Jugando con datos

Comúnmente los deportes de equipo utilizaron estadísticas para el seguimiento de los jugadores y el desarrollo de tácticas y estrategias. Deportes como fútbol, básquet, béisbol, hockey, tenis o fútbol americano, realizaban un simple análisis de la efectividad de cada equipo así como de los jugadores individualmente, conociendo el porcentaje de aciertos o la probabilidad de éxito para marcar un punto en el tanteador. Pero con la tecnología de sistemas de seguimiento mediante cámaras dispuestas en los estadios, los analistas comenzaron a disponer de miles de datos en cada segundo de partido, en forma de coordenadas de la posición de los jugadores y de la pelota (un claro ejemplo es la herramienta SportVu con sistemas de seguimiento ubicados en el techo de cada estadio).

La pregunta que motiva este artículo es: ¿de qué forma contribuye la ciencia de datos y la neurociencia a mejorar los deportes de equipo e individuales y cómo agrega valor a las estrategias de juego y al rendimiento de los deportistas? Y por si responder este interrogante fuera poco, ¿es posible que toda esta maquinaria tecnológica del Big Data y la Inteligencia Artificial pueda reemplazar en algún futuro al análisis y conocimiento de los expertos?

Según el Ing. Francisco González, consultor del club español de fútbol Las Palmas, durante un partido se pueden llegar a capturar hasta alrededor de 8 millones de datos, información que no se visualiza a simple vista, ya que se dice que el ojo humano solo es capaz de retener alrededor de un tercio de lo que sucede durante el juego.

Con el paso del tiempo, la ciencia de datos se empezó a introducir con fuerza en el deporte profesional de alto rendimiento: cada vez había más datos (y no sólo estadísticas) procedentes de decenas de cámaras en los estadios, cámaras de televisión o sensores del estilo fitness trackers (relojes, cinturones) que llevan encima los jugadores para medir velocidad, respiración, actividad cardíaca e incluso riesgo de lesiones. A su vez, grandes equipos de fútbol comenzaron a utilizar las llamadas “cámaras tácticas”, que filman a cada uno de los jugadores durante todo el partido. Los datos se empezaron a analizar en 2D, pero luego se pasó al 3D, cobrando muchísima importancia la disciplina de visión asistida por computadora (computer vision).

Un cambio radical es que los análisis se realizan hoy en día mediante aprendizaje automático (machine learning), ya que los algoritmos aprenden a diferenciar cientos de tipos de jugadas según lo que muestran los fríos datos y se convierten en “armas secretas” por las ventajas que pueden proporcionarles frente a otros equipos rivales. Con toda la información (visual y analítica) en tiempo real, se pueden desarrollar complejas simulaciones, observar los resultados y actuar en consecuencia: los propios entrenadores pueden optar en ajustar o modificar tácticas de juego basados en información de valor que se comparte internamente en el equipo. De hecho, los clubes profesionales que cuentan con más presupuesto comienzan a tener, dentro de su organigrama, su propio departamento de ciencia de datos.

Los ejemplos sobran. Algunos opinólogos llegaron a concluir que la tecnología de Big Data (con el consecuente software SAP Match Insights y el sistema de entrenamiento inteligente MiCoach de Adidas) y todos los datos estratégicos que posibilitó, fueron una herramienta clave para el rendimiento de Alemania en el Mundial de Fútbol 2014, triunfo que intentó repetir (sin suerte) en 2018. La Asociación Alemana de Fútbol busca que con este sistema los entrenadores puedan sacar mayor rendimiento a sus jugadores, ya que optimiza la forma en que se los gestiona; innovación que también ya se está usando en la Premier League (inglesa). De hecho, desde 2014 el Arsenal de Inglaterra utiliza StatDNA, para captura y análisis de datos en el fútbol, siendo uno de los pioneros en este tipo de aplicación.

En lo que hace a Big Data en el deporte, la NBA -liga más competitiva del mundo de básquet- también tiene lo suyo; destacados consultores de datos deportivos como Rajiv Maheswaran o Ivana Seric consideran a los jugadores, equipos, jugadas y las ligas completas de básquetbol como “millones de puntos en movimiento“. Analizándolos se pueden diferenciar las jugadas tácticas (bloqueos y continuación, cortes, penetraciones, etc.) y por supuesto calcular todas las estadísticas imaginables sobre los porcentajes de acierto en tiros de dos o de tres puntos, pases, bloqueos y demás.

