Comment est utilisé l’Intelligence Artificielle dans le Basket-Ball et la NBA ?

Ces dernières années, les caméras de haute technologie ont proliféré dans les plus hauts niveaux du basket-ball. Tentons de comprendre ces initiatives et d’analyser les changements apportés par ces nouvelles technologies d’intelligence artificielle.

Tout a commencé dès 2010 avec la société sportive StatsPerform (ce nom est desormais present sur tous les matchs de NBA), qui a installé les premiers systèmes de caméras SportVU dans les stades de la NBA. Ces caméras étaient a l’époque perchées dans les airs suivant non seulement l’action de jeu, mais aussi les mouvements des joueurs.
En seulement 3 ans, soit en 2013, ces caméras étaient arrivées dans toutes les arènes de la NBA.

Comment cela fonctionne?
Les caméras gardent un enregistrement visuel numérisé de chaque match, collectant bien plus d’informations qu’il n’est possible d’en recueillir avec de simples analyses sur des captasion videos et de l’obversation ou encore de l’anotation. Elles ne se contentent pas de suivre qui marque un panier, par exemple, mais elles capturent également la position et la vitesse de chaque joueur, et si le score provient d’un jeu construit ou d’une pause rapide. Avec autant de données, le challenge est d’extraire des paterns utiles pour aider les joueurs et les entraîneurs à acquérir les meilleurs mouvement et tactiques possibles.

Premieres initiatives d’Intelligence Artificielle

Au début des annees 2010, une dizaine de franchises s’étaient offertes les services de SportVU. Elles avaient alors profité pour passer à un système d’analyse en temps réel, donnant un avantage indéniable sur leurs adversaires, puisqu’elles avaient accès à des statistiques avancées durant les matchs et après les matchs.

Toutes les équipes de la NBA et les entreprises sportives ont convergé vers les mêmes outils puissants: le machine learning et l’intelligence artificielle. Combinées à un flot de données sans précédent, ces techniques révèlent de nouvelles connaissances sur les joueurs individuels, les équipes et leurs adversaires, promettant de changer la façon dont les pros jouent au basket et dont les fans le regardent.

A la meme période, une autre societe est arrivée avec un usage similaire avec le capteur NOAH qui enregistre l’action sur le terrain depuis un perchoir au-dessus du panier. C’etait la premiere initiative a analyser non plus les statistiques mais les mouvements d’ensembles d’une equiope en captant tous les joueurs et tous les mouvements sur le terrain.

L’utilisation du machine learning et de l’IA dans le basket-ball ne représente que le dernier chapitre de la révolution analytique qui a transformé le basket-ball au cours des quelque 15 dernières années. C’est juste une continuité de la captation vidéo et data du début des années 2000 et des etudes statistiques faites à cette epoque.

Bien sûr, les équipes ont longtemps enregistré des statistiques de base telles que les points, les rebonds et les passes (comme le rendu automatise par NOAH visible). Mais avec l’analyse IA, cette approche informatique a permis d’utiliser toute la puissance des mathématiques. À l’aide d’outils statistiques, les premiers data scientist ont conçu de nouvelles mesures et formules qui quantifient et prédisent les performances des joueurs et des équipes. Si vous écoutez tous les matchs de basket ou les émissions sportives aujourd’hui, vous entendrez des termes comme “efficacité offensive” et “PER” (Player efficency rating).

Cette culture de la statistique était déjà répandue en NBA au moment où les équipes ont adopté les premières caméras de suivi. Mais le déluge de données offert par les caméras a exigé une mise à jour des techniques et des logiciels. C’est a ce moment que des societes comme NOAH ou StatsPerform sont arrivées pour traiter les images et mouvements et non plus juste les shoots et points.

