Les jeux Olympiques de 2024 auront lieu à Paris. Pour cet événement, la France investie dans l'intelligence artificielle afin d'appuyer l'encadrement des olympiades {1}.
L’utilisation de l’IA n’est pas entièrement nouvelle pour les fédérations et les clubs qui s’en servent déjà pour accompagner les sportifs dans l’analyse de leurs statistiques et l’amélioration de leurs entraînements. En effet, les erreurs d’arbitrages ainsi que la volonté de maintenir la performance des athlètes, sont des raisons à l’implémentation de l’IA dans le domaine sportif. Cet article propose une liste non exhaustive des applications de l’IA dans le sport professionnel ainsi que les différentes méthodes de collecte de données nécessaires au fonctionnement de l’IA.
Même avant que les épreuves puissent avoir lieu, l’emploi d’IA peut avoir son importance pour optimiser la préparation des athlètes. Par exemple pour le tennis, les techniques d'apprentissages automatiques sont employées pour faire de la détection d’objets. Celle-ci permet d’analyser automatiquement la posture du joueur en suivant les parties du corps du joueur ainsi que la balle. Le but étant d’apprendre à reconnaître un bon service d’un mauvais, en se basant sur l’analyse des mouvements, mais aussi les caractéristiques du service (trajectoire, vitesse) {2}. Ainsi les coaches peuvent ajuster leurs entraînements en se référant aux informations apportées par l’IA.
Également, l’IA permet de faciliter le recrutement des athlètes en détectant plus facilement de nouveaux talents dans la masse d’athlètes amateurs. Elle peut par exemple analyser des séquences vidéo et traiter les données historiques du joueur pour prédire ses futures capacités. En outre, une IA se basant uniquement sur les performances sportives permettrait de réduire les biais durant les recrutements tels que les refus établis sur l’origine ethnique ou sociale du joueur {3}. Toutefois, l’IA n’est pas exempte de biais et peut même dans certains cas, renforcer les biais humains en les appliquant systématiquement (cf. à lire « Les biais techniques de l’IA, une fatalité ? »). L’utilisation de l’IA dans ce contexte suppose donc de pouvoir valider sa robustesse et sa performance en amont afin d’éviter d’appliquer silencieusement des biais néfastes.
L’IA ne s’arrête pas à la préparation des athlètes, mais continue d’être mise en place pendant les compétitions. L'arbitrage est l’un des premiers domaines où l’IA a été envisagée comme solution en raison du caractère subjectif des décisions prises par les arbitres. Comme leur attention ne peut se concentrer qu’uniquement sur certaines actions, leurs décisions sont donc sélectives. De plus, l’arbitre ne dispose que de quelques secondes pour prendre sa décision. Même avec l’appui récent de l’arbitrage vidéo, celui-ci reste un élément de preuve à la disposition de l’arbitre. Si l’arbitrage vidéo peut être, dans de rare cas, sujet à interprétation, l’IA quant à elle, permet de détecter automatiquement des fautes ou des buts. Au final, jusqu’à 20 % des décisions prises par match peuvent être erronées {4}.
Cependant, il n’est pas question de remplacer totalement l’arbitre par une IA, mais de lui procurer une assistance à la prise de décision. L’arbitre se base sur sa perception du jeu pour comprendre une situation. Cette perception s’appuie sur une compréhension du contexte et du fait que les athlètes peuvent tenter de le tromper. Or, les capacités d’appréciation de l’IA en cas de supercherie restent aujourd’hui limitées, ce qui rend la présence d’un arbitre humain toujours nécessaire. Cependant l’interprétation par l’IA d’une situation réelle est un sujet bien trop vaste pour être traité ici, nous dédirons ce sujet pour un prochain article.
L’IA est utile à la fois pour analyser la performance des joueurs professionnels, mais également pour améliorer l’expérience des consommateurs. Depuis peu, les médias sportifs utilisent l’IA pour créer du contenu automatiquement. Dans certains domaines comme le football ou le basketball, la quantité grandissante de matchs rend difficile de compiler et de résumer chacun d’entre eux {5}. Pour cela, des IA peuvent être mises en place pour générer automatiquement des comptes-rendus présentant les événements clefs en s’appuyant sur des techniques de NLP (Natural Language Processing). De cette manière, il est désormais possible de mettre en lumière des matchs locaux ou des ligues mineures qui étaient auparavant éclipsées par manque de moyens.
