Profesyonel futbolda dinamik taktiksel diziliş tanıma için derin öğrenme

Oyunu Yapay Zekâ ile Okumak

Taraftarlar bir futbol maçını izlerken sıklıkla 4-4-2 veya 4-3-3 gibi dizilişlerden söz ederler. Ancak sahada bu biçimler oyuncuların sprintleri, presleri ve geri çekilmeleriyle sürekli bükülür, uzar ve dönüşür. Bu makale, modern yapay zekânın bu sürekli değişen kalıpları gerçek zamanlı olarak nasıl izleyebildiğini gösteriyor; ham hareket verisini, takımların aslında saniye saniye nasıl oynadığını detaylı bir resme dönüştürüyor.

Dizilişler Sayılardan Daha Fazlasıdır

Bir takımın dizilişi, taktik tahtasındaki bir sayı sırasından daha fazlasıdır. Oyuncuların nerede durduğunu, nasıl birlikte hareket ettiklerini ve hücum ile savunma arasında nasıl geçiş yaptıklarını düzenleyen bir taslaktır. Geleneksel analizler, videoyu izleyen antrenörlerin not tutmasına dayanıyordu—yavaş, öznellik içeren ve ince değişimleri yakalamakta zorlanan bir süreç. Daha önceki bilgisayar temelli yöntemler bile genellikle aksiyonu statik anlara sabitleyip her birini tek bir dizilişle etiketleyerek oyunun sürekli akışını görmezden geliyordu. Bunun sonucu olarak modern futbolun kilit özellikleri kaçırıldı: oyuncuların anında rollerini değiştirmesi, hatların birlikte kayması ve stratejilerin birkaç saniyelik sert preslerden dakikalar süren taktiksel yeniden düzenlemelere kadar farklı zaman ölçeklerinde ortaya çıkması.

Ham Hareketten Taktiğe İçgörüye

Yazarlar, bu karmaşık hareketleri izlemek için özellikle tasarlanmış Hiyerarşik Çift-Akış Uzam-Zaman Graf Dönüştürücüsü (Hierarchical Dual-Stream Spatiotemporal Graph Transformer, HDS-SGT) adlı yeni bir yapay zekâ modeli öneriyor. Giriş olarak elit futbolda yaygın olan takip verilerini alıyor: her bir saha oyuncusunun iki boyutlu konumları, saniyede on örnekleme ile, artı bu pozisyonlardan türetilen hız, ivme ve takım arkadaşları arasındaki mesafe gibi bilgiler. Öğrenme başlamadan önce sistem veriyi temizliyor ve standartlaştırıyor—takımı merkeze alarak yeniden konumluyor, gürültülü ölçümleri süzüyor ve oyuncuların ne kadar sıkı kümelendiğini veya ne kadar yayıldığını yakalayan özellikler ekliyor. Bu, bir takım derin savunma yaparken ya da rakip yarı sahada yüksek pres yaparken aynı dizilişi tanımayı mümkün kılıyor.

Uzay ve Zamanı Görmenin İki Yolu

HDS-SGT maçı iki tamamlayıcı mercek aracılığıyla analiz ediyor. Bir akış takımı bir ağ olarak ele alıyor: her oyuncu bir nokta ve saha üzerinde birbirlerini etkileyecek kadar yakın olan oyuncular arasında bağlantılar oluşuyor. Bu graf tabanlı bakış, modele sıkı savunma hatları veya orta sahadaki üçgenler gibi kalıpları öğrenmede yardımcı oluyor. Aynı zamanda ikinci bir akış takımın genel şeklinin daha uzun zaman dilimleri boyunca nasıl evrildiğine odaklanıyor. Tüm oyuncuların hareketini takım düzeyinde sinyallere sıkıştırıyor ve dil çevirisi için geliştirilen bir dikkat mekanizmasını kullanarak geçmişteki hangi anların bugünü anlamada en önemli olduğunu keşfediyor. Kritik olarak, bu ikinci akış birkaç zaman ölçeğinde aynı anda çalışıyor; birkaç saniyedeki hızlı kaymalardan bir dakikalık oyunda gerçekleşen daha yavaş yeniden yapılanmaya kadar.