L’ accélérateur Deep Learning et Intelligence Artificielle

Durant cette période, des ordinateurs de plus en plus puissants ont permi de nouvelles avancées dans l’apprentissage machine, si bien que les équipes de la NBA et des entreprises comme StatsPerform en ont profité. La tâche consistait à traduire les données de suivi et images en quelque chose d’interpretable et comprehensible de tous, et un objectif majeur, en particulier, était d’identifier des actions spécifiques comme les passes et les jeux communs comme le pick-and-roll, une manœuvre nuancée impliquant le passeur de balle, un coéquipier et deux défenseurs.

L’IA et le Machine Learning étaient parfaits pour cette tâche car, ils sont dediés a la reconnaissance des formes. Et la reconnaissance des formes est précisément ce qu’il faut pour distinguer, les nombreuses variantes d’un pick-and-roll par exemple.

Pour qu’un algorithme puisse apprendre ces formes, il a fallu d’abord les entraîner sur un ensemble de données initiales dans lequel un humain a déjà identifié chaque phase de jeu. Ainsi, plus il y a de données d’entraînement, plus l’algorithme est capable de reconnaître des modèles dans des données qu’il n’a jamais vues auparavant.
Le logiciel qui en résulte peut alors passer en revue toutes les données de suivi, identifier et étiqueter chaque joueur et chaque jeu, et créer une base de données de diagrammes de points en mouvement, interrogeables, annotés et animés, qui représentent chaque joueur.

Plus que juste des tirs, le basket-ball au plus haut niveau est une complexe organisation de cinq joueurs de chaque équipe qui réagissent comme un seul homme. Pour analyser cette danse, StatsPerform se demarque en développant un logiciel qui simule la façon dont une équipe réagirait à un jeu donné.

Grâce à la disponibilité généralisée des données de suivi, les équipes peuvent désormais analyser leurs prochains adversaires de manière détaillée et analyser leurs propres performances après le match. Il ne faut pas oublier de noter que d’autres usages se developpent aussi pour les coah. On peut citer par exemple le programme Bhostgusters qui permet à un entraîneur de dessiner un jeu offensif sur une tablette et de voir comment un adversaire pourrait le défendre (Un football manager, mais real life). Et comme aucune équipe n’est identique, le logiciel tient également compte des différences de style et de staff de chaque équipe.

L’impact de la capacite d’apprentissage des machines (Loi de Murphy) et de l’IA va au-delà des espérances et pourraient ouvrir des portes encore plus grandes pour les fans.

L’une des entreprises ayant pu profité aussi de cette avancé est Second Spectrum, qui fourni une expérience personnalisée de jeu avec des statistiques toujours plus détaillées pour les fans. Par exemple, leur technologie CourtVision superpose des graphiques et des statistiques comme la probabilité qu’un joueur fasse un panier, qui est basée sur l’historique des données. Vous pouvez alors voir les stats changer au-dessus du joueur pendant qu’il court. L’objectif est que cette technologie soit largement disponible sur toutes les émissions et live durant les matchs pour permettre des paris sportif en temps réels.

La NBA a décidé en 2017 de s’orrienter vers Second Spectrum pour le developpement de cette solution de tracking. Capable d’identifier une cinquantaine de mouvements et actions différentes, Second Spectrum a alors intégré des experts capables de comprendre à la fois la technologie utilisée et le basketball en integrant dans leurs recherches les sportifs des universités technologiques les plus prestigieuses Massachussetts Institute of Technology (MIT), University of Southern California (USC) ou bien encore California Tech (Cal Tech).

As @KingJames has dominated the paint this #NBAPlayoffs, @secondspectrum gives us closer look at how!

ECF Game 1: 8:30pm/et @NBAonTNT pic.twitter.com/JlYYgeqhMb

— NBA (@NBA) May 17, 2017

De quelques mouvements reconnus au debut, Second Spectrum est capable desormais d’identifier plus de 5000 différentes actions reconnues, mais aussi de fournir les predictions de résultats des actions. Chance de shoot, chance de marquer, kickout, epullout ou en passe intérieure, etc. permettant de définir des tendances in-fine pour chaque joueur.

