L'Intelligenza Artificiale è progressivamente diventata parte integrante di sempre più aspetti delle nostre vite, e lo sport non fa eccezione. Per questo motivo, è cruciale che i manager siano consapevoli delle sue applicazioni, delle implicazioni che avrà sull'industria, e delle opportunità e sfide che si prospettano.
Questo articolo è un adattamento conciso della mia Tesi di Laurea Magistrale, intitolata "Game-Changer: Come le tecniche di Machine Learning stanno portando le prestazioni sportive a nuovi livelli, e come i manager possono sfruttarle", e mira a fornire una panoramica qualitativa ad alto livello del percorso evolutivo delle tecniche di Machine Learning (ML) nel settore sportivo.
L'obiettivo di questo studio è fornire risposte a tre principali domande di ricerca:
1. Come le soluzioni di ML stanno pervadendo e trasformando l'industria sportiva?
2. Quali sviluppi possiamo aspettarci nel prossimo futuro?
3. Quali sfide dovranno affrontare i manager?
Per farlo, la metodologia del lavoro prevede:
1. Un'analisi tecnica delle applicazioni di AI nello sport
2. Un caso studio sull'evoluzione degli algoritmi negli scacchi
3. Una panoramica delle tendenze attuali dell'industria
Prima di eseguire l'analisi, è stata condotta una revisione della letteratura per identificare lo stato dell'arte della ricerca in questo campo. Questo processo ha evidenziato una mancanza di meta-analisi e revisioni sistematiche, con la principale risalente a cinque anni fa, e una scarsa presenza di revisioni narrative.
Per quanto riguarda il caso studio, i quattro rivoluzionari articoli utilizzati sono:
1. Shannon (1950), che ha introdotto il primo approccio euristico agli algoritmi di scacchi, utilizzando una strategia di previsione a N-passaggi per massimizzare una funzione di valutazione tramite l'algoritmo minimax.
2. Campbell et al. (2002), che ha presentato Deep Blue, il sistema di scacchi computerizzato in grado di battere il campione del mondo Garry Kasparov grazie a una ricerca parallela efficiente e a hardware all'avanguardia.
3. Silver et al. (2017), che contiene la prima dimostrazione di AlphaZero, il primo algoritmo di scacchi addestrato esclusivamente mediante apprendimento per rinforzo attraverso l'auto-gioco, superando in prestazioni tutti gli algoritmi esistenti.
4. McGrath et al. (2022), dove il modello di apprendimento di AlphaZero è confrontato con quello umano, in un primo tentativo di migliorare la spiegabilità del modello.
Prima di lanciarci nel caso studio, è fondamentale capire come vengono attualmente utilizzati diversi tipi di algoritmi di ML nel settore sportivo. Innanzitutto, l’Apprendimento Supervisionato (Supervised Learning) è la categoria più utilizzata ed è già impiegata, ad esempio, per offrire piani di allenamento personalizzati agli atleti con l'aiuto di un dataset storico etichettato. L'apprendimento non supervisionato (Unsupervised Learning) è invece utilizzato nel rilevamento degli oggetti come nel sistema Hawk-Eye: questi algoritmi possono identificare e tracciare oggetti in movimento senza la necessità di un dataset di addestramento etichettato. L'interesse per l'apprendimento semi-supervisionato (Semi-Supervised Learning) è in aumento, grazie alle opportunità offerte dal Transfer Learning per ottenere prestazioni elevate con una quantità minore di dati: si pensi agli assistenti AI pre-addestrati sul linguaggio naturale e poi fine-tunati per eseguire un compito specifico. Infine, l'apprendimento per rinforzo (Reinforcement Learning) sta ricevendo maggiore attenzione negli ultimi anni, grazie alle sue applicazioni di successo nella strategia sportiva, dal motorsport al calcio.
La scelta degli scacchi come caso studio deriva dal suo potenziale di prevedere cosa accadrà in altri sport, poiché ha sempre rappresentato un terreno di prova per l'AI grazie alla facilità con cui può essere modellato tale gioco. Iniziamo il case study analizzando come gli algoritmi di scacchi sono stati sviluppati per oltre sei decenni: l'approccio euristico prevede la definizione di una funzione di valutazione che calcola il vantaggio o svantaggio di un giocatore in una posizione. Questa funzione tiene conto del materiale (i pezzi catturati da ciascun giocatore) e della posizione (l'impatto delle mosse disponibili, il controllo sulle caselle, la possibilità di arrocco, ecc.). Quindi, questa formula viene utilizzata per valutare tutte le posizioni disponibili per il giocatore, calcolare tutte le risposte dell'avversario per ciascuna di esse, e così via, utilizzando un algoritmo chiamato minimax. La natura esponenziale dei costi computazionali di questa tecnica, detta n-step lookahead, rappresenta un'importante limitazione, considerando che il numero di possibili partite (o percorsi nell'albero) è stato stimato essere superiore a 10^120. Nonostante ciò, Deep Blue di IBM è riuscito a sconfiggere Kasparov con questo algoritmo, grazie a straordinari miglioramenti hardware, a una funzione di valutazione più sofisticata e ad un processo di ricerca nell’albero più efficiente.
