1 / 1

Introducción

    Los fundamentos más antiguos relacionados con la inteligencia artificial actual se remontan varios siglos antes de Cristo con la lógica y algoritmos de los griegos, y las matemáticas de los árabes. Los sustentos más contemporáneos se consiguen a finales del siglo XIX cuando se obtienen lógicas formales suficientemente poderosas para dar solución a los problemas planteados a la inteligencia artificial, y a mediados del siglo XX, cuando se construyen máquinas capaces de hacer uso de tales lógicas y algoritmos de solución.

    La Inteligencia Artificial (IA) surge definitivamente en 1950 a partir de un influyente artículo del matemático británico Alan Turing, en la revista Mind, titulado Computing Machinery and Intelligence (Ordenador e inteligencia), en el que efectúa un análisis acerca de la inteligencia artificial y propone lo que hoy se conoce como el Test de Turing, una prueba que permite determinar la supuesta inteligencia de una máquina. (6)

    El término Inteligencia Artificial como tal fue acuñado en 1956 por John McCarthy, del Instituto de Tecnología de Massachusetts. En ese año se celebró la conferencia de Dartmouth, en Hanover (Estados Unidos), y en ella, McCarthy, Marvin Minsky, Nathaniel Rochester y Claude E. Shannon establecieron las bases de la IA como un campo independiente dentro de la informática.

Desarrollo

    La expresión Inteligencia Artificial, en su sentido más amplio, indica la capacidad de una máquina de ejecutar las mismas funciones que caracterizan al pensamiento humano, o sea, que es capaz de producir acciones o resultados, basándose en las entradas percibidas y en el conocimiento almacenado en su arquitectura.

    Actualmente existen dos tendencias en cuanto al desarrollo de sistemas de IA:

• Los sistemas expertos.

• Las redes neuronales.

    Un sistema experto intenta reproducir el razonamiento humano de forma simbólica.

    El proceso de elaboración de una aplicación de IA con soporte en la modelización matemática parte de la construcción del modelo matemático, el cual es un tipo de modelo científico que emplea algún formulismo matemático para estudiar y simplificar comportamientos de sistemas complejos ante situaciones difíciles de observar en la realidad.

    La finalidad del modelo matemático es comprender el fenómeno y, quizá, hacer pronósticos acerca de su comportamiento. (1)

    La construcción de un modelo matemático debe cumplir mínimamente con los objetivos siguientes:

• Obtener respuestas sobre lo que sucederá en el mundo físico.

• Influir en la experimentación u observaciones posteriores.

• Promover el progreso y la comprensión conceptuales.

• Auxiliar a la axiomatización de la situación física.(8)

    A su vez, al proceso para elaborar un modelo matemático se le denomina Modelación o Modelización Matemática y consta de cuatro etapas:

1. Encontrar un problema del mundo real.

2. Formular un modelo matemático acerca del problema, identificando variables (dependientes e independientes) y estableciendo hipótesis lo suficientemente simples para tratarse de manera matemática.

3. Aplicar los conocimientos matemáticos que se posee para llegar a conclusiones matemáticas.

4. Comparar los datos obtenidos como predicciones con datos reales. Si los datos son diferentes, se reinicia el proceso.

Campos de aplicación de la Minería de Datos y la Inteligencia Artificial al deporte

    No son pocos los ejemplos que confirman la importancia de la minería de datos, siendo sus aplicaciones más conocidas aquellas en el campo de la administración empresarial basada en la relación con el cliente y los patrones de venta y consumo, el reconocimiento de patrones, la biomedicina,

    La investigación biomédica deportiva ha sido otro de los campos donde se han aprovechado sus potencialidades, así por ejemplo, el club de fútbol italiano AC Milan emplea un software para predecir las lesiones de sus jugadores, el cual fue desarrollado por Computer Asociates, con el cual esperan ahorrar millones de dólares por concepto de lesiones prevenidas.

    La National Football League ha establecido una correlación entre los resultados obtenidos en investigaciones psicológicas mediante el test psicométrico Wonderlic y los requerimientos de inteligencia de cada posición particular, por ejemplo, los Quaterbacks, posición de la cual se cree que es la que demanda mayor inteligencia, promedian 24, mientras que los Running Back promedian 16.

    La administración de organizaciones deportivas profesionales ha sido también caldo de cultivo para la aplicación creciente de la Minería de Datos en la toma de decisiones. Cada día son más las organizaciones que contratan como consultores a especialistas en este campo para el desarrollo de Sistemas de soporte a decisiones.

    Así por ejemplo, en su famoso libro Moneyball: The Art of Winning an Unfair Game, el escritor Michael Lewis detalla cómo en el beisbolero equipo de los Atléticos de Oakland el gerente general Billy Beane y su staff emplearon Minería de Datos para diseñar un equipo de bajo presupuesto que podía competir con equipos en mercados más grandes con nóminas más grandes, considerando que los jugadores universitarios contratados cobran tan sólo una fracción de lo que pueden cobrar los veteranos en el mercado de agentes libres. (5)

    Centró la selección en atletas procedentes de las ligas universitarias y basado más en el rendimiento anterior que en las condiciones físicas y somatotípicas. Asentado en su propia investigación apoyada en Minería de Datos, Beane llegó a la conclusión de que las estadísticas actuales que se emplean en el Béisbol son muy superficiales y engañosas, por ejemplo, descubrieron que era más efectivo considerar la cantidad de hombres en base empujados hasta el home que la cantidad total de carreras impulsadas, dado que este último indicador depende en gran medida de la capacidad que tengan los bateadores precedentes de embasarse.

    Como consecuencia Los Atléticos eran conocidos por presentar siempre un equipo competitivo. Muchas de sus elecciones, ridiculizadas al principio, se hicieron estrellas del béisbol con posterioridad y a menudo ganadores de premios. Tal es el caso de Barry Zito, que fue reclutado en 1999 y solamente tres años después ganó el premio Cy Young que se otorga al mejor pitcher en cada liga.

    En la provincia Granma actualmente de lleva adelante un proyecto de I+D+i, liderado por uno de los autores, encaminado a obtener una herramienta de Inteligencia Artificial soportada en Modelización Matemática que será capaz de identificar el talento deportivo latente en la Lucha.

Minería de Datos e Inteligencia Artificial aplicada al estudio de contrarios

    Para entender el concepto de estudio de contrarios es preciso partir del análisis del llamado scouting, anglicismo de amplia aplicación hoy en el léxico de todo entrenador deportivo que significa literalmente “exploración, reconocimiento”, y con el cual se acostumbra a identificar dos procesos diferentes:

1. Al proceso mediante el cual un scout (cazatalentos) identifica, da seguimiento y recluta a atleta/s talentoso/s en determinada disciplina deportiva.

2. Al proceso mediante el cual un entrenador, o un equipo de estos, estudia las características relevantes al rendimiento deportivo del o los oponentes para identificar sus fortalezas y debilidades, con la finalidad posterior de adoptar decisiones encaminadas a minimizar los riesgos y maximizar las potencialidades de su atleta en oposición a las del adversario.

    Es precisamente este último proceso al cual se le denomina Estudio de contrarios o Advanced Scouting (traducido literalmente al castellano significa Exploración avanzada), a partir de su concepto, es posible inferir que para el buen desarrollo de este es conditio sine qua non tener adecuadamente definidos los indicadores que resultan relevantes al rendimiento deportivo, los cuales generalmente se mantienen subyacentes, ocultos a la simple observación rutinaria, cuando esto ocurre, el entrenador apela a su intuición y experiencia práctica, por lo que sus decisiones van marcadas por la subjetividad y acompañadas de un margen de incertidumbre muy elevado, pudiendo cometer el error de considerar elementos que son irrelevantes y a su vez ignorar aquellos de mayor importancia, con lo que cae en errores tácticos que actúan en detrimento del rendimiento de su atleta. El estudio de contrarios complementa, por tanto, al proceso de Preparación Táctica, imbricándose dentro de este.

    Un buen proceso de estudio de contrarios debe responder a las siguientes interrogantes:

• ¿Cuáles son los indicadores que debo observar porque son los que resultan más relevantes al rendimiento en mi deporte?

• ¿Cuáles son las fortalezas y debilidades o riesgos de mi atleta considerando el comportamiento de su oponente en estos indicadores?

• ¿Cuáles son las fortalezas y debilidades o riesgos del oponente considerando el comportamiento de mi atleta en estos indicadores?

• ¿Cuáles son las jugadas, acciones, técnicas, etcétera, más efectivas para mi atleta en cada situación?

    No es difícil notar que la respuesta a estas cuatro interrogantes implica necesariamente una modelación a priori de lo que puede suceder en el juego, o en el combate, lo cual expresa el carácter predictivo, generalmente estocástico, del proceso.

    Una de las características afines a todos los deportes cuyo indicador fundamental es táctico (como los de juego y los de combate), es la infinidad de situaciones que pueden ser dadas durante cada encuentro, por lo que el entrenador para poder modelar, con un margen de incertidumbre tolerable, la posible efectividad de las acciones durante cada encuentro, deberá manejar una voluminosa cantidad de datos que muy probablemente a simple vista no “dirán” nada, razón por la cual se impone la necesidad de analizar estos mediante un proceso robusto que permita extraer conocimiento implícito en bases de datos, identificar patrones comprensibles, descubrir modelos previamente desconocidos y construir reglas con una finalidad predictiva para su uso en la toma de decisiones, para lo cual deviene como herramienta más novedosa, rápida y eficaz la Minería de Datos.