Por supuesto que también estas herramientas de analytics, de enorme potencial para los clubes, resultan de soporte a las decisiones de adquisición (fichaje) de nuevos jugadores al comienzo de cada temporada o para producir nuevas estrategias de marketing de alguna franquicia o entidad deportiva. Pero no es el objetivo de esta nota ahondar en estos detalles, que también son valiosos para evidenciar cómo la ciencia de datos ya se sumergió en cada una de las instancias del deporte profesional, sea individual o de equipo.

El rol de Metrica Sports: gurúes de software de datos en fútbol

Metrica Sports es una startup que combina datos y videos para optimizar rendimientos futbolísticos. Fue creada en Amsterdam, Holanda, por tres emprendedores que venían del mundo de la academia. Destacados equipos como el Barcelona, Villareal o las selecciones de España y Estados Unidos, ya probaron el software de Metrica (Metrica Play). Su modelo de negocios tiene foco en ayudar a los clubes a comunicar sus análisis de video a través de datos (Data Driven by Analysis), un workflow que no existía hasta ahora en otras empresas competidoras, ya que estaban más enfocadas en las ligas de fútbol o los medios de comunicación.

¿Cómo comenzó la historia? Cuando Bruno Dagnino, físico recibido en la UBA, realizaba su doctorado en Neurociencias en la Universidad Libre de Amsterdam y se disponía a avanzar en la carrera científica, advirtió que necesitaba un cambio. Cansado de los experimentos y el laboratorio, Dagnino conoció a Enzo Angilletta, diseñador audiovisual argentino como él, y a Rubén Saavedra Pascual, un científico catalán con perfil comercial. Entre canchas de fútbol, cervezas y un Barcelona imparable tuvieron una idea: desarrollarían un software capaz de analizar grandes masas de datos y así colaborar con los cuerpos técnicos de los equipos más importantes del planeta. Lo que comenzó como un proyecto en curso se transformó en una empresa que factura más de un millón de dólares anuales y pisa fuerte en los clubes europeos (España, Alemania, Inglaterra). Su software con licencia Freemium y Premium es usado por cientos de clubes, cuentan con usuarios tanto gratuitos como pagos, tienen clientes fijos en Latinoamérica (excepto por Argentina, creen ellos que por un tema de presupuesto) y hasta clubes de cuarta división son destinatarios de su producto. Actualmente tienen en su equipo de trabajo a 11 empleados full time y algunos más part time. Los perfiles que usualmente incluyen en sus búsquedas laborales son: Especialista en Computer Vision e Inteligencia Artificial (Deep Learning) y Desarrollador de Software.

¿Y cómo funciona el software de Metrica? Podría decirse que en fútbol existen dos grandes tipos de datos, los Eventos, que reflejan acciones de juego como remates, pases, faltas y todas aquellas que estamos habituados a ver en las transmisiones televisivas y leer en los informes. Con excepciones, estos datos son capturados con procesos mayormente manuales y a través de analistas viendo el partido. El otro gran grupo lo conforman los datos de Tracking, que miden la posición a cada instante de jugadores y pelota, permitiendo no solamente generar datos físicos, tales como distancias recorridas y la velocidad de los sprints, sino también contextualizar los eventos, permitiendo explicar la dificultad de los pases o la oposición a un remate. Históricamente la obtención de datos de tracking dependía de la instalación de una serie de tres cámaras en los estadios que capturaban la información. Pero en el último tiempo los desarrollos en aprendizaje automático permiten hacer la captura a través del video, simplificando la toma de datos y bajando los costos.

“Nosotros usamos modelos de inteligencia artificial aplicados al fútbol. Se extrae un video por cada partido que considera en primer lugar la posición de los jugadores en el video, con una detección automática de tracks que reconoce a cada jugador y lo sigue durante todo el partido”, explica Bruno Dagnino, cofundador y CTO de Metrica Sports. Este experto, referente dentro de la comunidad de analytics en el fútbol, aclara que si bien hay 11 jugadores por equipo, durante cada partido se van a generar unos 150 tracks, debido a que en algún momento el sistema va a perder la identidad de un jugador o se va a confundir con otro, cuando haya varios jugadores amontonados para un córner por ejemplo va a generar nuevos tracks como si hubiera más de 11 jugadores. “Esa detección de tracks de reconocimiento de objetos y su seguimiento, es realmente automática. No obstante, la otra variable que se debe considerar es la calibración de la cámara, dado que en el video las posiciones de los jugadores están en píxels. Pero si uno quiere saber dónde están parados en la cancha en 2D, la posición real, es necesario el reconocimiento del campo”, complementa Dagnino. “Por último, una tercera variable es el seguimiento (tracking) de reconocimiento de la pelota. Estos son los 3 elementos que salen de nuestros modelos”, aporta el especialista.

