Na prvo žogo računalničarji in šport nimajo prav veliko skupnega. Vendar nekateri naravnost obožujejo šport, še posebej ko gre za napovedne modele in simulacije tekem. V reviji Knowledge and information systems so Petar Vračar, Erik Štrumbelj in Igor Kononenko iz Laboratorija za kognitivno modeliranje UL FRI objavili znanstveni članek "Automatic Attribute Construction for Basketball Modelling," v katerem predstavijo napovedni model košarkarskih tekem, ki so ga razvili s pomočjo strojnega učenja.

Potek košarkarske tekme je nadvse negotov. Na to, kateri dogodek bo sledil, je odvisno od tega, kaj vse se je zgodilo doslej. Soočeni smo s problemom, kako vse to upoštevati pri napovedi naslednjega dogodka v igri. Raziskovalci so se odločili s pomočjo strojnega učenja razviti model poteka košarkarskih iger, iz njega pa izluščilti lastnosti igre, ki najbolj vplivajo na rezultat.

Na košarkarskih tekmah t. i. play-by-play statistike v časovnem zaporedju beležijo vse dogodke na tekmi: kdaj je igralec določene ekipe uspešno oz. neuspešno metal za 2 oz. 3 točke, skoke v napadu ali obrambi, proste mete, izgubljene žoge ter prekrške in osebne napake. Raziskovalcem je uspelo razviti metodo za prepoznavo vzorcev v nizih tovrstnih dogodkov v košarkarskih tekmah. Algoritmi strojnega učenja se iz teh vzorcev naučijo povezati značilnosti tekmujočih ekip s potekom dogodkov na igrišču. Na ta način postane računalnik strokovnjak za košarko, ki "razume", kako posamezne prvine športne igre vplivajo na končni rezultat. Omenjena metodologija ni omejena samo na košarko – z njeno pomočjo lahko računalnik analizira prvine drugih športov in postane strokovnjak tudi za vaterpolo, odbojko, rokomet in podobno.

V jedru simulatorja poteka športnih tekem se nahaja napovedni model, ki v vsakem koraku simulacije na vhodu prejme opis trenutne situacije na tekmi, nato v skladu z napovedano verjetnostno porazdelitvijo izbere naslednji dogodek in čas do nastanka tega dogodka. Opis trenutne situacije na tekmi vključuje poleg rezultata in časa do konca tekme še zmogljivosti nasprotnikov. Opis nasprotnikov je ključnega pomena za generiranje verodostojnih simulacij, saj razvoj dogodkov na športni tekmi ni popolnoma naključen, temveč ga oblikujejo zmogljivosti igralcev.

Da bi preverili, če so iz računalnika res naredili tako dobrega strokovnjaka za košarko, ki ga lahko primerjamo s pravimi strokovnjaki z dolgoletnimi izkušnjami in bogatim znanjem, so zagnali simulacijo s pomočjo play-by-play statistik na 3449 tekmah treh sezon rednega dela lige NBA. Rezultati so pokazali, da so napovedni modeli uspešno napovedali potek košarkarske tekme.

Dr. Petar Vračar v rezultatih opaža oster dvig trenda novih dogodkov proti koncu četrtine, kar gre po njegovih besedah pripisati želji ekip, da zaključijo napad pred iztekom igralnega časa. V prvih treh četrtinah je opazen tudi nenaden padec trenda, ki nastopi približno 20 sekund pred iztekom časa. Do tega pride, ker ekipe namerno zavlačujejo z zaključnim metom in tako onemogočijo nasprotniku izvedbo še enega napada. Tega na koncu zadnje četrtine ni zaznati zaradi pripravljenosti ekipe v zaostanku na izvajanje hitrejših in bolj tveganih akcij ter zaradi povečanega števila prostih metov, ki so posledica hitrih osebnih napak.

Verodostojen simulator tekem mora upoštevati vse omejene zakonitosti. Iz zgoraj opisane metode bi se dalo razviti simulator tekem, ki bi postal del večjega ekspertnega sistema. Tako bi simulator pomagal trenerjem pri izbiri igralcev za posamezno tekmo oz. za celo sezono. Aplikacija bi z izbrano postavo igralcev simulirala potek tekme in podala ekspertno informacijo, kateri elementi igre bi ekipo lahko pripeljali do zmage.

O dosežku so pisali tudi v sobotni izdaji časnika Dnevnik:

• Dnevnik: Nastaja ekspertni sistem, ki bi koristil trenerjem (20. 6. 2020)