Player_Scouting_Recommendation_System

⚽؟ نظام توصيات الكشافة للاعبين

استكشاف اللاعبين المدعوم بالذكاء الاصطناعي: استكشاف، والتوصية، والارتقاء بمستوى لعبة فريقك -؟ هذه نسخة بيتا

نظام توصيات الكشافة هو أداة تم تصميمها وهندستها لكشافة كرة القدم والمدربين والمحللين. يستخدم هذا النظام تقنيات متقدمة لاسترجاع المعلومات والذكاء الاصطناعي لإحداث ثورة في استكشاف اللاعبين. من خلال إدخال لاعب معين، يحدد النظام بسرعة اللاعبين العشرة الأكثر تشابهًا، ويقدم تقارير مخصصة تم إنشاؤها بواسطة الذكاء الاصطناعي للتوصية بأفضل لاعب لفريقك بناءً على خصائص الفريق.

تجريبي

لتجربة تطبيق python، يتوفر CSV_Version لنظام توصيات الكشافة للاعبين! [عرض توضيحي].
هذه هي النسخة بدون Solr، لتجربة نسخة Solr اتبع ملف readme.txt محليا.

مصدر البيانات

يستمد المشروع بياناته من موقع FBRef، وهو موقع إلكتروني رائد لإحصاءات كرة القدم. من خلال قاعدة بيانات تضم أكثر من 200000 لاعب وفريق، يوفر FBRef رؤى غنية حاسمة لتحليل أداء اللاعب.

التقنيات المستخدمة

• LangChain (الإصدار 0.0.275) : يتفاعل مع GPT-3.5 الخاص بـ OpenAI لإنشاء تقارير مفصلة.
• Scikit Learn : يحسب أوجه التشابه بين اللاعبين باستخدام تشابه جيب التمام ويستخدم وسائل K للتجميع.
• Pandas (v1.4.3) : يعالج معالجة البيانات وتنظيمها وتحليلها.
• Scipy (الإصدار 1.9.3) : يحسب الارتباطات بين تصنيفات اللاعبين لتقييم الأداء المتعمق.
• RougeScore (v0.1.2) : تقييم جودة التقرير مقابل النصوص المرجعية.
• BERTScore (v0.3.13) : يقيس التشابه الدلالي لتقييم جودة التقرير.
• Streamlit (v1.23.1) : يوفر واجهة مستخدم بديهية مع محرك بحث مشغل الإكمال التلقائي.
• Apache Solr (v8.11.2) : يقوم بفهرسة بيانات اللاعب واستردادها بكفاءة.

سير العمل المنهجي

1. جمع البيانات : تم جمعها من FBRef، مع التركيز على الدوريات الأوروبية الخمس الكبرى في موسم 2022-2023.
2. المعالجة المسبقة للبيانات : تنظيفها وتنظيمها للتحليل والفهرسة الفعالة.
3. تكامل Solr : البيانات التي تم استيرادها وفهرستها في Apache Solr للحصول على إمكانيات البحث السريع.
4. تحليل التشابه : يستخدم نماذج المتجهات وخوارزميات التجميع لتحديد أوجه التشابه بين اللاعبين.
5. Scouter AI : يستخدم GPT-3.5 لإنشاء تقارير تفصيلية ومخصصة للاعبين.
6. واجهة المستخدم : تم تنفيذها باستخدام Streamlit للحصول على تجربة مستخدم سلسة.

؟ الميزات الرئيسية

استرجاع البيانات بكفاءة :

الاستفادة من Apache Solr، والعثور بسرعة على بيانات المشغل والوصول إليها باستخدام نظام الاقتراحات الديناميكية للاستعلام.

البرنامج النصي للكود:

 #### Script for Autocomplete
def search_solr ( searchterm : str ) -> List [ any ]:
    # Check if a search term is provided
    if searchterm :
        # Query Solr for player names containing the search term
        res = solr . query ( 'FootballStatsCore' , {
            'q' : 'Player:' + '*' + searchterm + '*' ,
            'fl' : 'Rk,Player' ,
            'rows' : 100000 ,
        })
        result = res . docs

        # If results are found
        if result != []:
            # Create a DataFrame from the results
            df_p = pd . DataFrame ( result )
            # Extract the 'Rk' and 'Player' columns and clean the data
            df_p [ 'Rk' ] = df_p [ 'Rk' ]. apply ( lambda x : x [ 0 ])
            df_p [ 'Player' ] = df_p [ 'Player' ]. apply ( lambda x : x [ 0 ])
            # Return the 'Player' column as autocomplete suggestions
            return df_p [ 'Player' ]
        else :
            # Return an empty list if no results are found
            return []

# Streamlit search box
selected_value = st_searchbox (
    search_solr ,
    key = "solr_searchbox" ,
    placeholder = "? Search a Football Player"
)

نتيجة

تشابه اللاعب :

اكتشف لاعبين يتمتعون بأساليب لعب وسمات وإحصائيات مشابهة للاعب الذي اخترته.