Ma la vera rivoluzione ha avuto luogo nel 2017 con il rilascio da parte di Google DeepMind di AlphaZero, un algoritmo di scacchi che ha imparato a giocare senza alcuna conoscenza preliminare del gioco, e senza alcuna partita giocata da umani nel suo dataset di addestramento. Al momento del suo rilascio, AlphaZero era più forte e veloce di qualsiasi altro algoritmo, e la sua pubblicazione ha generato un'ondata di innovazione negli algoritmi scacchistici e nello stile di gioco dei professionisti. Al centro di questa tecnologia ci sono due reti neurali: una rete di value per calcolare le valutazioni delle posizioni e una rete di policy per identificare le mosse ottimali. Il sistema genera nuovi dati giocando contro sé stesso, per poi aggiornare i pesi della rete di policy minimizzando una funzione di perdita che dipende dal risultato della partita, e infine testa questi cambiamenti contro la attuale migliore versione della rete. Questo processo è iterativo, e AlphaZero ha giocato 44 milioni di partite contro se stesso in nove ore di addestramento. La strategia di selezione delle mosse, utilizzata sia durante l'auto-gioco sia durante l'implementazione, utilizza la tecnica di Monte Carlo Tree Search, che impiega simulazioni di Monte Carlo per bilanciare exporation e exploitation nella ricerca delle mosse ottimali.
I risultati impressionanti di questa tecnologia hanno aperto una serie di nuove possibilità e domande, come ad esempio:
· È possibile generare nuove intuizioni nel gioco a livello professionistico scomponendo le previsioni della rete in concetti comprensibili per l'uomo?
· Possiamo ottenere prestazioni ancora migliori fondendo la conoscenza umana e quella della macchina?
· Potremmo affinare i modelli per emulare lo stile di un giocatore, rendendolo uno strumento di supporto all'allenamento incredibilmente potente?
· Si può codificare la conoscenza umana in modo tale da creare allenatori basati sull'AI che riconoscano le idee umane, individuino errori e li spieghino in modo comprensibile ad una persona?
Dopo i risultati straordinari ottenuti negli algoritmi scacchistici, DeepMind ha ampliato il proprio raggio d'azione ad altri sport. Ad esempio, possiamo esaminare TacticAI, un assistente di tattiche per il calcio rilasciato a marzo 2024, attualmente specializzato nella strategia sui calci piazzati. È stato validato in collaborazione con cinque esperti del Liverpool FC (tre data scientist, un video analyst e un assistente allenatore) e il suo scopo è valutare le tattiche attualmente in uso in una squadra e affinarle grazie all'uso delle Graph Neural Networks (GNN). Inoltre, TacticAI offre simulazioni su quale giocatore riceverà il pallone e se effettuerà un tiro, migliorando in questo modo la spiegabilità del modello. Inoltre, la capacità del modello di codificare i dati apre la porta ad applicazioni di ricerca di situazioni specifiche in database video; ad esempio, potrebbe permettere di trovare tutte le situazioni in cui una squadra ha dovuto affrontare una certa tattica da calcio piazzato. Di seguito sono mostrati alcuni esempi dell'output del modello, con gli aggiustamenti costruttivi suggeriti in giallo.
Questo sorprendente sviluppo tecnologico pone nuove sfide per i manager che si occuperanno di progetti di AI nel settore sportivo, e questo lavoro evidenzia sei problemi e presenta una soluzione per ciascuno. Innanzitutto, le preoccupazioni sulla privacy dei dati e la crescente sfiducia della popolazione nell'AI richiedono che i manager si assicurino che questi progetti siano in linea con la strategia aziendale e che siano comunicati in modo trasparente, tenendo presente l'impatto che avranno sulla forza lavoro. In secondo luogo, la qualità dei dati è ancora un problema nella biometria sportiva, e la scarsa disponibilità di dati di alta qualità può ampliare il divario tra le squadre. Collaborare con le federazioni sarà fondamentale per garantire una regolamentazione equa che favorisca la competizione, come dimostrano esempi di successo nella MLB o nella MotoGP. Poi, il rallentamento dell'onda open-source sta mettendo le aziende in una situazione incerta, poiché gli strumenti su cui fanno affidamento potrebbero diventare closed-source in futuro. Le decisioni di make-or-buy (or partner) sono critiche, e la volatilità dei costi del software richiede un'attenta considerazione.
Successivamente, il più grande ostacolo all'adozione dell'AI da parte dei praticanti è la perdita di controllo che essi percepiscono. Per mitigare ciò, i manager dovrebbero sempre iniziare un progetto con l'utente finale in mente e lavorare a ritroso per fornire loro il massimo valore, invece di perseguire "l'innovazione fine a sé stessa". Oltre a ciò, la spiegabilità dell'AI poi aiutare ad aumentare la fiducia in questi strumenti. Poi, ci sono i problemi di budget che affliggono gli sport minori, dove i fondi sono spesso un vincolo per l'innovazione. Esplorare opportunità di transfer learning e condivisione dei dati tra sport che condividono somiglianze (ad esempio, due sport con racchetta) può portare alla generalizzazione dei risultati tecnologici mantenendo i accessibili i costi. Infine, la natura in evoluzione dello sport significa che i modelli di ML sono costantemente a rischio di concept drift: se una componente strutturale dello sport cambia, come un cambiamento nei regolamenti o nelle specifiche degli strumenti utilizzati, la distribuzione dei dati sottostanti cambierà di conseguenza, causando un forte calo delle prestazioni. Mantenere un ciclo di feedback ininterrotto nei modelli in produzione ed effettuare test periodici contro le migliori alternative può mitigare questo rischio costante.
In conclusione, sono presentati i limiti del lavoro e alcune possibilità per ricerche future. I limiti includono la natura qualitativa della ricerca, una mancanza di studi comparativi e un'elevata incertezza nello scenario legale e competitivo attorno all'AI. Le opportunità di ricerca futura riguardano alcuni dei temi che abbiamo toccato: la governance dell'AI e la sua misurazione, l'analisi del sentiment sulle applicazioni sportive dell'AI, e l'esplorazione delle opportunità di transfer learning tra sport simili.
Comments