Dagnino puntualiza que para algunos clubes que son clientes de élite, se realiza un paso posterior: tomar esos 150 tracks y corregirlos para volver a crear 22 tracks, uno por cada jugador. “Esa es la parte manual de intervención humana, corregirlo cada vez que el sistema se equivoca o que no sabe realmente a quién tiene que seguir. Es una re identificación del mismo jugador en varios frames, pero en cuanto a la información está basada en redes neuronales: se le da un video y devuelve un output, que puede ser la trayectoria de los jugadores, la posición de los jugadores en el video y la calibración de la cámara que permite normalizar esos videos”.

Métricas para los clubes de fútbol

Desde la empresa aclaran que la métrica basada en Eventos más conocida y difundida en medios de televisión en Europa, se llama “Expective Goals” (Goles Esperados), la cual explica qué tan probable es que un jugador vaya a convertir un gol si patea de una cierta posición en la cancha. Para ello suele tomar todos los tiros al arco de la Premier League de 10 años de datos, divide la cancha en cuadraditos de un metro por un metro, o medio metro por medio metro, y se cuentan cuántos goles hubo pateados desde ese cuadradito en proporción a cuántos tiros en total, calculando el porcentaje de probabilidad de anotar desde cada posición. Es una métrica que tiene implicaciones muy grandes para el equipo, desde aprender a patear mejor hasta cómo posicionarse en la cancha para generar una jugada de peligro o bien le permite conocer al club qué problemas estaría teniendo con la definición de la jugada. La otra métrica conocida basada en Tracking es la de Control, que le permite al equipo evaluar de acuerdo a dónde están parados los jugadores, qué parte del campo controla cada equipo respecto al rival. Tiene en cuenta la velocidad, aceleración, posición y otras variables. Se usa para ver qué oportunidades de pase tenía el equipo que no se dieron, qué pases hubiesen sido más riesgosos o menos riesgosos.

Bruno Dagnino

Es claro que el trabajo de Metrica Sports contribuyó a modelar el juego y darle un nuevo entendimiento en varios niveles. Porque el rendimiento del equipo depende de muchísimas variables. No obstante ello, a través del modelado, las métricas de juego ayudan a la toma de decisiones en táctica y estrategia, y a estudiar las decisiones que se tomaron y que tal vez se habría podido encarar de otro modo. “¿Los jugadores tomaron la decisión correcta cuando patearon al arco o no? ¿Tal jugador hizo el movimiento correcto porque generó espacio para otro jugador, o no? ¿Ese espacio que se generó lo aprovechó otro jugador o no? Tiene que ver con estudiar la parte de Decision Making, no tan descriptivo sino sobre cómo evaluar y prescribir mejores formas de aprovechar el campo”, ilustra el CTO de Metrica Sports. Por último, el especialista aclara que el software de presentación visual con que cuenta Metrica sólo se usa en fútbol porque por ahora los modelos sólo están entrenados para ese deporte, pero que de hecho también se puede usar para cualquier deporte (y que se ha usado para hockey, rugby y básquet). “Nuestro propósito es darle la posibilidad a cualquier club de que pueda utilizar nuestra herramienta, por eso también tenemos una versión gratuita (freemium) del software. El trabajo que hacemos no consiste en proveerle el análisis de datos al club que requiere nuestro servicio (cada club tiene su propio análisis) sino en brindarle el soporte para presentar sus datos de manera eficiente, con insights de valor. Al unir los datos con el video, ayudamos a los analistas de los equipos a presentar clips animados mucho más fácil y comunicarlos claramente, ahorrándoles tiempo y dinero”, concluye Dagnino.

Neurociencia del sistema motor: posibles aplicaciones en el deporte

¿Qué es el aprendizaje motor? Suponemos que existen ciertas estructuras cerebrales, como ser el cerebelo que utiliza una copia del comando motor para hacer predicciones de nuestras acciones y sus consecuencias sensoriales, nuestros movimientos, y luego para compararlas con el movimiento real. El aprendizaje motor, en definitiva, trata de acercar la predicción al movimiento real. Más allá de la complejidad del aprendizaje donde están involucradas diferentes regiones de la red motora, en términos generales y de la mano de la supervivencia, el cerebro de los mamíferos (y por ende de los humanos) funciona de manera predictiva. En el entorno, tendemos a tratar de hacer predicciones de lo que va a suceder, para en función de esas predicciones poder tomar decisiones y a partir de ello poder alimentarse, escapar de un predador (animales) o ganar un partido de tenis.

