[논문 리뷰] Leaving Goals on the Pitch: Evaluating Decision Making in Soccer

Maaike Van Roy, Pieter Robberechts외 3명|arXiv (Cornell University)|2021. 04. 07.

Sports Analytics and Performance참고 문헌 11인용 수 10

한 줄 요약

이 논문은 기계학습과 AI 검증 기법을 융합한 새로운 마르코프 결정과정(MDP) 기반 프레임워크를 제안하여 축구 결정 과정을 평가한다. 두 시즌에 걸친 공격 행동을 모델링하고 MDP에 대체적 가정 질문을 제기함으로써, 팀은 펜alties 박스 외부의 팀별로 특정된 위치에서 더 많은 슈팅을 하면 골을 더 많이 기록할 수 있음을 밝혀내며, 현재 장거리 슈팅을 피하는 경향과 도전한다.

ABSTRACT

Analysis of the popular expected goals (xG) metric in soccer has determined that a (slightly) smaller number of high-quality attempts will likely yield more goals than a slew of low-quality ones. This observation has driven a change in shooting behavior. Teams are passing up on shots from outside the penalty box, in the hopes of generating a better shot closer to goal later on. This paper evaluates whether this decrease in long-distance shots is warranted. Therefore, we propose a novel generic framework to reason about decision-making in soccer by combining techniques from machine learning and artificial intelligence (AI). First, we model how a team has behaved offensively over the course of two seasons by learning a Markov Decision Process (MDP) from event stream data. Second, we use reasoning techniques arising from the AI literature on verification to each team's MDP. This allows us to reason about the efficacy of certain potential decisions by posing counterfactual questions to the MDP. Our key conclusion is that teams would score more goals if they shot more often from outside the penalty box in a small number of team-specific locations. The proposed framework can easily be extended and applied to analyze other aspects of the game.

연구 동기 및 목표

• 축구에서 장거리 슈팅을 피하는 현재의 경향이 데이터 기반 분석에 의해 정당화되는지 평가하는 것.
• AI와 기계학습을 활용하여 팀의 결정 과정을 평가하는 일반적이고 해석 가능한 프레임워크를 개발하는 것.
• 학습된 MDP 모델에 대한 대체적 사고 실험을 통해 다양한 슈팅 전략의 영향을 정량화하는 것.
• 더 높은 골 성공률을 얻을 수 있는 펜alties 박스 외부의 특정 위치를 특정하는 것.

제안 방법

• 저자는 두 시즌에 걸친 축구 경기 이벤트 스트림 데이터를 기반으로 팀의 공격 행동을 마르코프 결정과정(MDP)으로 모델링한다.
• 관측된 선수 행동에서 보상 함수를 유추하기 위해 역강화학습 및 행동 클로닝 기법을 사용한다.
• 학습된 MDP에 대체적 사고 실험을 적용하여, 예를 들어 박스 외부에서 슈팅하는 등의 대체 결정 경로를 시뮬레이션한다.
• 다양한 전술적 선택에 따른 기대 골 성과를 비교함으로써 의사결정의 효능을 검증할 수 있는 프레임워크를 제공한다.
• 장기적인 전략적 결정의 결과를 공식적으로 추론하기 위해 AI 기반 검증 기법을 사용한다.
• 플레이의 공간적 및 시간적 패턴을 기반으로 팀별 최적의 슈팅 영역을 식별하기 위해 방법을 확장한다.

실험 결과

연구 질문

• RQ1 축구에서 장거리 슈팅을 피하는 현재의 경향은 통계적이고 전술적으로 정당화되는가?
• RQ2 펜alties 박스 외부의 어떤 특정 위치에서 더 자주 슈팅을 하면 골 성공률이 높아지는가?
• RQ3 팀이 장거리 슈팅 전략을 더 적극적으로 채택한다면 골 기록은 어떻게 변화할 것인가?
• RQ4 현재의 전술적 행동은 MDP 모델 기반 최적의 결정 과정에서 얼마나 벗어나 있는가?
• RQ5 MDP의 공식적 검증을 통해 실제 팀의 결정 과정에서 숨겨진 비효율성이 드러나는가?

주요 결과

• 특정 위치에서 펜alties 박스 외부에서 슈팅 빈도를 높이면 팀은 유의미하게 더 많은 골을 기록할 수 있으며, 특히 슈팅 품질은 중간 수준이지만 활용도가 낮은 지역에서 그렇다.
• MDP 기반의 대체적 사고 실험 결과, 팀별로 특정된 영역에서 장거리 슈팅 빈도를 늘리면 현재의 전술적 행동에 비해 더 높은 기대 골 성과를 얻을 수 있음을 보여준다.
• 프레임워크는 현재의 장거리 슈팅 회피 전략이 몇몇 팀의 구체적 맥락에서는 최적화되지 않은 전략임을 밝혀내며, 일반적인 전술 기준과 모순된다.
• 모델은 박스 내부에서의 소수의 고품질 슈팅이 항상 더 높은 골 성과를 내는 것은 아니며, 더 많은 양의 정확도 높은 장거리 슈팅이 더 나은 결과를 낼 수 있음을 드러낸다.
• 이 방법은 실제 축구 전술 행동의 전략적 비효율성을 성공적으로 탐지하여, 스포츠 분석 분야에서 공식적 결정 모델링의 가치를 입증한다.