โมเดลการเรียนรู้ของเครื่องจักรวัดประสิทธิภาพผู้เล่น MLB

ทีมนักวิจัยจาก Penn State College of Information Sciences and Technology ได้พัฒนาโมเดลการเรียนรู้ของเครื่องจักรที่สามารถวัดประสิทธิภาพของผู้เล่นและทีมเบสบอลในระยะสั้นและระยะยาวได้ดีขึ้น วิธีการใหม่นี้ถูกวัดกับวิธีการวิเคราะห์ทางสถิติที่มีอยู่แล้วที่เรียกว่า sabermetrics

การวิจัยนี้ถูกนำเสนอในเอกสารที่มีชื่อเรื่องว่า “การใช้การเรียนรู้ของเครื่องจักรเพื่ออธิบายวิธีการที่ผู้เล่นส่งผลกระทบต่อเกมใน MLB”

สร้างบน NLP และ Computer Vision

แนวทางของทีมนี้ขึ้นอยู่กับการพัฒนาล่าสุดในด้านการประมวลผลภาษา自然และคอมพิวเตอร์วิชัน และอาจมีผลกระทบอย่างมากต่อวิธีการที่ผู้เล่นส่งผลกระทบต่อเกม

Connor Heaton เป็นนักศึกษาระดับ博士ใน College of IST

Heaton กล่าวว่าวิธีการที่มีอยู่แล้วขึ้นอยู่กับจำนวนครั้งที่ผู้เล่นหรือทีมบรรลุเหตุการณ์ที่แยกออกมา เช่น การตี 홈รัน วิธีการเหล่านี้ไม่พิจารณาบริบทของการกระทำแต่ละครั้ง

“ลองนึกถึงสถานการณ์ที่ผู้เล่นบันทึกซิงเกิลในครั้งสุดท้ายที่เข้าไปในสนาม” Heaton กล่าว “เขาอาจตีบอลไปที่ฐานที่สามและทำให้ผู้เล่นอื่นไปถึงฐานที่สองหรือตีบอลไปที่ด้านซ้ายของสนามและไปถึงฐานแรกได้อย่างสบายใจ แต่ไม่มีความเร็วในการวิ่งเพื่อไปถึงฐานที่สอง การอธิบายทั้งสองสถานการณ์ว่าเป็น ‘ซิงเกิล’ เป็นเรื่องที่ถูกต้อง แต่ไม่ได้อธิบายเรื่องราวทั้งหมด”

โมเดลใหม่

โมเดลของ Heaton ขึ้นอยู่กับการเรียนรู้ความหมายของเหตุการณ์ในเกม ซึ่งอาศัยผลกระทบที่มีต่อเกมและบริบทของมัน โมเดลนี้มองเกมเป็นลำดับของเหตุการณ์และผลลัพธ์เป็นตัวแทนเชิงตัวเลขของวิธีการที่ผู้เล่นส่งผลกระทบต่อเกม

“เรามักพูดถึงเบสบอลในแง่ของ ‘ผู้เล่นคนนี้มีซิงเกิลสองครั้งและดับเบิลหนึ่งครั้งเมื่อวาน'” Heaton กล่าว “วิธีการพูดถึงเกมส่วนใหญ่สรุปเหตุการณ์ด้วยสถิติสรุปหนึ่งรายการ ‘งานของเรากำลังพยายามมองภาพเกมที่สมบูรณ์ยิ่งขึ้นและได้รับการอธิบายเชิงคำนวณที่ละเอียดถี่ถ้วนเกี่ยวกับวิธีการที่ผู้เล่นส่งผลกระทบต่อเกม”

วิธีการใหม่นี้ใช้เทคนิคการสร้างแบบจำลองลำดับใน NLP เพื่อให้คอมพิวเตอร์เรียนรู้ความหมายของคำต่างๆ Heaton ใช้เทคนิคนี้เพื่อสอนโมเดลของเขาให้เข้าใจความหมายของเหตุการณ์ในเกมเบสบอล เช่น การตีบอลไปที่ฐานแรก เกมถูกสร้างแบบจำลองเป็นลำดับของเหตุการณ์

“ผลกระทบของงานนี้คือโครงสร้างที่ถูกเสนอสำหรับสิ่งที่ฉันเรียกว่า ‘การซักถามเกม'” Heaton กล่าว “เรามองเกมเป็นลำดับในโครงสร้างคำนวณทั้งหมดเพื่อสร้างแบบจำลองเกม”

โมเดลนี้สามารถอธิบายอิทธิพลของผู้เล่นต่อเกมในระยะสั้น และเมื่อรวมกับวิธีการที่มีอยู่แล้ว สามารถคาดการณ์ผู้ชนะเกมได้มากกว่า 59%

การฝึกอบรมโมเดล

นักวิจัยฝึกอบรมโมเดลโดยใช้ข้อมูลที่รวบรวมจากระบบที่ติดตั้งที่สนามเบสบอลลีกเมเจอร์ ระบบเหล่านี้ติดตามข้อมูลที่มีรายละเอียดสำหรับการโยนแต่ละครั้ง รวมถึงการวางตัวของผู้เล่น การยึดฐาน และความเร็วของการโยน มีข้อมูลสองประเภทที่ใช้ ข้อมูลแรกคือข้อมูลการโยนครั้งละครั้ง ซึ่งช่วยวิเคราะห์ข้อมูล เช่น ประเภทของการโยน ข้อมูลที่สองคือข้อมูลฤดูกาลต่อฤดูกาล ซึ่งใช้เพื่อสอบสวนข้อมูลที่เฉพาะเจาะจงเกี่ยวกับตำแหน่ง

การโยนแต่ละครั้งในฐานข้อมูลที่รวบรวมมีคุณลักษณะหลักสามประการ คือ เกมที่เฉพาะเจาะจง การเข้าชมครั้งที่ในเกม และการโยนครั้งที่ในเกม ข้อมูลนี้ทำให้นักวิจัยสามารถสร้างลำดับของเหตุการณ์ที่ประกอบเป็นเกม MLB ได้

เพื่ออธิบายเหตุการณ์ที่เกิดขึ้น วิธีการที่เกิดขึ้น และผู้ที่เกี่ยวข้องกับการเล่นแต่ละครั้ง ทีมได้ระบุการเปลี่ยนแปลงเกมที่เป็นไปได้ 325 รายการที่สามารถเกิดขึ้นเมื่อมีการโยนลูกบอล ซึ่งถูกผสมผสานกับข้อมูลที่มีอยู่แล้วและบันทึกของผู้เล่น

Prasenjit Mitra เป็นศาสตราจารย์ด้านวิทยาศาสตร์และเทคโนโลยีสารสนเทศ以及เป็นผู้ร่วมเขียนเอกสาร

“งานนี้มีศักยภาพที่จะพัฒนาสภาวะทางศิลปะใน sabermetrics อย่างมาก” Prof. Mitra กล่าว “ตามความรู้ของเรา โมเดลของเราคือโมเดลแรกที่สามารถจับและแสดงสภาวะที่ซับซ้อนของเกมและใช้ข้อมูลนี้เป็นบริบทในการประเมินเหตุการณ์แต่ละครั้งที่ถูกนับโดยสถิติแบบดั้งเดิม — ตัวอย่างเช่น โดยการสร้างโมเดลที่เข้าใจเหตุการณ์สำคัญและเหตุการณ์ที่มีผลกระทบโดยอัตโนมัติ”