Cette prediction en temps reel peut paraitre anodyne, mais peut avoir un impact enorme sur les probabilités en temps réel des paris sportifs, qui sont maintenant légaux dans de plus en plus de pays. Ce In-Play betting prend de plus en plus de place chez les parieurs. Des societes comme txodds sont par exemple capable d’agréger plus de 100 paris en temps réels au travers d’ une API. On pourrait donc voir bientot un systeme capable d’automatiser des paris sportifs base sur la prediction des actions en temps réel, tout ceci sans action humaine.

Futurs matchs reduient a des strategies d’algorithmes?

Mais alors que le sport continue d’adopter l’IA, les machines vont-elles bientôt régner en maître ? Après tout, les meilleurs joueurs d’échecs et de go du monde sont maintenant des ordinateurs. Un futur jeu de la NBA se réduirait-il à une compétition d’algorithmes pour ces décisions ?

C’est en partie grâce à Second Spectrum, et Statsperform, que les analystes NBA ont influencé les strategies et les modeles d’attaques et se sont rendus compte que le tir à mi-distance n’était pas assez rentable et qu’il fallait donc tenter de l’éliminer tant que possible, pour ne prendre que des shoots à plus fortes valeurs. C’est ce qui explique les changements progressifs de style de jeu. Fini les phases de jeu et tirs continus, le 3pts est la solution pour gagner le match. Stats a l’appui.

La prépondérance des 3 points dans la NBA d’aujourd’hui est due à la reconnaissance du fait que les 3 points – avec les layups et les dunks – sont les tirs les plus efficaces statistiquement. Pour autant cela ne signifie pas que cette analyse vient de l’Intelligence Artificielle ou de l’apprentissage automatique. Mathématiquement, cette analyse est quelque chose de tres simple que des equations simples peuvent analyser. Ce n’est donc pas l’IA qui a directement fait changer le style de jeu.

D’apres Dean Oliver, vice-président des sciences des données chez TruMedia, et considéré comme l’un des pionniers de l’analyse du basket-ball: ”C’est peu probable que l’IA bouleverse la stratégie et la tactique” , on ne peut a-priori pas résoudre le problème du basketball comme on peut résoudre un jeu comme le go. Même les jeux de société complexes suivent des règles rigides, alors que le Basket-ball est fluide, les équipes s’ajustant et se réajustant constamment les unes aux autres. “Il n’y a pas de stratégie dominante”, et “Le jeu est encore trop évolutif pour un algorithme.”

Les programmes comme Bhostgusters ne sont pas non plus destinés à remplacer les entraîneurs. Ce qu’ils font, au contraire, c’est aider les entraîneurs à vérifier leur intuition sur un jeu. Ce n’est pas dire à l’entraîneur ce qu’il doit faire. Il s’agit d’aider l’entraîneur dans son travail quotidien.

En effet, le travail d’un entraîneur ne se limite pas à l’élaboration des pièces. “L’élément qui n’est pas autant mis en avant est la capacité des entraîneurs à travailler avec les joueurs, à les motiver, à les faire jouer ensemble”.

L’intelligence artificelle n’a donc pas encore révolutionné le jeu, “Ce qui a changé le jeu de basket-ball par rapport à ce qu’il était il y a dix ans, ce n’est pas l’IA et l’apprentissage machine qui en font partie“. La capacité dévastatrice de joueurs comme Stephen Curry à tirer depuis une distance de 3pts a forcé les équipes à abandonner des stratégies qui étaient autrefois considérées performantes et probablement pas l’Intelligence Artificielle.

En fin de compte, le basket-ball est toujours un jeu joué par des humains et l’habileté, le talent et l’athlétisme seront toujours primordiaux. C’est le caractère aléatoire qui rend le sport passionnant, un sport qu’aucun algorithme ne pourrait etre capable d’un jour prévoir – du moins sur le court terme…

En savoir plus:
– StatsPerform
– SecondSpectrum
– AI in Basketball: A walth of possibilities
– How secondspectrum is reshaping NBA