‍Avaliar os dados e estatísticas de jogos anteriores já é considerado o mínimo, atualmente, para que um bom time possa avançar no campeonato. O investimento em meios para gerar dados em tempo real, e em pessoas para analisar e agregar esses dados, tem sido cada vez maior. Ter uma grande quantidade de gráficos e mapas de calor está sendo considerado o padrão.
‍
O potencial para esse novo mundo de dados no esporte é quase ilimitado, mas para ser o melhor na competição mais importante do futebol é necessário ir além. Vamos imaginar uma situação hipotética, em que você foi convocado para acompanhar o time técnico da seleção brasileira para a Copa de 2022. Você, como cientista de dados, deve fornecer suporte para o Tite e o resto da equipe, ajudando na tomada de decisão entre um jogo e outro. Seria possível usar as técnicas mais avançadas de machine learning para ajudar o Brasil a dominar o campeonato. O que você faria?
‍

Prevenir lesões
‍

Em esportes de alta performance é muito comum a ocorrência de lesões nos atletas, ainda mais em campeonatos longos, onde eles terão que participar de várias partidas, e com um curto intervalo de tempo entre elas. Jogadores profissionais de futebol podem sofrer entre 2.5 a 9.4 lesões a cada 1 mil horas de jogo, e um terço delas é por sobrecarga do atleta. Portanto, saber avaliar de forma objetiva se o jogador está chegando no seu limite é essencial em um campeonato como a Copa do Mundo. E, machine learning já está sendo usado para ajudar o técnico a tomar a decisão de poupar ou não algum jogador.
‍
Tanto os dados coletados de sensores que o jogador usa durante o jogo ou treino, quanto os exames de imagem em descanso, podem ser usados em conjunto para gerar modelos, que são capazes de ajudar a decidir quais jogadores irão entrar em campo. Inclusive, já temos algumas soluções nacionais sendo utilizadas para esse fim. Técnicas de machine learning já estão se tornando comuns na área da saúde, com modelos de deep learning ajudando a agilizar o diagnóstico de doenças que poderiam passar despercebidas. E nada impede que isso também se torne o cotidiano do técnico de futebol no futuro.
‍

Testar táticas de jogo
‍

Apenas saber quais jogadores estão saudáveis não é suficiente para o técnico. Saber se o time adversário é mais agressivo ou mais defensivo, qual é a média de gols por jogo, média de faltas, quem levou um cartão amarelo ou vermelho em outro jogo: tudo isso pode influenciar como o técnico vai escalar o time e qual formação tática vai usar contra o adversário. São muitos cenários complexos para testar, e tentar estimar qual será o mais bem sucedido é uma tarefa complicada. Para esses problemas, temos uma classe específica de algoritmos de machine learning conhecida como aprendizagem por reforço. Diferente dos algoritmos mais clássicos de aprendizagem supervisionada, onde temos uma quantidade fixa de possibilidades que queremos prever, na aprendizagem por reforço tentamos prever quais ações vão trazer o melhor resultado. Dentro dessa lógica, podemos definir regras muito mais complexas para o modelo, do que poderíamos num algoritmo mais clássico, como por exemplo, dar uma recompensa caso o modelo sugira uma tática que deu certo ou evitar uma que deu errada. É possível treinar um modelo para aprender as táticas do time e do adversário, e usá-lo para prever o que pode acontecer durante a partida. Tendo, assim, várias sugestões de ações para cada possível tática do adversário, auxiliando na tomada de decisão.
‍
Como os modelos de aprendizagem por reforço podem simular uma infinidade de cenários e aprender por tentativa e erro, eles são a classe de machine learning mais próxima de ter algo semelhante a “criatividade” nas respostas, podendo sugerir um plano de ação no qual um humano nunca pensaria (já inclusive brincamos de misturar futebol e aprendizagem por reforço nesse artigo). No campo dos jogos competitivos, esse tipo de algoritmo já está revolucionando, como jamais imaginávamos e hoje é possível, a inteligência artificial competindo com um ser humano. Por isso faz todo sentido aplicá-la no campo.
‍
Esses são alguns exemplos mais complexos, mas vale lembrar que esporte é mais que dados e padrões que se repetem, temos fatores externos que não conseguimos mapear completamente. Essas técnicas não conseguiriam substituir integralmente um ser humano atuando como técnico, que está ali do lado dos seus jogadores, acompanhando cada jogo e treino. Mas o verdadeiro poder dos dados está em auxiliar na busca pelas respostas que ficam difíceis de achar sozinho. Um técnico experiente, sendo auxiliado por uma boa IA com certeza terá o time com mais chances de vencer.
‍
Se quiser saber sobre a Datarisk, acesse nosso site e redes sociais: Instagram, Linkedin e Youtube.

‍
Thanks to Felipe Sassi

‍