Cómo la IA está cambiando el mundo explicado a través del fútbol

9 de enero de 2024

La Inteligencia Artificial ha abierto un nuevo horizonte de posibilidades tecnológicas que día tras día son capaces de dejarnos sin aliento. Todos estos avances y desarrollos están llegando a una velocidad de vértigo, y esto produce que estar al día del contexto completo sea lejos de una tarea muy difícil, totalmente imposible.

A lo largo de este artículo, con el fin de estar un poquito más al día de qué está sucediendo, y dónde y cómo se está aplicando, hablaremos de las soluciones que se han encontrado y se usan en un campo muy conocido y seguido por millones de personas: el futbol.

El spot publicitario de Nike (2014)

Para entrar en contexto, y como guía de este post, vamos a recordar un spot de futbol muy popular. Muchos de vosotros recordaréis un anuncio muy famoso que Nike sacó cuando se celebró en Brasil el mundial de futbol en 2014. En este, las estrellas del momento eran sustituidas por unos humanoides con aptitudes perfectas para jugar al futbol.

Los humanoides que he mencionado vamos a considerar, de ahora en adelante, que son las IAs del spot. Y esta fue la primera fantasía que, hoy en día, podemos decir a ciencia cierta se ha cumplido del anuncio.

Fotograma del spot de nike "The Last Game", en el que el creador de la inteligencia artificial que sustituye a los jugadores reales habla en términos estadísticos y cuantitativos de jugadores conocidos, en el caso de la imagen, de Zlatan Ibrahimović.

Lo segundo que también se ha cumplido es más cuantitativo; el análisis exhaustivo de los jugadores reales, la extracción de estadísticas y predicciones en base a su juego.

A través de las siguientes líneas vamos a indagar sobre cómo se ha logrado llegar a este punto, que en 2014 (¡parece que fue ayer!) parecía tan futurista y lejano. Vamos a analizar cómo la aplicación de la IA ha cambiado la forma en la que disfrutamos los partidos de futbol y la manera en la que se trabaja en la industria en este deporte tan seguido a lo largo y ancho del mundo.

Robots (reales) que juegan a fútbol (2023)

La primera de las sorpresas con las que, en el futbol, la realidad ha superado a la ficción, se dio este año 2023. A principios de año la empresa Google DeepMind sacó un artículo científico con videos complementarios en el que se exponía un enorme hito alcanzado: el aprendizaje por parte de un robot de un deporte complejo como el futbol.

La empresa investigó si el Deep Reinforcement Learning puede enseñar a un robot habilidades complejas y seguras para jugar fútbol. Estos agentes fueron entrenados en un entorno de autoaprendizaje simulado, que posteriormente fue extrapolado a un entorno real.

Entrenamiento con Deep Reinforcement Learning de una IA DeepMind en entorno simulado.

Una de las dificultades de pasar de un entorno simulado a la realidad es que… es imposible simular la realidad tal y como es al 100%. En el entorno simulado, el agente aprendió movimientos dinámicos, estrategias básicas de juego y Google DeepMind logró transferir esas habilidades a robots reales, que lograron jugar al futbol.

Robots de DeepMind jugando a fútbol en un entorno real

Antes de avanzar, hemos mencionado un tipo de aprendizaje, el Deep Reinforcement Learning, pero ¿qué es exactamente? En breves palabras podríamos decir que consiste en que las máquinas aprendan por sí mismas algo específico a partir de ciertas reglas.

Los elementos clave del Deep Reinforcement Learning incluyen:

Agente: Es la entidad de toma de decisiones que interactúa con el entorno. Puede ser un programa informático, un robot o cualquier otro sistema capaz de percibir su entorno y tomar acciones.
Entorno: Es el contexto en el que opera el agente. Puede ser real o simulado.
Acciones: Son las decisiones que el agente puede tomar en un momento dado.
Estado: Es la representación actual del entorno en un momento específico.
Recompensa: Es la señal de retroalimentación que el entorno envía al agente después de que este realiza una acción. El objetivo del agente es maximizar la recompensa acumulada a lo largo del tiempo.
Política: Es la estrategia que el agente utiliza para seleccionar acciones en un estado.
Función de valor: Evalúa la utilidad o el valor esperado de un estado o una acción en función de las recompensas futuras que se esperan recibir.

En resumen y explicado de forma muy simple, se podría decir que

Deep Reinforcement Learning es el modo de aprender que tiene un niño.

A partir de un objetivo establecido, se busca ejecutar unas acciones en un entorno que aproximan a o alejan al niño del objetivo. El aproximarse al objetivo se compensa (dopamina en el caso de los humanos, en la mayoría de los procesos de aprendizaje), y el alejarse del objetivo se penaliza.

✅ En el ejemplo del niño, si analizamos el proceso de aprendizaje de andar, podríamos decir que, en un entorno como el del salón de una casa, un parque, etc., un niño (agente), recibe penalizaciones, dolor por caídas, por ejemplo, si no logra aproximarse al objetivo. En caso de lograr acercarse al objetivo o ser incluso capaz de andar, recibe compensaciones (aplausos, besos, ánimos, satisfacción, etc.).

