Come i talent scout dell’Empoli lavorano insieme all’intelligenza artificiale

Author: Wired

Riuscirà l’intelligenza artificiale a scovare il Cristiano Ronaldo del futuro? O, più modestamente, ad affiancare – più di quanto non accada già oggi con i diversi strumenti a disposizione, fra cui sterminale video library – talent scout e osservatori calcistici nell’individuare i talenti più affini al gioco e agli schemi di una certa società? IBM pensa di sì e da un po’ di mesi ha messo all’opera la sua piattaforma watsonx su due strumenti dedicati proprio all’indagine e al suggerimento dei giovani calciatori più promettenti e di quelli più adeguati a un certo tipo di gioco. Lo ha fatto tempo fa, e sul secondo fronte, con il Siviglia (si chiama Scout advisor) e ultimamente, in Italia, con l’Empoli (il tool a disposizione della società toscana è stato invece battezzato Talent scouting).

“Talent scouting sviluppato per l’Empoli FC e Scout advisor per il Siviglia FC non sono la stessa cosa – spiega a Wired Italia Tomasz Slowinski, IBM Sales manager data, AI & Business automation di IBM Italia – anche se entrambe utilizzano l’intelligenza artificiale di IBM basata su watsonx, la piattaforma di intelligenza artificiale e dati, sono stati personalizzati per soddisfare le esigenze di ciascun club. È importante evidenziare, infatti, che ogni progetto è realizzato “su misura” e si basa sui dati e sulle esigenze specifiche della singola realtà. Quanto realizzato da IBM rimane di proprietà della singola azienda che lo ha commissionato, così come in questo caso del singolo club. Talent scouting di IBM per l’Empoli FC è stato progettato per supportare il club nella ricerca e nello sviluppo di giovani talenti, mentre Scout advisor per il Siviglia FC è stato creato per aiutare il club a identificare i giocatori che meglio si adattano al suo stile di gioco e alla sua cultura. Entrambe le piattaforme utilizzano l’analisi dei dati e il machine learning per fornire informazioni dettagliate sui giocatori, ma sono state personalizzate per soddisfare le esigenze uniche del club”.

Viene da chiedersi da quali database attingano queste soluzioni di intelligenza artificiale, per non rischiare magari di sottorappresentare calciatori di alcune aree geografiche per i quali ci sono meno dati a disposizione o i cui campionati sono meno “tracciati”: “Il dipartimento dati del Sevilla FC ha lavorato con IBM Client Engineering Team e quello dell’Empoli è al lavoro con il nostro partner Computer Gross per sfruttare l’elaborazione del linguaggio naturale di watsonx e i suoi modelli fondativi, e poter così analizzare enormi quantità di informazioni presenti nei database esistenti dei club e valutare potenziali reclute – risponde Slowinski – ciò include sia dati quantitativi, come altezza e peso, velocità, numero di goal o minuti giocati, sia dati qualitativi non strutturati, come l’analisi testuale contenuta nei singoli rapporti di scouting proprietari. Queste soluzioni di AI attingono da una vasta gamma di database del singolo club, inclusi video di partite, statistiche dei giocatori e informazioni sulle loro prestazioni. Watsonx.ai può analizzare dati provenienti da diverse aree geografiche, il che significa che non c’è un problema di rappresentatività dei calciatori tracciati. Tuttavia, la qualità e la completezza dei dati possono variare a seconda della fonte e conseguentemente dell’area geografica. Ad esempio, i dati provenienti da alcune fonti possono essere meno completi o meno affidabili rispetto ad altri, il che può influenzare l’accuratezza delle analisi fornite dalla piattaforma”.

Così, per garantire qualità e affidabilità dei dati IBM watsonx sfrutta una varietà di tecniche di elaborazione dei dati e di machine learning per analizzarli e interpretarli, e rende esplicita la loro provenienza, a beneficio dell’utilizzatore, che sia un manager delle due squadre, lo staff del direttore sportivo o quello del tecnico: “La piattaforma è in grado di integrare i dati da diverse fonti per fornire una visione più completa dei giocatori. Inoltre, può anche imparare dalle preferenze e dalle decisioni prese dagli utenti finali, il che significa che la piattaforma può adattarsi e migliorare nel tempo per fornire analisi più accurate e utili. In entrambi casi è stata apprezzata la strategia di IBM di avere l’approccio aperto nella scelta di modello LLM che da la possibilità di lavorare con i modelli proprietari di IBM (Granite) cosi come con i Modelli di Meta (Llama 3) e Mistral AI e addirittura portare alcuni modelli già sviluppati (Bring Your Own Model-BYOM)”.

Tomasz Slowinski, IBM Sales manager data, AI & Business automation di IBM Italia

La figura dell’osservatore ha già subito in questi anni profonde trasformazioni che lo hanno di fatto reso un esperto navigatore fra piattaforme dedicate, da Opta a StatsBomb passando per Hudl, la sua soluzione SportCode, KlipDraw e Wyscout con sistemi come questi rischia in effetti disparire definitivamente, con il calciomercato – o almeno la fase di scouting per le formazioni giovanili – sempre di più in mano all’intelligenza artificiale. Il manager di IBM non è d’accordo e sposa la tesi di tutti gli sviluppatori di AI, quella dell’affiancamento del lavoro umano: “L’osservatore non rischia certo di scomparire, poiché la tecnologia AI non può sostituire l’esperienza e l’intuito umano – dice – sistemi come questi possono comunque supportare e integrare il lavoro degli osservatori, fornendo loro informazioni e analisi dettagliate per prendere decisioni più informate. In questo modo, la tecnologia AI può aiutare a ridurre il carico di lavoro degli osservatori, permettendo loro di concentrarsi su compiti più strategici e di valore aggiunto”.