⚽? Spieler-Scouting-Empfehlungssystem

KI-gestütztes Spieler-Scouting: Scouten, empfehlen, verbessern Sie das Spiel Ihres Teams – ? Dies ist eine Beta-Version

Das Player Scouting Recommendation System ist ein Tool, das für Fußball-Scouts, Trainer und Analysten entwickelt und entwickelt wurde. Dieses System nutzt fortschrittliche Informationsabruf- und künstliche Intelligenztechniken, um das Spieler-Scouting zu revolutionieren. Durch die Eingabe eines bestimmten Spielers identifiziert das System schnell die zehn ähnlichsten Spieler und bietet maßgeschneiderte, von der KI generierte Berichte, um den besten Spieler für Ihr Team basierend auf den Teameigenschaften zu empfehlen.

Demo

Um die Python-Anwendung auszuprobieren , steht die CSV_Version des Player Scouting Recommendation Systems zur Verfügung ! [DEMO].
Dies ist die Version ohne Solr. Um die Solr-Version auszuprobieren, folgen Sie der lokalen Datei readme.txt.

Datenquelle

Das Projekt bezieht seine Daten von FBRef, einer führenden Website für Fußballstatistiken. Mit einer Datenbank, die über 200.000 Spieler und Teams umfasst, liefert FBRef umfassende Erkenntnisse, die für die Analyse der Spielerleistung von entscheidender Bedeutung sind.

Verwendete Technologien

LangChain (v0.0.275) : Interagiert mit GPT-3.5 von OpenAI für die Erstellung detaillierter Berichte.
Scikit Learn : Berechnet Spielerähnlichkeiten mithilfe der Kosinusähnlichkeit und verwendet K-Means für die Clusterbildung.
Pandas (v1.4.3) : Verwaltet die Datenbearbeitung, -organisation und -analyse.
Scipy (v1.9.3) : Berechnet Korrelationen zwischen Spielerrankings für eine detaillierte Leistungsbewertung.
RougeScore (v0.1.2) : Bewertet die Berichtsqualität anhand von Referenztexten.
BERTScore (v0.3.13) : Misst die semantische Ähnlichkeit für die Bewertung der Berichtsqualität.
Streamlit (v1.23.1) : Bietet eine intuitive Benutzeroberfläche mit einer Autocomplete-Player-Suchmaschine.
Apache Solr (v8.11.2) : Indiziert und ruft Spielerdaten effizient ab.

Methodischer Workflow

Datenerfassung : Von FBRef zusammengestellt, mit Schwerpunkt auf den fünf besten europäischen Ligen in der Saison 2022–2023.
Datenvorverarbeitung : Bereinigt und organisiert für Analyse und effiziente Indizierung.
Solr-Integration : Daten werden in Apache Solr importiert und indiziert, um schnelle Suchfunktionen zu ermöglichen.
Ähnlichkeitsanalyse : Verwendet Vektormodelle und Clustering-Algorithmen, um Spielerähnlichkeiten zu identifizieren.
Scouter AI : Verwendet GPT-3.5, um detaillierte, individuelle Spielerberichte zu erstellen.
Benutzeroberfläche : Implementiert mit Streamlit für ein nahtloses Benutzererlebnis.

Erzgeneral

? Hauptmerkmale

Effizienter Datenabruf :

Nutzen Sie Apache Solr, um mit dem Query Dynamic Suggestion System schnell Spielerdaten zu finden und darauf zuzugreifen.

Codeskript:

 #### 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"
)

Ergebnis

Erzgeneral

Spielerähnlichkeit :

Entdecken Sie Spieler mit ähnlichen Spielstilen, Attributen und Statistiken wie der von Ihnen ausgewählte Spieler.
Erzgeneral

KI-generierte Berichte

Erhalten Sie detaillierte und personalisierte Spielerberichte, die durch modernste natürliche Sprachgenerierung mit einem Fix-Prompt-Formular unterstützt werden.
Erzgeneral

? Doc und vollständige Architektur

Die komplette Dokumentation. In diesem Dokument finden Sie alle Details des Projekts.

