Μπάγερν Μονάχου-Ολυμπιακός: Οι θέσεις που πρέπει να χτυπήσουν οι ερυθρόλευκοι

Ένα από τα πρώτα κείμενα που διάβασες στην ανανεωμένη έκδοση του Contra.gr, αφορούσε το machine learning, εφαρμογή της τεχνητής νοημοσύνης που επικεντρώνεται στο σχεδιασμό συστημάτων, τα οποία μπορούν να λάβουν τεράστιο όγκο δεδομένων και να 'μάθουν' να τον επεξεργάζονται, ώστε να παίρνουν μόνα τους αποφάσεις.

Σε αυτό χρωστάς την Alexa, τη Siri, την καλύτερη -χωρίς κίνηση- διαδρομή όταν χρησιμοποιείς το GPS, τα spam στo email σου, τις προτάσεις για προϊόντα που σε ενδιαφέρουν, όλες τις προβλέψεις, τα apps για τη μετακίνηση σου (μη σου πω γενικότερα τα apps), ό,τι συμβαίνει στα social networks και ό,τι έχει το smart μπροστά από μια συσκευή (όχι την έξυπνη σίτα, αλλά τα smart phones).

Στα δικά μας, η πρώτη χρήση του machine learning στον αθλητισμό ήταν από τον Muthu Alagappan, γιατρό στο επάγγελμα, ο οποίος στην πρακτική που έκανε το 2012, σε εταιρεία με 'μηχανική μάθηση', σκέφτηκε πως θα ήταν φανταστική ιδέα να χρησιμοποιήσει τα εργαλεία, για το πάθος του (ΝΒΑ). Το πρόγραμμα που εφάρμοσε κατέληξε στο ότι το μπάσκετ δεν έχει πέντε θέσεις, αλλά 13 που είναι 'κρυμμένες'.

Αυτό που έκανε το μηχάνημα ήταν να λάβει τους αριθμούς όλων των NBAers της σεζόν 2010-11, στις επτά βασικές στατιστικές κατηγορίες (ασίστ, τάπες, φάουλ, πόντοι, ριμπάουντ, κλεψίματα και λάθη), συν το χρόνο συμμετοχής και να τα συγκρίνει. Αυτή ήταν η πρώτη τεχνολογική επανάσταση, στο χώρο του μπάσκετ που πια έχει περάσει σε άλλα επίπεδα. Ενδεικτικά, ο Daryl Morey έγινε ο πρώτος GM οργανισμού του ΝΒΑ που δεν είχε ιδέα από μπάσκετ, αλλά ήταν εξαιρετικός προγραμματιστής, ενώ ο Χαράλαμπος Βούλγαρης έγινε ο πρώτος επαγγελματίας gambler που προσελήφθη σε μέλος του ΝΒΑ (Dallas Mavericks). Προηγουμένως, είχε αναπτύξει αλγόριθμο που τον βοηθούσε να 'βλέπει' που να στοιχηματίζει στους αγώνες.

Όλα πια είναι αριθμοί και με αυτήν τη λογική κινήθηκε το NewStats , μια νέα ελληνική startup που μπαίνει στο χώρο των analytics, με τη χρήση τεχνητού νευρωνικού δικτύου. Τι είναι αυτό;

(Αυτός είναι ο εγκέφαλος σου. Που δεν είναι μυς, αλλά πολύπλοκο όργανο με περισσότερα από 100 τρισεκατομμύρια νευρικά κύτταρα που λαμβάνουν, επεξεργάζονται και μεταδίδουν τις πληροφορίες. Συνδέονται -με άξονες και δενδρίτες-, ώστε να ρυθμίσουν όλες τις λειτουργίες του σώματος και του μυαλού. Από την αναπνοή μέχρι τον τσακωμό)

Το artificial neural network προέκυψε ως μαθηματικό μοντέλο προσομοίωσης της πολύπλοκης λειτουργίας του ανθρώπινου εγκεφάλου, ώστε να επιτρέπει την παράλληλη επεξεργασία δεδομένων και τη δυνατότητα της συνεχούς μάθησης, μέσω της αλληλεπίδρασης με το περιβάλλον. Έτσι ο εγκέφαλος μας εκτελεί δύσκολα καθήκοντα. Έτσι εξελίσσεται διαρκώς. Ή τουλάχιστον, αυτό υποτίθεται πως πρέπει να συμβαίνει.

Τώρα που τα εξηγήσαμε όλα, ας πάμε και στο θέμα μας: τις πραγματικές θέσεις των παικτών του Ολυμπιακού και της Μπάγερν Μονάχου, με αφορμή το αποψινό παιχνίδι (21.30), για την 8η αγωνιστική της Euroleague. Θα δείτε τι προέκυψε από όλα τα δεδομένα που επεξεργάστηκε το πρόγραμμα του NewStats, μαζί με τα κύρια στοιχεία της ομάδας που θα αντιμετωπίσουν οι ερυθρόλευκοι, οι οποίοι προέρχονται από τρεις σερί ήττες στην ευρωπαϊκή διοργάνωση (ΤΣΣΚΑ, Παναθηναϊκός ΟΠΑΠ και Φενέρμπαχτσε).

