Révolution de l'entraînement : comment l'IA change le football

• Dans quelle mesure l'IA va-t-elle changer le jeu dans les cinq prochaines années ?
• Dans quelle mesure la recherche de talents est-elle déjà assistée par l'intelligence artificielle ?
• Une IA reconnaîtrait-elle et prendrait-elle en compte les jeunes particulièrement développés ou en retard par rapport à leur âge biologique ?
• Les clubs amateurs peuvent-ils aussi l'appliquer relativement facilement ?
• Dans quelle mesure les systèmes d'IA soutiennent-ils la rééducation ?
• Une IA me dirait-elle aussi quand je dois faire une pause ?
• Quelle est l'utilisation de l'IA dans l'apprentissage/l'amélioration des techniques de mouvement ?
• Est-il vraiment possible qu'une caméra filme un match sous 1000 angles et crache ensuite une tactique ?

Depuis longtemps déjà, les entraîneurs* de sports collectifs, notamment de football, travaillent avec d'innombrables données d'entraînement. Les équipes de première division, par exemple, ont commencé par intégrer les nouvelles technologies, car la mesure et l'évaluation des paramètres physiologiques font depuis toujours partie du profil professionnel de leurs entraîneurs de fitness. À l'entraînement et en match, d'abord sans ballon puis avec, l'équipe de coaching peut bien saisir la vitesse, les accélérations ou les kilomètres parcourus par les joueurs*. Aujourd'hui, ces données sont également analysées à l'aide de l'intelligence artificielle (IA). Les entraîneurs* intègrent les connaissances acquises dans leurs plans d'entraînement, en déduisent des profils de charge et gèrent les séances. Entre-temps, même les contenus d'entraînement complexes avec ballon peuvent être planifiés et analysés de manière décisive par l'IA.

Daniel Memmert accompagne scientifiquement de tels développements. Daniel Memmert est professeur et directeur général de l'institut des sciences de l'entraînement et de l'informatique sportive à l'université allemande du sport de Cologne. Il a publié de nombreux ouvrages (spécialisés), par exemple sur l'analyse des données dans le football, et fait de la recherche, entre autres, pour le football allemand et la ligue allemande de football. Pour ISPO.com, il fait un pronostic sur l'ampleur des changements que l'IA apportera au sport et montre ce qui est possible aujourd'hui dans le sport de haut niveau et bientôt dans le sport de loisir avec l'IA.

Massivement. Le facteur principal sera le scouting. Seuls environ dix pour cent des clubs professionnels utilisent actuellement le data scouting. Cela va exploser dans les années à venir. Ainsi, de nombreuses ligues, par exemple la ligue brésilienne et la ligue argentine, ne collectent pas encore de données de suivi ou de positionnement satisfaisantes. Un jour, toutes les ligues disposeront de ces données. Par exemple, on obtiendra alors en un clic une liste de joueurs avec certaines métriques que le club concerné trouve importantes. Il sera alors possible, par exemple, d'observer à nouveau en direct les dix meilleurs joueurs de cette liste ou de les scouter par vidéo. Certains clubs engagent déjà moins de scouts, mais l'observation traditionnelle des joueurs est encore prédominante. Dans les années à venir, le scouting de données s'étendra également aux catégories de jeunes U17 ou U19, afin de pouvoir rechercher, répertorier, analyser et évaluer les joueurs plus rapidement, plus efficacement et selon certains indicateurs clés de performance.

Grâce à notre outil développé et validé par nos soins, nous utilisons les données historiques des clubs de Bundesliga et calculons par exemple les probabilités des joueurs qui devraient déjà passer de la catégorie U12 à la catégorie U14. Ou quelle valeur marchande et combien de minutes professionnelles les joueurs auront plus tard. Nous nous basons toujours sur les données historiques, qui nous donnent une estimation pour l'avenir.

Là, on utiliserait d'autres mesures. Il y a par exemple le BioBending. Selon ce système, les joueurs sont regroupés et évalués à l'entraînement et en compétition en fonction de leur stade de développement biologique plutôt que de leur âge calendaire, afin de contourner le problème du "relative age effect". Parallèlement, il est statistiquement vrai que les joueurs nés tard dans l'année accumulent plus de minutes professionnelles dans certains centres de formation que ceux nés entre janvier et mars. C'est ce qu'on appelle "l'effet inverse de l'âge relatif". Comme les plus jeunes jouent continuellement avec des plus forts/plus grands et doivent s'imposer, il peut en résulter des avantages. Mais en réalité, nous commençons également à travailler avec l'IA dans ce domaine. Nous avons déjà développé des modèles de prévision pour inclure l'effet de l'âge relatif.

Bien sûr, cela demande beaucoup de travail. Mais il existe des systèmes de caméras de moins en moins chers qui fournissent des données vidéo à partir desquelles il est possible d'extraire des données de suivi. On y travaille depuis environ cinq ans. Ces possibilités seront bientôt abordables pour de nombreux clubs amateurs, car les capteurs ne coûtent plus aussi cher. Pour de nombreuses entreprises technologiques, il en résulte un modèle d'affaires qui leur permet de collaborer avec des clubs plus petits.

Le terme technique à ce sujet est "Injury Prediction". Il existe des études qui montrent avec quelles probabilités les joueurs se blesseront s'ils ne sont pas ménagés. Pour cela, il faut des données médicales et c'est pourquoi il est très difficile de publier ce genre de choses ou de les rendre transparentes. C'est là que nous avons le plus besoin de recherche. Nous voulons encore mieux comprendre quel est l'historique des blessures qui fait que les joueurs doivent être ménagés. En même temps, nous étudions dans quelles situations d'un match – par exemple dans quel type de duel – le risque de blessure est particulièrement élevé. De telles questions peuvent être traitées de manière optimale par l'IA grâce à de grandes quantités de données historiques. Nous essayons actuellement de trouver des financements pour de tels projets.

Oui, bien sûr. Dès que des données historiques ou des données comparatives au sein de groupes sont disponibles, les données historiques d'un athlète étant plus utiles, cette IA utilise ces informations pour orienter l'entraînement en conséquence.

L'IA essaie de classer les données de performance et, sur la base des données historiques disponibles, elle sait dans quelle zone d'entraînement l'athlète évolue.

Les techniques de mouvement sont à mes yeux quelque chose de très individuel. Je refuse d'établir des normes en la matière. Il n'existe pas de technique standard en or, mais en raison des conditions biomécaniques et anthropométriques, de nombreuses techniques différentes conduisent à des performances de pointe. Par exemple, les dix meilleurs joueurs de tennis du monde ont des techniques relativement différentes pour le service, le revers ou le coup droit. Comme il n'existe pas de technique standard idéal, l'utilisation de l'IA est ici beaucoup plus complexe. Il faudrait investir beaucoup de temps pour obtenir des résultats significatifs. Nous n'en sommes qu'au début.

Oui, bien sûr, c'est comme ça que ça fonctionne. Nous avons par exemple les données du championnat allemand de football. Cela nous permet de connaître en une fraction de seconde le contrôle spatial des joueurs, de toute l'équipe, les valeurs de pressing, les adversaires dépassés et bien d'autres variables tactiques. Comme les données des capteurs du ballon et des joueurs sont devenus très fiables, tout est suivi de manière très précise. Nous disposons donc ici de données de première qualité et d'analyses assistées par l'IA très performantes.