Veštačka inteligencija u fudbalu: kako algoritam prepoznaje igrača koga skaut možda još nije video
Fudbalski talenat je decenijama prepoznavan „okom”: kako dečak prima loptu, kako se kreće bez nje, da li ima hrabrost da igra pod pritiskom, da li razume prostor pre nego što ga drugi vide. To se nije promenilo. Ali promenio se alat. Veštačka inteligencija danas ne ukida skauta, trenera i intuiciju — ona im dodaje još jedan, mnogo širi par očiju.
Suština primene AI u prepoznavanju potencijalnih vrhunskih fudbalera nije u tome da kompjuter „izabere novog Mesija”. To bi bilo preterivanje. Njena stvarna vrednost je u tome što može da obradi ogroman broj podataka koje čovek ne može da sagleda istovremeno: video-snimke utakmica, GPS podatke, brzine, ubrzanja, broj sprinteva, tehničke poteze, donošenje odluka, fizički razvoj, rizik od povreda, pa čak i kontekst u kom igrač nastupa.
Kako AI prepoznaje potencijal? Prvi sloj je tehnički. Algoritam analizira broj i kvalitet dodira, pas pod pritiskom, prvi kontakt, tačnost dodavanja, uspešnost driblinga, šut, prijem u kretanju, igru slabijom nogom. Ali tu se ne zaustavlja. Sve je važniji drugi sloj — odluka. Na primer: da li igrač pasom rešava situaciju pre nego što pritisak stigne? Da li se otvara u pravi prostor? Da li skenira teren pre prijema? Da li bira jednostavno rešenje kada je potrebno, a rizično kada postoji prostor za dobitak?
Treći sloj je fizički profil. Tu ulaze brzina, eksplozivnost, ponovljeni sprintevi, promena pravca, izdržljivost, ali i podaci o opterećenju. U ozbiljnim akademijama to se ne meri samo jednim testom na 30 metara, već kroz kontinuirano praćenje treninga i utakmica.
Da ovo više nije naučna fantastika, pokazuju i prvi praktični primeri. Jedan od najkonkretnijih dolazi iz Engleske, gde je Barnli pokrenuo globalnu potragu za talentima preko platforme AiSCOUT. Ideja je jednostavna: igrač preko aplikacije snima zadate fudbalske i atletske vežbe, sistem ih analizira, ocenjuje tehniku, kretanje i fizičke parametre, a skauti potom dobijaju signal koga vredi pogledati uživo. Barnli je 2022. objavio da je, od početka saradnje sa AiSCOUT-om, 39 igrača skautirano preko aplikacije, a da je nekoliko igrača iz različitih delova sveta pozvano na dalje provere. To nije dokaz da algoritam sam „pravi” fudbalera, ali jeste dokaz da AI može da proširi domet kluba daleko izvan klasične skautske mreže.
Još jedan primer je Čelsijeva saradnja sa AiSCOUT-om. Platforma je 2022. objavila petogodišnji dogovor sa Čelsijem kao zvanični akademski istraživački partner, posle perioda rada sa Čelsijevom akademijom. U jednom od javnih primera, aplikacija je pomogla Čelsijevoj ženskoj akademiji da identifikuje igračicu koja nije bila u redovnom vidokrugu skauta, dobila je poziv na proveru u Kobamu, a zatim potpisala za akademiju. Poruka je jasna: algoritam nije zamena za trenera i skauta, ali može da napravi prvi filter i skrene pažnju na igrača koji bi inače ostao nevidljiv.
Još konkretniji primer dolazi iz sistema Eyeball, digitalne skautske platforme koja koristi video i automatsko praćenje igre za analizu mladih fudbalera. Prema pisanju Guardiana, platforma prati skoro 180.000 uglavnom tinejdžera iz 28 zemalja, mereći parametre kao što su pretrčana distanca, brzina, broj sprinteva, ubrzanja, usporavanja i promene pravca. Neki igrači praćeni kroz takav model već su stigli do profesionalnih klubova: Abdoulaye Kanté do Troe, Daniel Skaarud do akademije Ajaksa, a Assane Ouedraogo do Šalkea 04 . To još nije dokaz da AI može da predvidi buduće zvezde, ali jeste dokaz da može da proširi mapu skautinga i da klubovima skrene pažnju na igrače koji bi u klasičnom sistemu možda ostali neprimećeni.
