Travaillant avec les données de suivi des joueurs à partir de 7 176 coins prises en Premier League en 2020 et 2021, les chercheurs ont commencé par représenter la disposition des joueurs en tant que graphique, avec la position, le mouvement, la taille et le poids des joueurs codés comme des nœuds sur le graphique et les relations entre les joueurs comme les lignes entre eux. Ensuite, ils ont utilisé une approche appelée apprentissage en profondeur géométrique, qui tire parti de la symétrie d'un champ de football pour réduire la quantité de traitement du réseau neuronal nécessaire à faire. (Ce n'est pas une nouvelle stratégie – une approche similaire a été utilisée dans la recherche influente de DeepMind.)

Le modèle résultant a conduit à la création d'un certain nombre d'outils qui pourraient être utiles aux entraîneurs de football. Sur la base de la disposition des joueurs au moment où le coup de pied est pris, Tacticai peut prédire quel joueur est le plus susceptible de créer le premier contact sur le ballon, et si un tir sera pris en conséquence. Il peut ensuite générer des recommandations pour les meilleures façons d'ajuster la position et le mouvement des joueurs pour maximiser les chances qu'un tir soit pris (pour l'équipe attaquante) ou le minimiser (pour l'équipe en défense) – décalé un défenseur pour couvrir le poteau proche , par exemple, ou mettre un homme au bord de la zone.

Les experts du football de Liverpool aimaient en particulier la façon dont les recommandations de Tacticai pouvaient identifier les attaquants qui étaient critiques pour le succès d'une tactique particulière, ou les défenseurs qui étaient «endormis au volant», dit Veličković. Les analystes passent des heures à passer à travers des séquences vidéo à la recherche de points faibles dans les configurations défensives de leurs adversaires qu'ils peuvent cibler, ou à essayer de trouver des trous dans les performances de leur propre équipe pour doubler l'entraînement. “Mais il est vraiment difficile de suivre 22 personnes, dans de nombreuses situations différentes”, explique Veličković. “Si vous avez un outil comme celui-ci, cela vous aide immédiatement à voir quels joueurs ne bougent pas de la bonne manière, quels joueurs devraient faire quelque chose de différent.”

Tacticai peut également être utilisé pour trouver d'autres coins qui présentent un modèle similaire de joueurs et de mouvement, ce qui permet de gagner des heures de temps pour les analystes. Selon DeepMind, les suggestions faites par le modèle ont été considérées comme utiles par les entraîneurs de Liverpool deux fois plus souvent que les techniques actuelles, qui sont basées uniquement sur les coordonnées physiques des joueurs et ne prennent pas en compte leur mouvement ou leurs attributs physiques. (Deux coins peuvent se ressembler, mais si le grand attaquant est au bord de la boîte en l'un et coulant vers le poteau proche de l'autre, c'est probablement important.)

Une chose que cela fait également, selon le Zhe Wang de Deepmind, un autre contributeur principal au journal, consiste à compenser le manque de langage approprié pour décrire la gamme vaste de différentes choses qui peuvent se produire dans un coin. Contrairement au football américain, qui a une nomenclature profonde et légendaire pour différents jeux et routes de course, le chorégraphie des décors de football est en détail un phénomène relativement nouveau. «Différents entraîneurs peuvent avoir leurs propres expressions pour les modèles de coups de pied d'angle qu'ils observent», explique Wang. «Donc, avec Tacticai, nous espérons utiliser le pouvoir de l'apprentissage en profondeur pour établir une langue commune pour décrire les modèles de coups de pied d'angle.»

À l'avenir, selon le document, les chercheurs espèrent intégrer Tacticai dans une interface en langage naturel afin que les entraîneurs puissent le remettre en question dans le texte et obtenir des réponses aux problèmes qu'ils essaient de résoudre sur le terrain. Veličković dit que le modèle pourrait être utilisé pendant un match pour aider les entraîneurs à affiner leurs routines d'angle à la volée, mais qu'il est probablement utile dans les jours précédant un match, où il libérera le temps des entraîneurs. «Nous ne voulons pas construire des systèmes d'IA qui remplacent les experts», explique Veličković. «Nous voulons construire des systèmes d'IA qui amplifient les capacités des experts afin qu'ils soient ensuite en mesure de faire leur travail beaucoup plus efficacement et d'avoir plus de temps pour la partie créative du coaching.»