TFF yönetimleri artık yapay zeka yazılımcısını da seçmeli

Mehmet Büyükekşi başkanlığındaki yeni TFF yönetimi de “Hakem atamalarını yapay zeka yapacak” ile giriş yaptı lakin önemli bir farkla: Hızlıca başlanan yazılım çalışmalarıyla somut adım atarak.

SWOT ANALİZİNDEKİ YERİ HER GEÇEN GÜN ARTIYOR

Pek çok sektörde SWOT (Strengths-güçlü yönler, Weaknesses-zayıf yönler, Oppurtunities-fırsatlar ve Threats-tehditler) analizi yapılırken yapay zeka yazılımları fazlasıyla söz sahibi hale geldi. Yapay zeka ile geliştirilen akıllı sistemler, muhasebe, finans ve dolandırıcılıkları önleme açısından da yaygın kullanılmakta. Futbol endüstrisinde de hatırı sayılır yeri var. Hollandalı bir spor analiz şirketi, gerçek zamanlı takip sistemiyle dünyanın önde gelen kulüplerine oyuncu seçiminde ve oyun geliştirilmesinde destek sağlıyor. 90 bin civarında oyuncuyu evrensel bir endeks ile değerlendiriyor, kalitesini, yeteneğini ve değerini hesaplamak için algoritmalar kullanıyor. Kulüplerin yetenek keşfine, doğru oyuncuya odaklanmalarına ve detaylı rakip analizine fırsat sağlıyor. Amerikan futbolunda ve NBA’de takımlar hem gelişim hem de rakip analizinde oyunun her detayını gözden geçiren yazılımlara önemli bütçe harcıyorlar.

OYUNCULARIN NERELERE HAREKET EDECEĞİNİ TAHMİN EDEN SİSTEM DE VAR

2014’te Google tarafından satın alınan bir şirket ise maç esnasında kameranın görüş alanına giren/girmeyen oyuncuların nereye hareket edebileceğini tahmin eden bir yapay zeka geliştirdiğini açıklamıştı. Veri havuzunda o oyuncu grubuna ait önceki maç verilerinin girilmesiyle destekleniyordu ve oyuncunun belli bir noktada topu kontrol etme olasılığına dair tahmin yürütebiliyordu. Türkiye’de de yapay zeka farkındalığını artırmak ve geliştirmek amacıyla kurulan ‘Türkiye Yapay Zeka İnisiyatifi’nin TRAI Girişimler Haritası’nda görüntü işleme, öngörü ve veri analitiği, arama motoru, doğal dil işleme, chatbot- diyalogsal yapay zeka, makine öğrenmesi, optimizasyon, otonom araçlar, robotik süreç otomasyonu ve akıllı platformlar ile çalışmalar yapan 259 girişim yer alıyor.

HAKEMLİKTE NASIL UYGULANABİLİR?

Yapay zeka, veri madenciliği yapmaktır. Ne denli geniş veri havuzunuz ve kıyas kriteriniz varsa, o verilerden çıkardığınız maden de o kadar kıymetli olur. Hakem atamalarında sağlıklı yapay zeka sonuçlarına ulaşabilmek için sadece hakem verisi değil, ligdeki takımların da verisi girilmelidir. Yapay zeka sisteminin, çok sayıda kritere göre hakemler için endeks çıkarabilecek değerlendirmeye sahip olması gerekir. Hakemlere ait veriler gerek sezon öncesi, gerek de maçlar oynandıkca örnek olarak aşağıdaki temel kriterlerle sisteme girilebilir. Her kriterin belirlenecek mantıklı cevapları kendi içinde puanlanarak bir modeli oluşturulabilir.

ONLARCA KRİTER VAR

Tecrübe yılı, dört büyük maçlarında görev sayısı, genel faul başarısı, kolay faul çalma seviyesi, avantaj becerisi, penaltı doğruluk seviyesi, VAR ile verdiği penaltı oranı, genel kart başarısı, kolay kart çıkarma durumu, elle oynama kararları, kondisyon, pozisyonlara yakınlık, atmosferden etkilenme, oyuncu iletişimi, gerilimli anları yönetebilme, hatalı verdiği karardan etkilenme, maçlarındaki toplam siyah-beyaz hata ve VAR müdahale sayısı, son 5 maçında görev aldığı takımlar, sezon geneli görev aldığı takımlar, son 3 maçındaki performans ortalaması gibi kriterler seçeneklendirilerek puanlama yapılabilir. Çoğaltılabilecek pek çok kritere ait hakem verileri yapay zeka veritabanına işlenebilir. Atama yapılırken hakemin tüm puanları harmanlanarak bir sonuca varılacak. Maçla hakemin sağlıklı yapay zeka analizi ile eşleşebilmesi adına takımlar için de belirlenecek kriterlere ait veriler sistemde olmalı ki aşağıdaki örnek sorularla karşılığını bulabilsin.

MÜKEMMEL MAÇ-HAKEM EŞLEŞMESİ İÇİN TAKIM VERİLERİ EKSİKSİZ GİRİLMELİ

1- Ligin en çok faul yapan iki takımı mı? (Performans puanı, genel faul başarı puanı ve kart puanı yüksek hakem).

2- İkisi de kontraya hızlı ve sık çıkan takımlar mı? (Kondisyon puanı üst düzey hakem).

3- Hakemi aldatmaya yönelik davranan veya agresif oyuncu sayısı çok mu? (Gerilimli anları yönetebilme puanı, oyuncu iletişimi puanı yüksek hakem).

4-Ligin az faul yapan, centilmen iki takımının maçı mı? (Tecrübe puanı az olan hakemi kullanabilme fırsatı).

5- Düşme hattı veya şampiyonluk maçı mı? (Son 3 maçındaki performans puanı yüksek, tecrübesi fazla, penaltı başarı puanı yüksek hakem).

VERİ MİKTARI ARTTIKÇA MHK'NİN İŞİ KOLAYLAŞIR

Görüleceği üzere basit yaklaşımlarla her hafta hakemler için girilecek puanlarla yapay zeka gelişecek. Veri miktarı ve kriter arttıkça ileriki haftalara dair yapay zeka hakem ataması MHK’nın önüne çok daha geniş alternatifleri çıkarabilir hale gelecek. TFF’nin önünde 2 yol var:

1- Yapay zeka sıfır veriyle çalışan bir uygulama değildir. Dolayısıyla sezonun ilk haftalarında MHK zekasıyla eski sistem atamalar yapılarak yapay zeka sistemi için 4-5 haftalık veri toplanıp hizmete alınabilir, süreçte yazılım da tamamlanır.

2- Geçen sezonun hakem verilerini, örneklediğim gibi kriterlerle gözlemci raporları paralelinde sisteme girerek, yapay zekanın bir sezonluk veri madenine sahip olması sağlanıp sezona girilebilir. Ne diyelim, IQ’su her geçen gün yükselen bir yapay zekamız olsun inşallah. Artık 2030’larda TFF’ler MHK’nın 9 üyesini değil, yapay zeka yazılımcılarını seçecek gibi.