باید بدانید که ارزیابی یک پاس در فوتبال دیگر به رسیدن یا نرسیدن توپ به مقصد محدود نمی‌شود. تصور کنید هر پاس را در برابر هزاران نسخه‌ی جایگزین بسنجیم تا بفهمیم واقعاً چقدر شانس پیروزی تیم را افزایش داده است.
این رویکرد، مفهوم «مازاد اجرا» را وارد معادلات می‌کند؛ یعنی تفاوت میان اتفاقی که افتاد و اتفاقی که در صورت اجرای متفاوتِ پاس، رخ می‌داد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های پیش‌بینی حرکت در محیط‌های پویا اشاره کردیم، عبور از تحلیل‌های ایستا به سمت شبیه‌سازی‌های پویا، تنها راه دستیابی به دقت در داده‌های با ابعاد بالا است.
بر اساس مستندات این پژوهش که در ۱۰ ژوئن ۲۰۲۶ منتشر شد، چارچوب Monte Carlo Pass Search (MCPS) بر پایه ساختار جستجوی درختی مونت‌کارلو (Monte Carlo Tree Search - MCTS) بنا شده و از سه مؤلفه اصلی تشکیل شده است:
- مدل ارزش: تعیین ارزش تصاحب توپ در هر نقطه.
- مدل جهان: پیش‌بینی مسیر حرکت بازیکنان و تعاملات توپ.
- سیاست (Policy): نمونه‌برداری از نسخه‌های جایگزین پاس با افزودن نویز کنترل‌شده.
به نقل از گزارش منتشرشده در arXiv، تیم تحقیق برای بهینه‌سازی مدل جهان، سراغ SMART رفتند؛ یک تولیدکننده مسیر خودرگرسیو (Autoregressive Trajectory Generator) که در اصل برای خودروهای خودران طراحی شده است. این انتقال تکنولوژی منجر به دستیابی به دقت پیش‌بینی بسیار بالای «بهترینِ ۲۰ مورد» (best-of-20) در مقایسه با مدل‌های پیشین شده است.
این تحول، فرض بنیادی در تحلیل ورزشی را تغییر می‌دهد: فوتبال دیگر یک توالی خطی از اتفاقات نیست، بلکه مجموعه‌ای از درخت‌های تصمیم است که می‌توان آن‌ها را جست‌وجو کرد. این موضوع ثابت می‌کند مدل‌های پیش‌بینی مسیر در صنعت خودرو می‌توانند برای حل ماهیت احتمالی (Stochastic) حرکات انسانی در ورزش به کار گرفته شوند.
گام بعدی شما
- بررسی کدها و نقاط بازرسی (Checkpoints) منتشرشده در arXiv برای پیاده‌سازی روی مجموعه‌داده‌های ورزشی دیگر.
- تحلیل تفاوت میان «ارزش پاس» در مدل‌های استاتیک در مقابل مدل‌های شبیه‌ساز MCPS.
- مطالعه اثر مدل‌های SMART در پیش‌بینی تعاملات چند-عاملی در محیط‌های باز.
اما تأثیر این مدل‌ها بر استراتژی‌های لحظه‌ای مربیان در جریان بازی، ابعاد تازه‌ای از تحلیل داده را می‌طلبد — به بررسی ما درباره‌ی سیستم‌های تصمیم‌یار آنی مراجعه کنید.
گفتگو