Ejemplos de objetivos esperados (XG) y modelos de control de tono con nuestro conjunto de datos simulado. Crédito: ARXIV (2025). Doi: 10.48550/arxiv.2503.19809
Los equipos deportivos profesionales vierten millones de dólares en análisis de datos, utilizando sistemas de seguimiento avanzado para estudiar cada sprint, pase y decisión en el campo. Sin embargo, los resultados de ese análisis son los secretos de la industria, lo que dificulta los deportes de los investigadores.
Ahora, dos investigadores de la Universidad de Waterloo, el Dr. David Radke y Kyle Tilbury están utilizando AI para nivelar el campo de juego. El estudio “,Simulando datos de seguimiento para avanzar en la investigación de análisis deportivo“Apareció en las actas de la 24ª Conferencia Internacional sobre Agentes Autónomos y Sistemas Multiagentes y se publicó en el servidor de preimpresión ARXIV.
Tocando Google Research Football Entorno de aprendizaje de refuerzo, los investigadores desarrollaron un sistema que puede simular y registrar partidos de fútbol ilimitados.
Para comenzar las cosas, generaron y guardaron datos de 3.000 juegos de fútbol simulados, lo que resultó en un conjunto de datos rico y complejo de pases, objetivos y movimientos de jugadores para que los investigadores estudien.
“Si bien los investigadores tienen acceso a muchos datos sobre deportes episódicos como el béisbol, los deportes continuos del juego de invasión como el fútbol y el hockey son mucho más difíciles de analizar”, dijo Radke, un reciente Ph.D. de Waterloo. Graduado en Ciencias de la Computación y actualmente un científico de investigación senior para los Blackhawks de Chicago de la NHL.
“Si bien los jugadores generados por IA podrían no jugar exactamente como Lionel Messi, los conjuntos de datos simulados que generan aún son útiles para desarrollar herramientas de análisis deportivo”.
Los conjuntos de datos como los generados por el equipo son particularmente útiles para investigadores, fanáticos entusiastas y equipos de investigación más pequeños que pueden no tener un acceso extenso a datos deportivos propietarios.
“Permitir que los investigadores tengan estos datos abrirán todo tipo de oportunidades”, dijo Tilbury, un Ph.D. de Waterloo. Estudiante en informática que coautora igualmente la investigación. “Es una democratización del acceso a este tipo de datos de análisis deportivo”.
“Si bien los conjuntos de datos como el generado por el equipo son particularmente interesantes para los entusiastas del deporte, también tienen mayores implicaciones para la investigación de IA.
“En esencia, el análisis deportivo de Invasion-Game se trata de comprender sistemas múltiples complejos”, dijo Radke.
“Cuanto mejor somos para modelar la complejidad del comportamiento humano en una situación deportiva, más útil es para la investigación de IA. A su vez, los sistemas multiagentes más avanzados nos ayudarán a comprender mejor los deportes del juego de invasión”.
Radke y el equipo creen que el futuro del análisis deportivo se basa en el progreso en el espacio de los datos de seguimiento. Por lo tanto, esperan que los investigadores interesados en los deportes sin acceso a los datos de seguimiento utilizarán sus conjuntos de datos y repositorio para obtener experiencia trabajando con este tipo de datos.
Más información: David Radke et al, simulando datos de seguimiento para avanzar en la investigación de análisis deportivos, ARXIV (2025). Doi: 10.48550/arxiv.2503.19809
Información en el diario: ARXIV
Proporcionado por la Universidad de Waterloo
Cita: Cómo AI está abriendo el libro de jugadas sobre análisis deportivo (2025, 3 de septiembre) recuperado el 3 de septiembre de 2025 de https://techxplore.com/news/2025-09-ai-playbook-sports-analytics.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
