Universidad Politécnica de Madrid Universidad Politécnica de Madrid

Facultad de Ciencias de la
Actividad Física y del Deporte

La inteligencia artificial y el machine learning como herramienta de apoyo al fútbol

Investigadores de la UPM aplican algoritmos de inteligencia artificial a competiciones de fútbol y demuestran que es posible determinar los comportamientos técnico-tácticos a través de las estadísticas previas de los jugadores.

30.11.2020 (Publicado en upm.es)

En un reciente artículo publicado en la revista International journal of sports science & coaching, un equipo de investigadores de la Facultad de Ciencias de la Actividad Física y del Deporte (INEF) UPM, en colaboración con la empresa Olocip, ha demostrado que se pueden determinar las posiciones de juego en el campo de un grupo de jugadores de fútbol analizando con técnicas de aprendizaje automático la estadística de su comportamiento técnico-táctico. Caracterizar así las posiciones de los jugadores según su comportamiento en el campo proporciona información muy valiosa tanto a los entrenadores como a los analistas de los equipos de fútbol con vistas a mejorar su rendimiento.

Fuente: pixabay

El análisis del juego es una herramienta importante para la comprensión y mejora del rendimiento en los deportes de equipo. Para evaluar los factores asociados al éxito, se utilizan diferentes herramientas para describir los eventos estadísticos que ocurren durante las competiciones de alto nivel. Una de estas nuevas herramientas que se están empezando a implementar en el deporte es la inteligencia artificial.

El objetivo de esta investigación llevada a cabo por un equipo de la Facultad de Ciencias de la Actividad Física y del Deporte de la UPM, fue determinar las posiciones de juego en el campo de un grupo de jugadores de fútbol en base a su comportamiento técnico-táctico utilizando algoritmos de aprendizaje automático.

Para ello, cada jugador fue caracterizado según un conjunto de 52 descriptores no espacio-temporales que incluían variables ofensivas, defensivas y de creación de juego. Los datos analizados comprendieron los registros de los partidos de 18 ligas nacionales entre las temporadas 2012 y 2019. Para probar si las posiciones podrían identificarse a partir del rendimiento estadístico de los jugadores, y para entender mejor las diferencias entre las posiciones, se utilizaron técnicas y algoritmos de inteligencia artificial. A partir de la combinación de ambas técnicas se obtuvieron conclusiones útiles para mejorar el rendimiento de los jugadores y para identificar las posiciones en el campo.

En concreto, la inteligencia artificial fue capaz de distinguir claramente diferentes grupos de jugadores. Y se consiguió sin más información que las estadísticas de sus temporadas anteriores, sin indicar previamente ni su posición, ni pierna dominante ni cualquier otro indicador que pudiera identificar a los jugadores.

Así, por ejemplo, se comprobó que los defensores centrales son los más alejados de los delanteros; que los extremos son los más cercanos a los delanteros; o que los laterales se colocan entre los centrales defensores, mediocampistas y extremos. Sorprendentemente, esta disposición está alineada con las posiciones esperadas de los jugadores en el campo. Además, la técnica empleada fue capaz de identificar grupos de datos erróneos que no eran válidos para el análisis, determinando variables y ligas concretas.

Proyección bidimensional de los jugadores obtenida aplicando la reducción de la dimensionalidad a sus estadísticas. Fuente: UPM

Para distinguir entre los jugadores extremos y delanteros ꟷque en el futbol actual cada vez se parecen más, como por ejemplo el caso de Mbappé, Ansu Fati o Messiꟷ, el algoritmo fue capaz de diferenciarlos con una precisión del 80%. En cuanto a las variables ofensivas, los extremos tuvieron menos efectividad en los disparos y realizaron más centros. En el caso de las variables defensivas, los extremos realizaron más recuperaciones.

Siguiendo con los resultados, en el caso de los centrocampistas defensivos y centrales, que, en base a sus estadísticas previas, se podrían comportar de manera muy similar, fue posible diferenciar a los jugadores con una precisión del 94,14% por medio de 7 variables. Las reglas identifican a los centrocampistas defensivos porque realizan menos despejes y causan menos eventos de fuera de juego. Además, sus despejes tienen una cierta dirección, y ellos usan un pase largo más a menudo que otros jugadores. A su vez, son más veces regateados, pero generan un juego más ofensivo. Estos jugadores hacen más pases al hueco, ejecutan más disparos y desarrollan más jugadas individuales que los centrales. Por otro lado, los centrocampistas defensivos perdieron más duelos de uno contra uno.

Por último, un resultado muy interesante fue la diferenciación entre laterales derechos e izquierdos. La precisión en este caso fue del 99%. La diferenciación entre ambas posiciones se refiere al hecho de que los laterales izquierdos hacen más centros y pases hacia delante. También hacen más pases hacia atrás y son capaces de marcar más goles con diferentes partes del cuerpo que no sean la cabeza o los pies.

En definitiva, según concluye el investigador de la UPM Abraham García: “el estudio demuestra la idoneidad y el potencial de la inteligencia artificial para caracterizar las posiciones de los jugadores de acuerdo con su comportamiento técnico-táctico, proporcionando información valiosa para los entrenadores y los analistas de los equipos de futbol para mejorar tanto el rendimiento de los equipos como la formación e identificación de los jugadores jóvenes en función de su comportamiento.”

In-game behaviour analysis of football players using machine learning techniques based on player statistics. Garcia-Aliaga, Abraham; Marquina, Moises; Coteron, Javier; et al. INTERNATIONAL JOURNAL OF SPORTS SCIENCE & COACHING https://doi.org/10.1177/1747954120959762