく予想通り、最も強いサイドに蹴ることであることを示した。

他のモデルは、反事実的な状況（カウンターファクチュアル）の数値を解析し、パスやタックルミスといった特定の行動がゴールにどれだけ貢献したか（xG）を推定できるかもしれません。これらのモデルは試合後の分析で活用でき、選手に対し、特定の状況でシュートではなくパスをすべきだった理由を示すことができます。選手のパフォーマンスデータ（筋力や体力）を学習させたモデルは、人間のコーチよりも優れた疲労追跡能力を発揮し、負傷する前に選手の休息を推奨できるかもしれません。