p Os pesquisadores do QUT desenvolveram um algoritmo que pode prever onde um jogador de tênis acertará a próxima bola, analisando dados do Aberto da Austrália de milhares de tacadas dos melhores tenistas do sexo masculino. p Dr. Simon Denman, um pesquisador sênior com o discurso, Áudio, Laboratório de Tecnologia de Imagem e Vídeo, disse a pesquisa sobre o jogo por buracos de Novak Djokovic, Rafael Nadal e Roger Federer podem levar a novas maneiras para os jogadores de tênis profissionais preverem os movimentos de seus oponentes ou jogos de realidade virtual, oferecendo a chance de confrontos diretos com os melhores jogadores do mundo em um grand slam preciso, mas artificial.

p Dr. Denman faz parte de uma equipe de pesquisadores QUT, incluindo Ph.D. estudante Tharindu Fernando, Professor Sridha Sridharan e Professor Clinton Fookes, tudo da Disciplina de Visão e Processamento de Sinal da QUT, que criou o algoritmo para prever a próxima tacada no tênis usando dados Hawk-Eye do Australian Tennis Open de 2012, fornecido pela Tennis Australia.

p Os pesquisadores estreitaram seu foco para estudar apenas a seleção de fotos de Djokovic, Nadal e Federer porque tinham os dados completos para inserir no sistema sobre como a seleção de tacadas dos jogadores mudava à medida que o torneio avançava.

p Os pesquisadores analisaram mais de 3.400 tiros para Djokovic, quase 3.500 tiros de Nadal e quase 1.900 tiros de Federer, adicionar contexto para cada cena, como se foi um retorno, um vencedor ou um erro.

p "Depois de cerca de 1000 fotos, o modelo tem uma boa ideia do que está acontecendo, "Dr. Denman disse.

p "São necessários cerca de três jogos para descobrir o estilo de um jogador. Depois de conseguir esses três jogos, é bastante sólido."

p Dr. Denman disse que o algoritmo estava imitando os cérebros dos melhores jogadores que já estavam tentando prever a próxima tacada de seu oponente. Embora o sistema de inteligência artificial tenha sido bem-sucedido, seu maior desafio era a imprevisibilidade do jogador o maior de todos os tempos.

p "Fizemos uma análise de quão preciso é para os três melhores jogadores - Djokovic, Nadal e Federer, "Dr. Denman disse.

p "E foi menos preciso para Federer, quem é talvez o mais versátil. Foi o que mais se esforçou para predizê-lo. Ele pode fazer qualquer coisa, então, o modelo estava mais frequentemente errado sobre ele.

p "Dado o quão difícil é prever o jogo de Federer, só acrescenta crédito a alguém como Stefanos Tsitsipas, que conseguiu uma vitória contra Federer no Aberto da Austrália no fim de semana. "

p O sistema de aprendizado de máquina, chamada de arquitetura de Rede Adversarial Gerativa Semi Supervisionada, leva em consideração quando na partida um ponto está sendo jogado, porque a seleção de tacadas que um jogador pode fazer 40 vezes sacando no primeiro set é muito diferente da tacada que eles podem acertar lutando para permanecer na partida no quinto set.

p O sistema pode prever cerca de 1000 tiros em 30 segundos.

p “Treinamos o modelo para que veja o tiro do primeiro assalto, para o segundo turno e o terceiro turno - então se baseia em experiências como um humano, "Dr. Denman disse.

p "Estamos tentando imitar o que pensamos que o cérebro do tenista pode estar fazendo."

p Para ensinar o sistema a pensar como um jogador, os pesquisadores criam duas formas de memória e uma forma de interagir na tomada de decisão. "Há memória episódica e há memória semântica, "Dr. Denman disse.

p "A memória episódica é, efetivamente, lembranças individuais. É a capacidade de voltar e relembrar cada derrame individual e o que aconteceu.

p "A memória semântica é muito mais abstrata. É o aprendizado geral que surgiu de muitos, muitos, muitas instâncias da memória episódica.

p "Então, essas duas memórias trabalham juntas, recebendo um estímulo de entrada. Cada uma tira algo relevante de suas próprias memórias e usa isso para ajudar a reforçar a previsão do que vai acontecer.

p "A memória episódica pode olhar para a entrada e dizer 'Já vi fotos como essa aqui, aqui e aqui - aqui está algo útil '. A memória semântica diz 'devemos ir para aquela parte do tribunal porque é uma boa tática'.

p "Isso ajuda a orientar a geração de resultados."

p O Dr. Denman disse que acha que em menos de dez anos os jogadores de alto nível serão capazes de usar esse tipo de técnica para estudar o jogo de um adversário que se aproxima.

p "Depois de treinar o modelo, você pode apenas alimentar amostras arbitrárias e começar a olhar para diferentes cenários de correspondência, " ele disse.

p O sistema, dados os dados de um determinado jogador, poderia prever como aquele jogador acertaria a bola no break point se um servidor fosse para baixo ou para longe. Também pode prever a probabilidade de um jogador em particular tentar vencer um adversário na rede acertando um lob ou passando o chute - e como essa seleção de chute pode mudar em diferentes estágios de uma partida.

p Os pesquisadores do QUT fizeram estudos de trajetória semelhantes que prevêem resultados prováveis ​​em áreas tão diversas como a forma como os pilotos voam seus aviões para as rotas que os pedestres costumam percorrer em sua vizinhança. Esta pesquisa prevendo o local do próximo tiro no tênis está atualmente sob revisão por pares para publicação.

p Dr. Denman disse que o tênis era particularmente adequado para este tipo de pesquisa de trajetória, dadas as limitações do tamanho da quadra e as regras do jogo.

p "Este exemplo aqui é uma trajetória única com a bola, mas não há razão para que essas técnicas não possam ser aplicadas a esportes coletivos, como futebol, onde você acompanha cada cantor de ambos os lados, "Dr. Denman disse.

p "O esporte é bom nesse sentido para qualquer tipo de problema de aprendizado de máquina, porque você tem todas essas restrições e regras sobre o que pode acontecer, o que pode simplificar alguns problemas em comparação com outros domínios. "