نموذج التعلم الآلي يقيس أداء لاعبي البيسبول

فريق من الباحثين في كلية العلوم والتقنيات المعلوماتية بجامعة ولاية بنسلفانيا طور نموذج تعلم آلي يمكنه قياس أداء لاعبين البيسبول والفرق على المدى القصير والطويل بشكل أفضل. تم قياس الطريقة الجديدة مقابل أساليب التحليل الإحصائي الحالية تسمى sabermetrics.

تم تقديم البحث في ورقة بحثية بعنوان “استخدام التعلم الآلي لوصف كيفية تأثير اللاعبين على اللعبة في دوري البيسبول الرئيسي”.

بناءً على معالجة اللغة الطبيعية والرؤية الحاسوبية

اعتمد 접근 الفريق على التطورات الحديثة في معالجة اللغة الطبيعية والرؤية الحاسوبية، ويمكن أن يكون لها عواقب كبيرة على طريقة قياس تأثير اللاعب على اللعبة.

كونور هييتون هو مرشح دكتوراه في كلية العلوم والتقنيات المعلوماتية.

يقول هييتون أن الأساليب الحالية تعتمد على عدد المرات التي يحقق فيها لاعب أو فريق حدثًا منفصلاً، مثل ضرب 홈 ران. تفشل هذه الأساليب في考虑 سياق كل действة.

“فكر في سيناريو حيث سجل لاعب نقطة في آخر ظهور له على اللعبة،” قال هييتون. “يمكن أن يكون قد سجل نقطة واحدة من خلال ضرب الكرة إلى خط 第三 قاعدة، وانتقل من المركز الأول إلى المركز الثاني، وضرب الكرة إلى حقل اليسار العميق ووصل إلى القاعدة الأولى بسهولة، لكنه لم يكن سريعًا بما يكفي للضغط من أجل زوج. وصف كلا الموقفين على أنه “نقطة واحدة” هو دقيق، لكنه لا ي告诉 القصة كاملة”.

النموذج الجديد

يعتمد نموذج هييتون على تعلم معنى الأحداث داخل اللعبة، والتي تعتمد على التأثير الذي تتركه على اللعبة وسياقها. ثم ينظر النموذج إلى اللعبة على أنها تسلسل من الأحداث لإخراج تمثيلات رقمية لكيفية تأثير اللاعبين على اللعبة.

“نحن غالبًا ما نتحدث عن البيسبول بالحديث عن “هذا اللاعب سجل نقطتين و زوجًا أمس” أو “سجل نقطة واحدة من أربعة،” قال هييتون. “الكثير من الطرق التي نتحدث بها عن اللعبة تختصر الأحداث بمتغير إحصائي واحد. “عملنا يحاول الحصول على صورة شاملة أكثر للعبة والحصول على وصف حسابي دقيق أكثر لكيفية تأثير اللاعبين على اللعبة”.

تستخدم الطريقة الجديدة تقنيات النمذجة التسلسلية في معالجة اللغة الطبيعية لتمكين الكمبيوتر من تعلم معنى الكلمات المختلفة. استخدم هييتون ذلك لتعليم نموذجه معنى الأحداث في لعبة البيسبول، مثل ضرب اللاعب لنقطة واحدة. تم نمذجة اللعبة على أنها تسلسل من الأحداث.

“تأثير هذا العمل هو الإطار الذي يتم اقتراحه لما أسميه “استجواب اللعبة”،” قال هييتون. “نحن ننظر إليها على أنها تسلسل في هذا الهيكل الحسابي كله لنمذجة اللعبة”.

يمكن للنموذج وصف تأثير اللاعب على اللعبة على المدى القصير، وعندما يتم دمجه مع الأساليب التقليدية، يمكنه تنبؤ الفائز بلعبة بدقة تزيد عن 59%.

تدريب النموذج

قام الباحثون بتدريب نموذجهم باستخدام بيانات تم جمعها مسبقًا من الأنظمة المثبتة في ملاعب البيسبول الرئيسية. تتبع هذه الأنظمة معلومات مفصلة لكل رمية، بما في ذلك موضع اللاعب، احتلال القواعد، وسرعة الرمية. تم استخدام نوعين من البيانات. الأول كان بيانات الرمية حسب الرمية، والتي ساعدت في تحليل معلومات مثل نوع الرمية. الثاني كان بيانات الموسم حسب الموسم، استخدم لتحقيق معلومات حول الموضع.

كل رمية في مجموعة البيانات لديها ثلاث سمات رئيسية، وهي اللعبة المحددة، وعدد الظهور في اللعبة، وعدد الرمية في الظهور. تمكن هذه البيانات الباحثين من إعادة بناء تسلسل الأحداث الذي يتكون منه لعبة البيسبول الرئيسي.

لوصف الأحداث التي حدثت، وكيف حدثت، ومن كان متورطًا في كل لعب، حدد الفريق 325 تغييرًا محتملًا في اللعبة يمكن أن يحدث عند رمية الكرة. ثم تم دمج ذلك مع البيانات الحالية، وسجلات اللاعبين تم استنتاجها.

براسينجيت ميترا هو أستاذ علوم وتقنيات المعلومات، كما أنه من مؤلفي الورقة.

“لهذا العمل إمكانية كبيرة لتحسين حالة الفن في sabermetrics،” قال البروفيسور ميترا. “إلى أفضل معرفتنا، نحن أول من يلتقط ويمثل حالة متعددة الجوانب للعبة ويتعامل مع هذه المعلومات كسياق لتقييم الأحداث الفردية التي يتم احتسابها بواسطة الإحصائيات التقليدية – على سبيل المثال، من خلال بناء نموذج يفهم اللحظات الرئيسية والأحداث الحاسمة تلقائيًا”.