التقارير التي تم إنشاؤها بواسطة الذكاء الاصطناعي

احصل على تقارير تفصيلية وشخصية عن اللاعبين مدعومة بأحدث اللغات الطبيعية مع نموذج الإصلاح الفوري.

؟ وثيقة والهندسة المعمارية كاملة

التوثيق الكامل. في هذا المستند توجد كافة تفاصيل المشروع.

️ قد يحتوي المستند على أخطاء! لا تنسخه بل استخدمه كدعم.

؟ حدود

يحتوي نظام توصيات الكشافة على بعض القيود التي يجب أخذها في الاعتبار:

• القيود الزمنية ⏰: يعتمد النظام على البيانات التي تم تحديثها خلال العام الماضي فقط، مما قد يحد من دقة التوصيات، خاصة في سياق يمكن أن يتغير فيه أداء اللاعبين بسرعة.
• قيود مجموعة البيانات : إن استخدام مجموعة بيانات تقتصر على عام 2022/2023 يجعل النتائج أقل موثوقية، لأنها لا تأخذ في الاعتبار المسيرة الكروية الكاملة للاعب. قد يؤثر هذا القيد سلبًا على التوصيات، خاصة بالنسبة للاعبين الذين قدموا عروضًا مختلفة على مر السنين. من المهم ملاحظة أن نتائج عنصر تشابه اللاعب تأثرت بشكل خاص بعدد المباريات التي تم لعبها خلال الموسم. من الناحية العملية، كلما زاد عدد المباريات التي لعبها اللاعب، زادت دقة النتائج التي حصل عليها نظام تشابه اللاعب.
• الاعتماد على البيانات المدخلة : تعتمد جودة التوصيات على اكتمال ودقة البيانات المدخلة، مما يعني أن المعلومات غير الكاملة أو الخاطئة يمكن أن تؤثر سلبًا على القرارات.
• الافتقار إلى السياق والحدس البشري ؟: قد لا يأخذ الذكاء الاصطناعي في الاعتبار العوامل غير الملموسة مثل تناغم الفريق أو شخصيات اللاعبين، والتي قد تكون ذات صلة بقرارات الشراء.
• القيود التكنولوجية : دقة التوصيات محدودة بتكنولوجيا ونماذج الذكاء الاصطناعي الحالية، والتي قد لا تقيم بشكل كامل مدى اتساع مهارات اللاعب.
• الحاجة إلى التحقق البشري : من الضروري أن تجري الفرق تقييمًا بشريًا شاملاً قبل اتخاذ قرارات شراء اللاعبين النهائية.
• إنشاء التقارير والهلوسة ؟؟: يمكن أن يؤدي إنشاء التقارير بواسطة نموذج الذكاء الاصطناعي التوليدي إلى الهلوسة أو الحصول على معلومات غير موثوقة. على الرغم من استخدام تقنيات سريعة للتخفيف من هذه المشكلة، لا يزال من الممكن حدوث عدم دقة، مما يثير التساؤل حول موثوقية التقارير التي يتم إنشاؤها.

شكر وتقدير

لقد تم تطوير نظام توصيات اللاعبين الكشفيين حصريًا للأغراض التوضيحية والتعليمية. تم إنشاء هذا النظام كجزء من مشروع فحص نظم استرجاع المعلومات بجامعة نابولي، فيديريكو الثاني . من الضروري ملاحظة أن نظام التوصيات المعروض هنا مصمم كأداة لدعم القرار ولا ينوي أن يحل محل أي كشاف أو مدرب كرة قدم. إنها فكرة مفاهيمية. أود أن أعرب عن امتناننا لمجتمع المصادر المفتوحة على الأدوات والمكتبات التي لا تقدر بثمن والتي جعلت هذا المشروع ممكنًا. شكر خاص لـ FBRef لتوفير بيانات كرة القدم الشاملة.

تم تطوير هذا المشروع بواسطة أنطونيو رومانو وهو متاح على صفحة GitHub.