Este tipo de aprendizaje, algoritmos mediante, es por supuesto extrapolable a máquinas.

En la siguiente tabla podemos ver cómo son las recompensas en función de las consecuencias de las acciones (controlar, avanzar, regatear, chutar, etc.), que ejecutan en el entorno (campo de futbol) los agentes (robots). Se puede ver muy claramente que el marcar gol es la recompensa máxima.

Fragmento del cuadro de política de compensaciones del paper Learning Agile Soccer Skills for a Bipedal Robot with Deep Reinforcement Learning de Google DeepMind

Si bien es cierto que los robots humanoides de Google DeepMind distan mucho de las IA del spot de Nike… ¡no anotaría tan rápidamente un tanto a la especie humana! Merece la pena recordar que en juegos tan complejos y famosos como el ajedrez o el juego Go la probabilidad de ganar a una máquina de un profesional es, hoy en día, muy reducida.

La IA tambien entrenada con Deep Reinforcement Learning que venció al campeón mundial de Go, también lleva marca DeepMind.

Analítica vanzada aplicada al fútbol

Llegados a este punto hemos cubierto una de las profecías cumplidas del anuncio, sistemas de IA que son capaces de jugar al futbol, pero ¿qué hay hoy día respecto a la deconstrucción numérica de jugadores, predicciones, estadísticas, etc.?

Si bien es cierto que la deconstrucción en indicadores numéricos de un jugador es algo que se lleva haciendo durante décadas, los métodos clásicos distan mucho de la forma de hacerlo hoy en día.

Las estadísticas de los jugadores han sido recopiladas históricamente por personas a mano y a juicio de sus ojos. Este proceso, de elevado valor para los clubes, hoy en día y gracias a la inteligencia artificial se ha automatizado de forma paroxística logrando tener un alcance total y absoluto de todos los jugadores, todas las ligas, etc.

¿Cuáles son los límites del alcance de este proceso hoy día? Hasta donde pueda llegar una cámara de vídeo, en otras palabras, hasta donde llegue un smartphone.

Existen numerosas empresas que ofrecen servicios a clubes de futbol basándose en la rica y diversa información con la que cuentan en sus bases de datos. Información recopilada gracias a la grabación de cientos y cientos de partidos, de una suerte de ligas y categorías, desde niños a fútbol profesional.

¿Su objetivo? Encontrar el diamante en bruto, encontrar la promesa futbolera de corta edad antes que la competencia. O encontrar un jugador que pueda cubrir una sustitución por lesión, venta, etc., que sea lo más similar posible (aquí hablamos de similitud matemática) al jugador lesionado o que se ha vendido. O simplemente encontrar a un jugador que cumpla una serie de características exactas expuestas por el técnico de un equipo. Análisis de fortalezas o debilidades de equipos (propio o contrario), etc.

✅ Todo esto se logra gracias a la mezcla de dos disciplinas tecnológicas en auge, como la visión artificial (computer vision) y el deep learning, que es, a trazos muy genéricos, una subdivisión del aprendizaje automático (machine learning) que emplea la potencia del algoritmo de redes neuronales para abordar tareas predictivas vinculadas con imágenes o texto principalmente.

Conoce la diferencia entre machine learning y deep learning →

Consecuentemente un ordenador puede detectar que un conjunto de píxeles es un número y a su vez que ese número es un 10, por ejemplo (esto podría usarse para identificar dorsales, ¿no?). Asimismo, estos algoritmos pueden identificar que un conjunto de píxeles que conforman un cuerpo redondo es un balón de fútbol, etc.

Mediante deep kearning se logran identificar todos los elementos de un partido para su futuro análisis

Los algoritmos de deep learning habilitan el análisis fotograma por fotograma de una grabación de un partido y son capaces de interpretar qué está ocurriendo en cada momento, por ejemplo:

Qué jugador es quién (identificando los números de los dorsales, por ejemplo).
Quién tiene la pelota.
A qué velocidad se mueve cada jugador.
Cuáles son las zonas en las que los jugadores suelen tener más presencia.
Cuántos pases (efectivos y no efectivos) realiza cada jugador.
...
El límite de los KPI está en la creatividad.

✅ Numerosos clubes de las principales ligas europeas ya se apoyan en este tipo de software para tomar decisiones data-driven, con excelentes resultados.

Conclusión

Sin duda alguna la capacidad de sorprender en materia de avances en inteligencia artificial no tiene límites. En menos de una década se ha pasado de la ciencia ficción de un spot publicitario a la materialización real.

Estos avances tan rápidos y repentinos, que en muchos casos pueden suponer cambios en nuestras vidas, pueden resultar en primera instancia abrumadores y pueden causar desconfianza.

Y para que no cunda el pánico para aquellos que ven los avances de la IA con miedo y escepticismo dejo por aquí un pequeño spoiler del spot de Nike: