Em 2010, o sistema de rastreamento óptico de jogadores e bolas SportVU foi implantado pela primeira vez em arenas selecionadas da NBA por equipes que desejavam obter uma vantagem na análise de jogadores e equipes. Devido ao valor dos dados de rastreamento, a NBA adotou o SportVU em toda a liga antes da temporada 2013-14. Desde então, quase todas as análises e tomadas de decisão das equipes da NBA têm sido orientadas por dados, utilizando não apenas os dados posicionais brutos, mas também percepções táticas derivadas das marcações detectadas automaticamente por algoritmos de aprendizado de máquina (por exemplo, telas, isolamentos, conduções etc.).
No entanto, quando se trata de analisar os jogadores da NCAA para uma próxima seleção, as equipes da NBA ficam muito limitadas em sua capacidade de tomada de decisão, pois não têm os mesmos dados detalhados de rastreamento dos jogadores da NCAA. As soluções de hardware no local são impraticáveis para a NCAA, com mais de 300 escolas da Divisão I, além dos inúmeros jogos de exibição/torneio e pós-temporada que não são disputados nos locais da NCAA. Além disso, para que um front office da NBA possa modelar o potencial de rendimento futuro de um jogador universitário, ele precisará de dados históricos de rastreamento dos jogadores atuais da NBA para criar um conjunto de treinamento para modelagem - algo que as soluções no local não conseguem alcançar.
Para contornar esse problema, utilizamos técnicas vision computacional de última geração para capturar dados de rastreamento de jogadores e bolas de milhares de jogos históricos de basquete masculino da NCAA D-I diretamente da transmissão de vídeo. Esse volume de dados equivale a mais de 650.000 posses e mais de 300 milhões de quadros de vídeo de transmissão. A partir dos dados de rastreamento, detectamos automaticamente eventos como telas de bola, conduções, isolamentos, pós-posições, telas fora da bola e combinações defensivas usando nosso sistema de rede neural de atenção à ação do ator, alcançando taxas de recuperação e precisão de 0,8 e 0,7, respectivamente.
Embora a geração de dados de rastreamento da transmissão do basquete universitário seja, por si só, um grande avanço no campo da análise do basquete, ela não é suficiente. Para mostrar o valor dos dados gerados, é melhor avaliar o valor por meio de uma tarefa de previsão. Neste artigo, nos concentramos na tarefa de prever o talento de futuros jogadores da NBA. Fazemos isso prevendo a probabilidade de um jogador chegar à NBA diretamente dos dados da faculdade. Mostramos que o uso de dados de rastreamento nos permite obter previsões mais precisas em comparação com as fontes de dados atuais (perda de registro de rastreamento: 0,30 vs. perda de registro de jogo a jogo: 0,40). A vantagem adicional de nossa abordagem é que aplicamos técnicas de "aprendizado de máquina interpretável" (ou seja, valores de Shapley) não apenas para criar previsões precisas, mas também para identificar os pontos fortes e fracos de um jogador específico.
