Player_Scouting_Recommendation_System

⚽? Система рекомендаций по скаутингу игроков

Скаутинг игроков с помощью искусственного интеллекта: разведывайте, рекомендуйте, улучшайте игру своей команды - ? Это бета-версия

Система рекомендаций по скаутингу игроков — это инструмент, разработанный и разработанный для футбольных скаутов, тренеров и аналитиков. Эта система использует передовые методы поиска информации и искусственный интеллект, чтобы произвести революцию в поиске игроков. Указав конкретного игрока, система быстро определяет десять наиболее похожих игроков и предлагает индивидуальные отчеты, созданные искусственным интеллектом, чтобы рекомендовать лучшего игрока для вашей команды на основе характеристик команды.

Демо

Чтобы попробовать приложение Python, доступна CSV_версия системы рекомендаций по скаутингу игроков! [ДЕМО].
Это версия без Solr. Чтобы попробовать версию Solr, следуйте локальному файлу readme.txt.

Источник данных

Проект получает данные от FBRef, ведущего веб-сайта футбольной статистики. Благодаря базе данных, содержащей более 200 000 игроков и команд, FBRef предоставляет ценную информацию, необходимую для анализа производительности игроков.

Используемые технологии

• LangChain (v0.0.275) : взаимодействует с GPT-3.5 OpenAI для создания подробных отчетов.
• Scikit Learn : вычисляет сходство игроков, используя косинусное сходство, и использует K-средние для кластеризации.
• Pandas (v1.4.3) : управляет манипулированием, организацией и анализом данных.
• Scipy (v1.9.3) : вычисляет корреляции между рейтингами игроков для углубленной оценки производительности.
• RougeScore (v0.1.2) : оценивает качество отчета по справочным текстам.
• BERTScore (v0.3.13) : измеряет семантическое сходство для оценки качества отчета.
• Streamlit (v1.23.1) : обеспечивает интуитивно понятный пользовательский интерфейс с системой поиска игроков с автозаполнением.
• Apache Solr (v8.11.2) : эффективно индексирует и извлекает данные игрока.

Методологический рабочий процесс

1. Сбор данных : собрано на базе FBRef с упором на пять лучших европейских лиг в сезоне 2022–2023 гг.
2. Предварительная обработка данных : очищены и организованы для анализа и эффективной индексации.
3. Интеграция Solr : данные импортируются и индексируются в Apache Solr для быстрого поиска.
4. Анализ сходства : использует векторные модели и алгоритмы кластеризации для выявления сходства игроков.
5. Scouter AI : использует GPT-3.5 для создания подробных, настраиваемых отчетов об игроках.
6. Пользовательский интерфейс : реализован с использованием Streamlit для удобства работы пользователя.

? Ключевые особенности

Эффективный поиск данных :

Используя Apache Solr, быстро находите и получайте доступ к данным игроков с помощью системы динамических предложений запросов.

Код скрипта:

 #### 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"
)

Результат

Сходство игрока :

Найдите игроков со схожими стилями игры, характеристиками и статистикой с выбранным вами игроком.

Отчеты, созданные искусственным интеллектом

Получайте подробные и персонализированные отчеты об игроках на основе современной генерации естественного языка с формой исправления подсказок.

? Док и полная архитектура

Полная документация. В этом документе есть все подробности проекта.

️ документ может содержать ошибки! Не копируйте, а используйте в качестве поддержки.

? Пределы

Система рекомендаций по скаутингу игроков имеет некоторые ограничения, которые важно учитывать:

• Временное ограничение ⏰: система полагается на данные, обновленные только за последний год, что может ограничить точность рекомендаций, особенно в контексте, когда результаты игроков могут быстро меняться.
• Ограничения набора данных : Использование набора данных, ограниченного 2022/2023 годом, делает результаты менее надежными, поскольку не учитывает всю футбольную карьеру игрока. Это ограничение может негативно повлиять на рекомендации, особенно для тех игроков, у которых на протяжении многих лет были разные результаты. Важно отметить, что на результаты компонента «Сходство игроков» особенно повлияло количество матчей, сыгранных в течение сезона. На практике, чем больше матчей сыграл игрок, тем точнее были результаты, полученные системой Player Likedity.
• Зависимость от входных данных . Качество рекомендаций зависит от полноты и точности входных данных, а это означает, что неполная или ошибочная информация может негативно повлиять на решения.
• Недостаток контекста и человеческой интуиции ?: ИИ может не учитывать нематериальные факторы, такие как сыгранность команды или личности игроков, которые могут иметь значение для принятия решения о покупке.
• Технологические ограничения : точность рекомендаций ограничена современными технологиями и моделями искусственного интеллекта, которые не могут полностью оценить широту навыков игрока.
• Необходимость проверки человеком : командам важно провести тщательную оценку людьми, прежде чем принимать окончательные решения о приобретении игроков.
• Генерация отчетов и галлюцинации ??: Генерация отчетов с помощью генеративной модели ИИ может привести к галлюцинациям или недостоверной информации. Несмотря на использование оперативных методов решения этой проблемы, неточности все равно могут возникать, ставя под сомнение достоверность формируемых отчетов.

Благодарности

Система рекомендаций по скаутингу игроков была разработана исключительно в демонстрационных и образовательных целях. Эта система была создана в рамках проекта по экзамену «Информационно-поисковые системы» в Неаполитанском университете имени Федерико II . Важно отметить, что представленная здесь система рекомендаций разработана как инструмент поддержки принятия решений и не предназначена для замены какого-либо футбольного скаута или тренера. Это концептуальная идея. Я хотел бы выразить нашу благодарность сообществу открытого исходного кода за бесценные инструменты и библиотеки, которые сделали этот проект возможным. Особая благодарность FBRef за предоставление полных футбольных данных.

?‍ Этот проект был разработан Антонио Романо и доступен на странице GitHub.