למידת עומק לזיהוי מערכי טקטיקה דינמיים בכדורגל מקצועני

לקרוא את המשחק בעזרת בינה מלאכותית

כשהאוהדים צופים במשחק כדורגל הם מדברים פעמים רבות על מערכים כמו 4-4-2 או 4-3-3. אך על הדשא הצורות הללו מתעקלות, נמתחות ומשתנות כל הזמן כשהשחקנים רצים, לוחצים ונוספים אחורה. המאמר הזה מראה כיצד בינה מלאכותית מודרנית יכולה לעקוב אחר הדפוסים המשתנים האלה בזמן אמת, ולהפוך נתוני תנועה גולמיים לתמונה מפורטת של האופן שבו הקבוצות משחקות, שנייה אחרי שנייה.

למה מערכים הם יותר ממספרים

המערך של קבוצה הוא יותר משורת מספרים על לוח טקטיקה. הוא התכנון שמארגן היכן השחקנים עומדים, כיצד הם נעים ביחד וכיצד הם עוברים בין התקפה להגנה. ניתוחים מסורתיים הסתמכו על מאמנים שצופים בווידאו ועורכים תצפיות — תהליך איטי וסובייקטיבי שמתקשה לתפוס שינויים עדינים. אפילו שיטות מחשוב מוקדמות בדרך כלל קיבעו את הפעולה לצילומי מצב סטטיים, תייגו כל אחד מהם במערך יחיד והתעלמו מהזרימה הרציפה של המשחק. כתוצאה מכך הם הפסידו תכונות מרכזיות של הכדורגל המודרני: החלפת תפקידים בזמן אמת, קווים שנעים בהרמוניה ואסטרטגיות שפורשות בקני מידה של זמן שונים, מלחץ מהיר ועד התאמה טקטית ארוכת טווח.

מתנועה גולמית לתובנות טקטיות

המחברים מציעים מודל בינה מלאכותית חדש, Hierarchical Dual-Stream Spatiotemporal Graph Transformer (HDS-SGT), שבנוי במיוחד כדי לעקוב אחר התנועות המורכבות הללו. הוא מקבל כקלט את נתוני המעקב המקובלים בכדורגל האליטיסטי: מיקומיהם הדו־ממדיים של כל שחקני השדה, מדגמים עשר פעמים בשנייה, בנוסף למידע נגזר מהמיקומים כגון מהירות, תאוצה ומרחקים בין שחקנים. לפני תחילת הלמידה, המערכת מנקה ומנרמלת את הנתונים — מרכזה מחדש סביב הקבוצה, מיישרת מדידות רועשות ומוסיפה תכונות שמצלמות עד כמה השחקנים דחוסים או פרוסים. זה מאפשר לזהות את אותו מערך בין אם הקבוצה מגינה עמוק ובין אם היא לוחצת גבוה על המגרש.

שתי דרכים לחזות מרחב וזמן

HDS-SGT מנתח את המשחק דרך שתי עדשות משלימות. זרם אחד מתייחס לקבוצה כרשת: כל שחקן הוא נקודה, וקשרים נוצרים בין שחקנים שנמצאים קרובים מספיק על המגרש כדי להשפיע זה על זה. מבט מבוסס הגרף הזה מסייע למודל ללמוד דפוסים כמו קווים דחוסים בהגנה או משולשים בקישור. במקביל, זרם שני מתמקד באיך הצורה הכוללת של הקבוצה מתפתחת במשך קטעי זמן ארוכים יותר. הוא מדחס את תנועת כל השחקנים לאותות ברמת הקבוצה ומשתמש במנגנון תשומת לב — שפותח במקור לתרגום שפה — כדי לגלות אילו רגעים מהעבר חשובים ביותר להבנת ההווה. מהותי הוא שזרם זה פועל במספר קני מידה של זמן בו‑זמנית, ממעברים מהירים של כמה שניות ועד לארגון מחדש איטי לאורך דקה שלמה של משחק.