Na drugom nivou, primer Liverpula i Google DeepMind-a pokazuje da AI već ulazi i u najviši profesionalni fudbal, ali više kroz taktiku nego kroz klasično otkrivanje talenata. Sistem TacticAI, razvijen u saradnji sa stručnjacima Liverpula, analizirao je kornere i predlagao poziciona rešenja. U naučnom radu i objavi DeepMind-a navedeno je da su ljudski eksperti u slepom testu preferirali predloge sistema u odnosu na postojeća rešenja u 90 odsto slučajeva. To nije primer skautinga mladih igrača, ali je važan dokaz da AI već može da prepozna obrasce u fudbalu koje ljudsko oko teško sistematizuje u realnom vremenu.
Posebno važan deo priče je biološka zrelost. U mlađim kategorijama često izgleda da je najtalentovaniji onaj ko je trenutno najjači, najbrži i najviši. Ali to ponekad znači samo da je ranije sazreo. Zato AI i savremena dijagnostika moraju da gledaju ne samo šta dete danas može, već i gde se nalazi u razvojnom procesu. Igrač koji sa 13 godina fizički dominira ne mora nužno da ima najveći potencijal sa 18. I obrnuto: dečak koji kasni u razvoju može da ima izuzetnu tehniku, inteligenciju igre i sposobnost učenja, ali da u tom trenutku gubi duele samo zato što još nije fizički sazreo.
To je jedan od razloga zašto se u razvijenim sistemima koristi bio-banding — grupisanje igrača prema biološkoj, a ne samo hronološkoj starosti. Premijer liga u okviru svog Elite Player Performance Plan-a navodi da koristi Growth and Maturation Screening za procenu biološkog rasta akademskih igrača, kao i bio-banding turnire, upravo da bi se ublažile nepravde koje nastaju kada se deca ocenjuju samo po godištu. Drugim rečima, cilj je da se dete koje kasnije sazreva ne otpiše prerano, ali i da se igrač koji trenutno fizički dominira ne proglasi automatski najvećim talentom samo zato što je u tom uzrastu razvijeniji od vršnjaka.
Zbog toga se u razvijenim sistemima sve više insistira na praćenju rasta, sazrevanja i opterećenja. To znači da se talenat ne meri samo golovima, asistencijama i pobedama, već i kontekstom: protiv koga igra, u kakvom timu, na kojoj poziciji, u kojoj fazi fizičkog razvoja i sa kakvim trenažnim uslovima.
Koja testiranja su potrebna? Najmanje četiri grupe. Prvo, medicinska i antropometrijska dijagnostika: visina, težina, procena rasta, telesna kompozicija, istorija povreda. Drugo, fizička testiranja: sprint, agilnost, skok, izdržljivost, reakcija, simetrija snage. Treće, fudbalska testiranja: tehnika pod pritiskom, pas, prijem, završnica, igra jedan na jedan, poziciono razumevanje. Četvrto, psihološko-kognitivna procena: koncentracija, donošenje odluka, otpornost na grešku, takmičarski karakter, učenje i adaptacija.
A kolika je verovatnoća da AI „pogodi”? Tu treba biti pošten: ne postoji univerzalan procenat. U nekim oblastima, poput analize opterećenja ili procene rizika od povreda, modeli mogu da daju korisne signale. U skautingu mogu da suze izbor, uporede profile, uoče neobičan obrazac i preporuče koga treba gledati uživo. Ali predviđanje da će neko sa 13, 14 ili 15 godina postati vrhunski profesionalac ostaje izuzetno složeno. Na razvoj igrača utiču zdravlje, karakter, trener, porodica, klub, minutaža, povrede, škola, motivacija i mnogo slučajnosti koje nijedan algoritam ne može u potpunosti da predvidi.
Najveća greška bila bi da se AI koristi kao presuda. Njegova prava uloga je da bude sistem ranog upozorenja: ovaj igrač ima neobično dobar prvi korak; ovaj kasno sazreva, ali ima vrhunsko razumevanje igre; ovaj ima visok rizik od preopterećenja; ovaj u slabijem timu donosi odluke kao igrač višeg nivoa.
Šta posle kada se igrač prepozna? Tada počinje važniji deo posla. Potreban je individualni razvojni plan: poziciona obuka, tehnički zadaci, fizički program u skladu sa rastom, praćenje opterećenja, mentorski rad, psihološka podrška i pametno uvođenje u jači nivo takmičenja. Ako je igrač prepoznat sa 13 ili 14 godina, cilj nije da se odmah proglasi budućom zvezdom, već da mu se napravi put na kojem će ostati zdrav, motivisan i izložen pravim izazovima.
Budućnost je, dakle, već stigla. Ali ona nije hladna zamena za trenera. Najbolji model je spoj: podatak koji ne laže, skaut koji razume igru, trener koji razvija čoveka i klub koji ima strpljenja. AI može da pokaže gde da gledamo. Ali fudbaler se i dalje stvara na terenu.