Ας ξεκινήσουμε από τη γηπεδούχο ομάδα, που σκοράρει 69 πόντους ανά 100 κατοχές (ως κατοχή προσδιορίζεται η μετακίνηση της μπάλας από τη μια μεριά στην άλλη -πχ. αν μεσολαβήσουν 3 επιθετικά ριμπάουντ, η κατοχή παραμένει η ίδια) και έχει για πολυτιμότερο παίκτη στα πέντε τελευταία ματς των Nemanja Dangubic (ηγείται των σκόρερ, των ριμπάουντερ και των πασέρ).

Αυτό που παρατηρείς είναι η θέση στην οποία -ας πούμε- έχει 'δηλωθεί' κάθε παίκτης. Το βελάκι σου δείχνει και πού αλλού μπορεί να παίξει και το ποσοστό που μπορεί να ανήκει εκεί -πληρώντας τις βασικές προϋποθέσεις, όπως προκύπτουν από τη λήψη όλων των δεδομένων για όλους τους παίκτες της φετινής διοργάνωσης. Για παράδειγμα, ο Dangubic είναι small forward, αλλά κατά 20% μπορεί να πάει στο "2" και κατά 30% να 'ντυθεί' φόργουορντ.

Ο Petteri Koponen είναι shooting guard, κατά 50%. Κατά 30% είναι 'άσος' (βλέπει γήπεδο και μπορεί να οργανώσει) και κατά 20% μπορεί να παίξει ως "τριάρι" (με το σουτ του να του επιτρέπει και αυτή τη... μετανάστευση). Κάτι αντίστοιχο ισχύει και για τον Nihad Djedovic. Ενδιαφέρουσα είναι η περίπτωση του Maodo Lo, που βάσει όσων έχει παράξει έως τώρα μπορεί να χρησιμοποιηθεί από το '1' έως το '3'. Κυρίως είναι point guard, αλλά κατά 30% είναι shooting guard και κατά 20% small forward.

Οι μόνοι αμετακίνητοι στο ρόστερ των Γερμανών είναι ο Alex King (100% τριάρι) και οι Derrick Williams και Marvin Ogunsipe (δεν κουνιούνται από το "4"). Μια γρήγορη ματιά σου δείχνει πως η Bayern έχει ελλείψεις σε πέντε. Δεν έχει έναν 'καθαρό', ενώ διαθέτει μόλις δυο που μπορούν να χρησιμοποιηθούν εκεί. Άρα ξέρεις και πού είναι χρήσιμο να 'χτυπήσει' ο Ολυμπιακός. Πάμε τώρα, και στους "ερυθρόλευκους".

Δεν θα ασχοληθούμε με την παραφιλολογία. Θα εστιάσουμε σε αυτό που βλέπεις και μάλλον είναι ξεκάθαρο για το τι θα χρειαζόταν το ρόστερ του Ολυμπιακού. Κάποιον που να μπορεί να ξεκουράσει τον Σπανούλη. Η απεικόνιση δείχνει ότι αυτός θα μπορούσε να είναι ο Nigel Williams-Goss, καθώς και στις δυο περιπτώσεις κατά 10% μπορούν να μετακινηθούν στο '2'. Μόνο που ο Kill Bill έχει την τεχνογνωσία, αλλά και την εμπειρία χρόνων. Ο νέος της παρέας παίζει για πρώτη φορά στην Euroleague, άρα ξεκάθαρα χρειάζεται χρόνο.

Στο "2" οι Πειραιώτες έχουν μόνο έναν παίκτη: τον Janis Strelnieks, ο οποίος ήταν τραυματίας και μέχρι να βρει τον εαυτό του, επίσης χρειάζεται χρόνο. Τώρα αυτομάτως όλα γίνονται πιο απλά. Απλουστεύονται τελείως αν εστιάσεις στην κατηγορία power forward. Εκεί υπάρχει ένας που ανήκει κατά 80% στη θέση. Από εκεί και πέρα, υπάρχουν τρεις που ανήκουν κατά 30% (Πρίντεζης, Παπανικολάου και Toupane), δυο ανήκουν κατά 20% (Timma, Leday) και ένας κατά 10% (Μπόγρης).

Πριν αρχίσεις να σχολιάζεις το σύστημα, θυμίζω πως οι εκτιμήσεις έγιναν βάσει των φετινών τους επιδόσεων σε επτά βασικές στατιστικές κατηγορίες.

Photo: Eurokinissi/Εuroleague.net