Player_Scouting_Recommendation_System

⚽? Sistem Rekomendasi Pramuka Pemain

Pengintai Pemain Bertenaga AI: Pramuka, Rekomendasikan, Tingkatkan Permainan Tim Anda - ? Ini adalah versi Beta

Sistem Rekomendasi Pramuka Pemain adalah alat yang dirancang dan dirancang untuk pramuka, pelatih, dan analis sepak bola. Sistem ini menggunakan teknik pengambilan informasi tingkat lanjut dan kecerdasan buatan untuk merevolusi pencarian pemain. Dengan memasukkan pemain tertentu, sistem dengan cepat mengidentifikasi sepuluh pemain yang paling mirip, menawarkan laporan khusus yang dihasilkan AI untuk merekomendasikan pemain terbaik untuk tim Anda berdasarkan karakteristik tim.

Demo

Untuk mencoba aplikasi python tersedia CSV_Version Sistem Rekomendasi Pramuka Pemain! [DEMO].
Ini adalah versi tanpa Solr, untuk mencoba versi Solr ikuti file readme.txt secara lokal.

Sumber Data

Proyek ini mengambil datanya dari FBRef, situs statistik sepak bola terkemuka. Dengan database yang terdiri dari lebih dari 200.000 pemain dan tim, FBRef memberikan banyak wawasan yang penting untuk analisis performa pemain.

Teknologi yang Digunakan

• LangChain (v0.0.275) : Berinteraksi dengan GPT-3.5 OpenAI untuk pembuatan laporan terperinci.
• Scikit Learn : Menghitung kesamaan pemain menggunakan kesamaan kosinus dan menggunakan K-Means untuk pengelompokan.
• Pandas (v1.4.3) : Menangani manipulasi data, pengorganisasian, dan analisis.
• Scipy (v1.9.3) : Menghitung korelasi antara peringkat pemain untuk evaluasi kinerja yang mendalam.
• RougeScore (v0.1.2) : Mengevaluasi kualitas laporan terhadap teks referensi.
• BERTScore (v0.3.13) : Mengukur kesamaan semantik untuk penilaian kualitas laporan.
• Streamlit (v1.23.1) : Menyediakan antarmuka pengguna yang intuitif dengan mesin pencari pemutar pelengkapan otomatis.
• Apache Solr (v8.11.2) : Mengindeks dan mengambil data pemain secara efisien.

Alur Kerja Metodologis

1. Pengumpulan Data : Dikumpulkan dari FBRef, fokus pada lima liga top Eropa musim 2022-2023.
2. Pemrosesan Awal Data : Dibersihkan dan diatur untuk analisis dan pengindeksan yang efisien.
3. Integrasi Solr : Data diimpor dan diindeks ke Apache Solr untuk kemampuan pencarian cepat.
4. Analisis Kesamaan : Memanfaatkan model vektor dan algoritma pengelompokan untuk mengidentifikasi kesamaan pemain.
5. Scouter AI : Menggunakan GPT-3.5 untuk menghasilkan laporan pemain yang terperinci dan dapat disesuaikan.
6. Antarmuka Pengguna : Diimplementasikan menggunakan Streamlit untuk pengalaman pengguna yang lancar.

? Fitur Utama

Pengambilan Data yang Efisien :

Memanfaatkan Apache Solr, temukan dan akses data pemain dengan cepat menggunakan Query Dynamic Suggestion System.

Skrip kode:

 #### 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"
)

Hasil

Kesamaan Pemain :

Temukan pemain dengan gaya bermain, atribut, dan statistik serupa dengan pemain pilihan Anda.

Laporan yang Dihasilkan AI

Terima laporan pemain yang terperinci dan dipersonalisasi yang didukung oleh pembuatan bahasa alami tercanggih dengan formulir perbaikan-cepat.

? Dokumen dan arsitektur lengkap

Dokumentasi lengkap. Dokumen ini berisi semua detail proyek.

️ dokumen mungkin mengandung kesalahan! Jangan menyalin tetapi gunakan sebagai dukungan.

? Batasan

Sistem Rekomendasi Pramuka Pemain memiliki beberapa keterbatasan yang penting untuk dipertimbangkan:

• Batasan Sementara ⏰: Sistem hanya mengandalkan data yang diperbarui dalam setahun terakhir, yang mungkin membatasi keakuratan rekomendasi, terutama dalam konteks di mana performa pemain dapat berubah dengan cepat.
• Keterbatasan kumpulan data : Penggunaan kumpulan data yang dibatasi pada tahun 2022/2023 membuat hasil yang diperoleh kurang dapat diandalkan, karena tidak memperhitungkan keseluruhan karier sepak bola seorang pemain. Batasan ini dapat berdampak negatif terhadap rekomendasi, terutama bagi para pemain yang memiliki performa berbeda-beda selama bertahun-tahun. Penting untuk dicatat bahwa hasil komponen Kemiripan Pemain sangat dipengaruhi oleh jumlah pertandingan yang dimainkan selama musim tersebut. Pada praktiknya, semakin banyak pertandingan yang dimainkan seorang pemain, semakin akurat pula hasil yang diperoleh dari sistem Kemiripan Pemain.
• Ketergantungan pada Data Masukan : Kualitas rekomendasi bergantung pada kelengkapan dan keakuratan data masukan, artinya informasi yang tidak lengkap atau salah dapat berdampak negatif pada pengambilan keputusan.
• Kurangnya Konteks dan Intuisi Manusia ?: AI mungkin tidak mempertimbangkan faktor tidak berwujud seperti chemistry tim atau kepribadian pemain, yang mungkin relevan dengan keputusan pembelian.
• Keterbatasan Teknologi : Keakuratan rekomendasi dibatasi oleh teknologi dan model AI saat ini, yang mungkin tidak sepenuhnya menilai luasnya keterampilan pemain.
• Perlunya Verifikasi Manusia : Penting bagi tim untuk melakukan evaluasi manusia secara menyeluruh sebelum membuat keputusan akhir akuisisi pemain.
• Pembuatan laporan dan halusinasi ??: Pembuatan laporan dengan model AI generatif dapat menyebabkan halusinasi atau informasi yang tidak dapat diandalkan. Meskipun teknik cepat telah digunakan untuk mengatasi masalah ini, ketidakakuratan masih dapat terjadi, sehingga menimbulkan pertanyaan mengenai keandalan laporan yang dihasilkan.

Ucapan Terima Kasih

Sistem Rekomendasi Kepanduan Pemain telah dikembangkan secara eksklusif untuk tujuan demonstratif dan pendidikan. Sistem ini dibuat sebagai bagian dari proyek ujian Sistem Pengambilan Informasi di Universitas Naples, Federico II . Penting untuk dicatat bahwa sistem rekomendasi yang disajikan di sini dirancang sebagai alat pendukung keputusan dan tidak bermaksud untuk menggantikan Pramuka atau pelatih Sepak Bola mana pun. Ini adalah ide konseptual. Saya ingin mengucapkan terima kasih kepada komunitas sumber terbuka atas alat dan perpustakaan yang sangat berharga yang memungkinkan proyek ini terwujud. Terima kasih khusus kepada FBRef yang telah menyediakan data sepak bola yang komprehensif.

?‍ Proyek ini dikembangkan oleh Antonio Romano dan tersedia di halaman GitHub.