Erzgeneral

️ Das Dokument kann Fehler enthalten! Nicht kopieren, sondern als Unterstützung verwenden.

? Grenzen

Das Spieler-Scouting-Empfehlungssystem weist einige Einschränkungen auf, die es zu berücksichtigen gilt:

Zeitliche Begrenzung ⏰: Das System stützt sich auf Daten, die nur im letzten Jahr aktualisiert wurden, was die Genauigkeit der Empfehlungen einschränken kann, insbesondere in einem Kontext, in dem sich die Spielerleistungen schnell ändern können.
Einschränkungen des Datensatzes : Die Verwendung eines auf das Jahr 2022/2023 beschränkten Datensatzes macht die Ergebnisse weniger zuverlässig, da er nicht die gesamte Fußballkarriere eines Spielers berücksichtigt. Diese Einschränkung kann sich negativ auf die Empfehlungen auswirken, insbesondere für Spieler, die im Laufe der Jahre unterschiedliche Leistungen erbracht haben. Es ist wichtig zu beachten, dass die Ergebnisse der Spielerähnlichkeitskomponente insbesondere von der Anzahl der während der Saison gespielten Spiele beeinflusst wurden. In der Praxis waren die vom Spielerähnlichkeitssystem erzielten Ergebnisse umso genauer, je mehr Spiele ein Spieler bestritt.
Abhängigkeit von Eingabedaten : Die Qualität von Empfehlungen hängt von der Vollständigkeit und Genauigkeit der Eingabedaten ab, was bedeutet, dass unvollständige oder fehlerhafte Informationen Entscheidungen negativ beeinflussen können.
Mangel an Kontext und menschlicher Intuition ?: Die KI berücksichtigt möglicherweise immaterielle Faktoren wie Teamchemie oder Spielerpersönlichkeiten nicht, die für Kaufentscheidungen relevant sein könnten.
Technologische Einschränkungen : Die Genauigkeit der Empfehlungen wird durch aktuelle KI-Technologien und -Modelle begrenzt, die die Bandbreite der Fähigkeiten eines Spielers möglicherweise nicht vollständig beurteilen.
Notwendigkeit einer menschlichen Überprüfung : Es ist für Teams wichtig, eine gründliche menschliche Bewertung durchzuführen, bevor sie endgültige Entscheidungen zur Spielerakquise treffen.
Berichtserstellung und Halluzinationen ??: Die Berichtserstellung durch ein generatives KI-Modell kann zu Halluzinationen oder unzuverlässigen Informationen führen. Trotz des Einsatzes zeitnaher Techniken zur Minderung dieses Problems kann es immer noch zu Ungenauigkeiten kommen, die die Zuverlässigkeit der erstellten Berichte in Frage stellen.

Danksagungen

Das Spieler-Scouting-Empfehlungssystem wurde ausschließlich zu Demonstrations- und Bildungszwecken entwickelt. Dieses System wurde im Rahmen eines Projekts für die Prüfung „Information Retrieval Systems“ an der Universität Neapel, Federico II , erstellt. Es ist wichtig zu beachten, dass das hier vorgestellte Empfehlungssystem als Entscheidungsunterstützungsinstrument konzipiert ist und nicht dazu gedacht ist, einen Football-Scout oder -Trainer zu ersetzen. Es ist eine konzeptionelle Idee. Ich möchte der Open-Source-Community unseren Dank für die unschätzbar wertvollen Tools und Bibliotheken aussprechen, die dieses Projekt ermöglicht haben. Besonderer Dank geht an FBRef für die Bereitstellung umfassender Fußballdaten.

?‍ Dieses Projekt wurde von Antonio Romano entwickelt und ist auf der GitHub-Seite verfügbar.

Expandieren

Zusätzliche Informationen