לעקוב אחרי תפקידים ולא אחרי מספרי חולצות

היבט מאתגר במיוחד בכדורגל המודרני הוא שהשחקנים מחליפים תפקידים לעתים קרובות: בלם־קצה דוחף קדימה כמו קיצוני, קשר יורד לקו ההגנה או חלוץ מוביל את הלחץ במרכז המגרש. תויות קבועות הקשורות למספרי חולצות אינן יכולות לעמוד בקצב הנזילות הזו. כדי להתמודד עם זה, המודל כולל מודול שיוך תפקידים דינמי. במקום להניח ששחקן מסוים הוא תמיד, למשל, מגן שמאלי, הוא לומד "תבניות תפקיד" גמישות המבוססות על התנהגות השחקנים. בכל רגע הוא משווה את התנועה והמיקום הנוכחיים של כל שחקן לתבניות אלה ומקצה להם שילוב של תפקידים שיכול להשתנות בצורה חלקה לאורך הזמן. עונש מובנה מפחית קפיצות תפקיד בלתי מציאותיות וידמה את העובדה ששינויים טקטיים אמיתיים בדרך כלל מתרחשים על פני מספר שניות ולא ברגע בודד.

מה המודל השיג במשחקים אמיתיים

החוקרים בדקו את המערכת על נתוני מעקב מ-847 משחקים מקצועניים בתחרויות שונות, שכללו יותר מ-1,200 שעות משחק. מאמנים מומחים סיפקו תיוגים מפורטים, שסימנו לא רק איזה מערך שימש אלא גם מתי הקבוצות היו בתהליך שינוי צורה. בהשוואה לטווח רחב של שיטות קיימות — ממודלים סטטיסטיים קלאסיים ועד ארכיטקטורות למידת עומק מודרניות — HDS-SGT הוכיח דיוק גבוה בהרבה. הוא זיהה מערכים נכון בכ־95% מפרקי הזמן וזיהה מעברים טקטיים עם ציון F1 גבוה, מדד מאוזן של דיוק ושליפה. הרווחים הללו היו חזקים במיוחד עבור מערכים נדירים או יוצאי דופן ועבור רגעים מורכבים בהם שחקנים רבים משנים מיקומים בו‑זמנית. חשוב לציין שאחרי אימון המודל יכול לרוץ במהירות מספקת על כרטיס גרפי סטנדרטי כדי להתעדכן במשחק חי, ולנתח יותר מעשרים פריימים של נתוני מעקב לשנייה.

מכלי מעבדה לעוזר על הקווים

לתלמיד מבט חיצוני, המסקנה המרכזית היא שעבודה זו הופכת את הרעיון המעורפל של "צורה" למשהו שמחשב יכול לעקוב אחריו בזמן אמת. על ידי שילוב מבט רשת על יחסי שחקנים, מבט רב־קנה מידה על אופן פריסת הטקטיקה לאורך זמן ורעיון גמיש של תפקידי שחקן, המערכת יכולה לזהות לא רק איזה מערך קבוצה משתמשת בו, אלא גם מתי מערך זה מתחיל להשתנות. בעוד שהמחקר מתמקד בנתוני מעקב אליטיסטיים וחומרה ספציפית, הגישה מצביעה על כלים עתידיים שיכולים לתמוך במאמנים, אנליסטים ואפילו מפיקים — ולהציע תובנה חיה ואובייקטיבית לסיפור הטקטי הנסתר שמתפתח מתחת לפני השטח של כל משחק.

ציטוט: Wang, Y., ShangGuan, Q., Chen, G. et al. Deep learning for dynamic tactical formation recognition in professional football. Sci Rep 16, 13846 (2026). https://doi.org/10.1038/s41598-026-41383-9

מילות מפתח: טקטיקות כדורגל, ניתוח מערכים, אנליטיקה ספורטיבית, למידת עומק, נתוני מעקב שחקנים