Desde el Laboratorio de Fisiología de la Acción, de doble dependencia entre la Facultad de Medicina (UBA) y CONICET, se enfocan en la neurociencia del comportamiento motor, y está compuesto por ingenieros biomédicos, psicólogos, biólogos, médicos, y especialistas en deporte, además de colaboradores en el área de inteligencia artificial. Sus investigadores utilizan técnicas de estimulación cerebral no invasivas (TMS o TDCS), la resonancia magnética (MRI) y la electroencefalografía (EEG) para estudiar los mecanismos involucrados en la formación y la persistencia de memorias motoras, optimizando terapias actuales de rehabilitación motora. ¿Qué tienen que ver estas investigaciones con el deporte? “Si bien los atletas de elite ya tienen un nivel de expertise muy alto, en el deporte uno podría orientar la atención porque muchos de estos procesos predictivos funcionan con una atención motora que no es consciente”, puntualiza la doctora Valeria Della Maggiore, investigadora independiente de CONICET y Directora del Laboratorio.

La investigadora plantea que un ejemplo sería el de un arquero está por atajar un penal: automáticamente el arquero va a mirar al jugador que patea el penal, va a tratar de tomar distintas referencias del cuerpo de la persona para ver cuán informativas pueden ser esas partes del cuerpo. “Un pateador profesional de penales va a tratar de esconder el movimiento, el impacto del pie en la pelota (golpe) lo más posible para que el arquero no pueda predecirlo. Pero a pesar de que trate de esconderlo, hay movimientos que no va a poder ocultar por un tema de las restricciones biomecánicas que tiene para patear una pelota eficientemente. El arquero va a tomar distintas referencias del pateador y su cerebro puede ir extrayendo una estadística de ello”, aclara Della Maggiore. Y complementa, “para intervenir en el proceso se necesita tecnología, capacidad de cómputo, para tratar de ver cuáles son las referencias que toma el arquero del pateador y conectar esas referencias con la eficacia en atajar el penal. Una vez que tenemos esto cuantificado, en una segunda etapa hay que implementarlo para cada pateador: le decimos que para tal jugador X se enfoque en la cadera izquierda y para el jugador Y se enfoque en el hombro izquierdo. Lo que después nosotros debemos observar es si mejora la eficacia en atajada de penales al enfocarse en la parte del cuerpo que sea más informativa”.

Incluso Della Maggiore cuenta que han tenido conversaciones con entrenadores y deportólogos especializados en el tenis, para realizar estudios de estrategias corporales en tenistas ayudados por tecnología. De este modo, jugadores de tenis podrían generar deducciones sobre qué parte del cuerpo está informándole al otro en el golpe dónde va a terminar tirando la pelota en la cancha, lo cual ayudaría a predecir el juego del rival y complementar las estrategias de entrenamiento.

“A nivel de elite, creo que la destreza no se puede mejorar mucho. Porque estos deportistas, Federer, Del Potro, etc. ya tienen un nivel de destreza altísimo a nivel motor. Lo que quizás se puede hacer es enseñarles a esconder más el golpe. Que sea más impredecible para el otro, que no sea siempre la misma referencia, lo cual es un gran desafío porque se corre el riesgo de que eso empeore la eficiencia del golpe”, afirma la directora del Laboratorio de Fisiología de la Acción.

Valeria Della Maggiore

Y concluye: “para los infantiles que recién están aprendiendo un deporte, se pueden realizar muchas más intervenciones. De hecho, también nuestros experimentos de laboratorio apuntan a trabajar con ventanas de tiempo, para conocer en qué horarios y con qué frecuencia pueden retenerse con mayor eficacia rutinas de aprendizaje motor”.

Desde el Laboratorio de Fisiología de la Acción están buscando incorporar tesistas y becarios para trabajos de análisis de datos, inteligencia artificial y ciencia de datos con base en investigaciones científicas multidisciplinarias. Y aclaran que actualmente no están aplicando estas investigaciones al deporte (ya que los proyectos en curso quedaron frenados por la pandemia) pero que a mediano plazo, sin dudas, se podrían implementar en cualquier disciplina que requiera de investigaciones neurocientíficas.

¿Puede esta maquinaria tecnológica reemplazar en algún futuro al análisis y conocimiento de los expertos?

Ante la pregunta formulada al inicio de este artículo, sobre si estas tecnologías (IA + BIG DATA) reemplazarán en algún momento a los científicos especialistas en Data Mining, la respuesta claramente es no. La ciencia de datos es una actividad multidisciplinaria, que se nutre de diversos conocimientos académicos y el rol del experto del dominio es insoslayable así como la intervención e interpretación humana en la comprensión de este proceso. Por más automatización y aprendizaje por refuerzos que se realice en el juego, el deporte no es la excepción.

Este post fue originalmente publicado en el Blog: http://datamining.dc.uba.ar/predictivos/