Forma Numaraları Değil, Roller İzleniyor

Modern futbolun özellikle zorlu bir yönü, oyuncuların görevleri sık sık değiştirmesidir: bir bek kanat oyuncusu gibi ileri çıkabilir, bir orta saha oyuncusu savunma hattına inebilir veya bir forvet presi orta sahada başlatabilir. Forma numaralarına bağlı sabit etiketler bu akışkanlığa ayak uyduramaz. Bunu ele almak için model Dinamik Rol Atama Modülü içerir. Belirli bir oyuncunun her zaman örneğin sol bek olduğunu varsaymak yerine, oyuncuların nasıl davrandıklarına dayalı esnek “rol şablonları” öğrenir. Her anda, her oyuncunun mevcut hareketini ve pozisyonunu bu şablonlarla karşılaştırır ve zaman içinde düzgünce değişebilen bir rol karışımı atar. Dahili bir cezalandırma, gerçekçi olmayan ani rol sıçramalarını caydırır; bu, gerçek taktiksel değişimlerin genellikle tek bir anda değil birkaç saniye içinde gerçekleştiği gerçeğini yansıtır.

Gerçek Maçlarda Modelin Başarısı

Araştırmacılar sistemi birkaç yarışmadaki 847 profesyonel maçtan elde edilen takip verileri üzerinde test ettiler; bu veriler 1.200’den fazla oyun saatini kapsıyordu. Uzman antrenörler sadece hangi dizilişin kullanıldığını değil, takımların şekil değiştirirken bulunduğu anları da ayrıntılı olarak etiketledi. Klasik istatistiksel modellerden modern derin öğrenme mimarilerine kadar geniş bir yöntem yelpazesi ile karşılaştırıldığında HDS-SGT belirgin şekilde daha doğru çıktı. Yaklaşık zaman dilimlerinin %95’inde dizilişleri doğru tespit etti ve taktiksel geçişleri hassasiyet ve duyarlığın dengeli ölçüsü olan yüksek bir F1 skoru ile yakaladı. Bu kazanımlar özellikle nadir veya alışılmadık dizilişler ve birçok oyuncunun aynı anda pozisyon değiştirdiği karmaşık anlar için güçlüydü. Önemli olarak, eğitim sonrası model standart bir grafik işlemcisinde canlı oyunu takip edecek kadar hızlı çalışabiliyor; saniyede yirmiden fazla takip karesini analiz edebiliyor.

Laboratuvardan Yan Saha Asistanına

Sıradan bir izleyici için çıkarılacak ana sonuç, bu çalışmanın “şekil” gibi belirsiz bir kavramı bilgisayarın gerçek zamanlı izleyebileceği bir şeye dönüştürmesi. Oyuncuların birbirleriyle nasıl ilişkili olduğuna dair ağ görünümünü, taktiklerin zaman içinde çok ölçekli olarak nasıl açığa çıktığını ve oyuncu rollerinin esnek tanımını birleştirerek sistem, bir takımın hangi dizilişi kullandığını değil, o dizilişin ne zaman değişmeye başladığını da tespit edebiliyor. Çalışma elit takip verileri ve belirli donanım üzerinde yoğunlaşsa da yaklaşım, antrenörlere, analistlere ve hatta yayıncılara canlı, nesnel içgörü sunabilecek gelecekteki araçlara işaret ediyor—her maçın yüzeyinin altında oynanan gizli taktik hikâyeyi ortaya çıkarmayı amaçlıyor.

Atıf: 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

Anahtar kelimeler: futbol taktikleri, diziliş analizi, spor analitiği, derin öğrenme, oyuncu takip verisi