    Se conoce como la primera incursión de alto éxito en el estudio de contrarios a la aplicación preparada por la reconocida empresa productora de hardware y software IBM para la National Basketball Association (NBA), a mediados de la década de los ’90, la que consistía en un sistema experto llamado Advanced Scout (AS) que, según sus creadores, busca y descubre interesantes patrones en los datos del partido de Baloncesto. Con esta información, un entrenador puede medir la efectividad de ciertas decisiones y formular estrategias de juego. (2)

    En la temporada de 1995-1996 este software fue distribuido a 16 de los 29 equipos de la NBA. Mientras algunos de los equipos estaban en la etapa temprana de evaluación de su uso otros (como New York Knicks, Orlando Magic, Seattle Supersonics) rápidamente integraron el software a sus procesos de preparación y análisis del partido. (2)

    Específicamente en Cuba, una de las aplicaciones más paradigmática, y a la vez insuficientemente valorada, ha sido el software desarrollado en el año 2008 por la Universidad de Ciencias Informáticas (UCI) y supervisado por la Comisión Nacional de Béisbol (CNB) y el Centro Investigación e Informática para el Deporte (CINID), bajo el nombre de Sistema de Estudio de Contrarios (SEC) para el Béisbol, el cual es un sistema experto que puede servir a directivos, entrenadores y jugadores para analizar, antes, durante y después del juego, el comportamiento de los jugadores participantes, permitiéndoles mejorar su efectividad en los partidos. (7)

    Además, mediante el módulo de Reportes, devuelve una información visual bastante exacta de las debilidades y fortalezas de un jugador para diferentes instantes del juego.

    Otro ejemplo cubano se encuentra en la provincia Granma donde recientemente este autor desarrolló, para la Lucha Libre, una aplicación de Inteligencia Artificial relacionada con el estudio de contrarios, la cual es capaz de explicar y predecir el comportamiento de la efectividad técnica del atleta en la lucha de pie, considerando su estatura y masa muscular respecto al oponente, asesorando con ello a atletas y entrenadores en la toma de decisiones tácticas.

Minería de Datos, Inteligencia Artificial y estudio de contrarios en los deportes de combate

    El análisis de la literatura relativa al tema permite reconocer al Baloncesto y el Béisbol, como los deportes que han hecho un uso más extenso de la Minería de Datos en sus diferentes campos, quizás por ser dos de los deportes que mayor volumen de datos estadísticos generan, ocurriendo lo contrario en el resto de las disciplinas deportivas, las cuales se han ido incorporando con mayor lentitud, sobretodo los deportes de combate.

    Específicamente en este tipo de deportes, a excepción del trabajo antes mencionado, se desconoce la existencia de alguna aplicación de Minería de Datos en función del estudio de contrarios que haya finalizado en un sistema experto u otro similar, dado que las investigaciones efectuadas en tal sentido han estado basadas mayoritariamente en análisis estadísticos descriptivos y de correlación bivariada, sin explotar las técnicas de estadística multivariada avanzada que caracterizan la Minería de Datos y que pudieran, a partir de datos obtenidos mediante observaciones sistemáticas al comportamiento técnico-táctico en competencias, generar modelos matemáticos predictivos, y sobre estos, aplicaciones de Inteligencia Artificial que apoyarían el proceso de preparación táctica.

Conclusiones

    La Modelización Matemática sustentada en la Minería de Datos y su conversión en aplicaciones de Inteligencia Artificial, tanto en el deporte como en las demás ramas del saber, deviene en herramienta insoslayable para la investigación-desarrollo-innovación, por lo que su empleo continuará mostrando una tendencia creciente, siendo posible prever su inminente y necesaria incursión en el estudio de contrarios en los deportes de combate.

Bibliografía

1. Arco, Robinson (2009) Pronósticos. Disponible en: http://www.casioacademico.com.ve. Consultado el 19 de septiembre de 2010. 

2. Calzadilla Fernández de Castro, O. y col. (2007) Aplicaciónn de la minería de datos al Sistema Cubano de Farmacovigilancia. Revista Cubana de Farmacología, v. 41, n. 3.

3. Febles Rodríguez, J. P. y A. González Pérez (2002) Aplicación de la minería de datos en la bioinformática. ACIMED, v.10, n.2.

4. Lewis, Michael (2003) Moneyball: The Art of Winning an Unfair Game. USA, W. W. Norton & Company.

5. Microsoft Corporation (2009) Enciclopédia Encarta. Microsoft Corporation. Inteligencia Artificial.

6. Miño Herrera, N., J. L. Cabrera Pérez y L. Ruiz Álvarez (2010) Uso de la Minería de Datos para incorporar al Sistema de Estudio de Contrarios una Herramienta Inteligente para la Toma de Decisiones. VIII Congreso Internacional de Informática en la Salud.

7. Ramblings, Gaugeus (2007) Mathematical Models. Disponible en: http://www.gaugeus.com. Consultado el 19 de septiembre de 2010. 

8. S/A (2010) Modelación Matemática. Una Introducción al método. Disponible en: http://mathmodelling.googlepages.com. Consultado el 9 de septiembre de 2011. 

9. Solieman, O. K. (2006) Data Mining in Sports: A Research Overview. Disponible en: http://ai.arizona.edu/mis480/syllabus/6_osama-dm_in_sports.pdf. Consultado el 16 de septiembre de 2010.

10. Szpiro, G. G. (2010) A Search for Hidden Relationships: Data Mining with Genetic Algorithms. Computational Economics, vol. 10, n. 3. p. 267-277.

Otros artículos sobre Educación Física

	Búsqueda personalizada
EFDeportes.com, Revista Digital · Año 18 · N° 180 | Buenos Aires, Mayo de 2013   © 1997-2013 Derechos reservados