Les données dans le domaine sportif peuvent être divisées en deux types. Premièrement, les données événementielles (Event Data) qui peuvent être considérées comme une « photographie » résumant l’ensemble des actions réalisées durant le match. L’image obtenue montre par exemple, lors d’un match de football, le nombre de passes, de tirs et d’interceptions réalisées mais aussi la position de la balle pendant le match {6}. Les données événementielles sont utiles pour analyser la tactique globale d’une équipe ainsi que les moments clefs d’un match (coup franc, penalties, fautes, etc.) {7}. Ces données sont principalement utilisées dans le journalisme ou pour l’entraînement des joueurs.
Deuxièmement, les données récoltées en temps réel (Tracking Data) qui se basent sur des systèmes de traitement vidéo tels que la vision par ordinateur, pour l’analyse des mouvements des joueurs. Pour cela des caméras sont disposées autour du terrain afin de collecter les données. Par la suite, des algorithmes ont comme objectif de se concentrer sur la détection et le suivi des mouvements d’objets spécifiques (ballon, joueurs, etc.). Par exemple, les algorithmes de détection permettent de produire des « boîtes englobantes » ou volume englobant, qui sont employés pour connaître la position, mais aussi l’identité des différents joueurs dans l’image. Ces dernières sont très utilisées en raison de la simplicité de leur géométrie en forme de rectangle 2D permettant de réduire l’analyse aux objets présents dans la boîte.
De nos jours, l’analyse de la performance des joueurs peut être assurée par la combinaison de plusieurs sources de données. Pour avoir une analyse plus pertinente d’une situation, les données issues des deux méthodes de collecte peuvent être combinées. En effet, si dans le cas du football les données événementielles donnent un très bon aperçu du match, elles vont surtout se concentrer sur l’analyse de certaines métriques (le positionnement des joueurs, leurs espacements, etc.) et omettre de traiter les actions des joueurs autour du ballon {8}. Les données événementielles permettront de savoir qu’il y a eu un contact entre deux joueurs, mais il sera impossible de comprendre comment s’est déroulée la collision sans l’utilisation de données de tracking. Il sera donc possible, grâce à cette association de données, d’être au courant de l’ensemble des actions qui pourront, par la suite, être analysées par les entraîneurs, comme par les fans {9}.
L’intelligence artificielle est à la fois un bon moyen pour améliorer le suivi des performances des athlètes mais également un outil efficace d’engagement du public pour enrichir l’expérience de jeu. Aujourd’hui les systèmes d’IA ne se basent pas sur un seul type de données, mais sur une fusion de plusieurs données de tracking et événementielles. De cette manière le système d’IA peut produire un résultat plus pertinent. Cependant, l’automatisation de la collecte de données dans le sport professionnel pose des questions éthiques {10}. En effet, pour améliorer la performance d’un joueur, le coach étudie les données sur sa santé, mais de ce fait a accès à des données potentiellement sensibles. Même si cette pratique est déjà largement employée, l’usage de l’IA dans ce domaine risque d’automatiser la collecte de données au détriment des relations de confiance entre les entraîneurs et les athlètes. À l’avenir il sera donc important de bien garantir la protection de la vie privée des athlètes ainsi que de fixer des limites claires à l’emploi de l’IA dans le sport.
Retrouvez tous nos articles sur : https://numalis.com/publications.php
{3}https://www.itransition.com/blog/ai-in-sports
{4}https://researchleap.com/innovation-refereeing-football-ai/
{5}https://aiworldschool.com/research/how-is-ai-transforming-media-and-fan-experience-in-sports/
{6}https://medium.com/mlearning-ai/getting-started-with-soccer-analytics-with-event-data-6ecd3143e78
{7}https://www.frontiersin.org/articles/10.3389/frai.2020.00047/full
{8}https://www.scisports.com/the-power-of-combining-tracking-and-event-data/
{9}https://www.scisports.com/services/performance-analysis/
{10}https://medicalxpress.com/news/2017-01-ethics-tracking-athletes-biometric.html
Écrit par Arnault Ioualalen & Quentin Guisti
Credits images :
Image bannière : Bryan Turner (Unspash)
Image texte : Izuddin Helmi Adnan (Unsplash)
Vidéo text : Playvision (2014, 8 novembre) PlayfulVision - Volleyball Tracking System - Men's World Championship Finals 2014 - Tracking results [Vidéo]. Youtube. https://www.youtube.com/watch?v=OGatYIubvMY
