ဘောလုံး အားကစားနဲ့ Data Science အကြောင်း ။

၂၀၁၂ နောက်ပိုင်းမှာ အားကစားနည်းတွေ တော်တော်များများမှာ Data Science ၊ Data Analytic ပိုင်းတွေရဲ့ ပါ၀င်ပက်သက်မှုတွေက တော်တော်လေး များလာခဲ့တယ်။ လူအချို့ကတော့ အားကစားနည်းတွေ မှာ ဒေတာ ဆိုင်ရာ နည်းပညာတွေပါ၀င်ပက်သက်လာတာဟာ ကစားကွက်လှပမှုတွေနဲ့ ဖျော်ဖြေမှုဆိုင်ရာတွေမှာ လျော့ကြလာတာကြောင့် သိပ်တော့ သဘောမကျတတ်ကြပေမဲ့ လက်ရှိ မှာ AI နည်းပညာ တွေနဲ့ တောင် Performance Analysis တွေကိုပြုလုပ်လာတာဖြစ်ပါတယ်။

ဒီ Articles မှာတော့ ဘောလုံးအားကစား နည်းအတွက် အသုံးပြုတဲ့ AI တွေနောက်ကွယ်က Reinforcement Learning Model တွေအကြောင်း နဲ့ ဘောလုံး လောကမှာ Data Science နဲ့ ပက်သက်ပြီး ဘယ်လို မျိုးတွေ အသုံးပြုနေကြတာလဲ ၊ ဘောလုံး လောက Data Science ကို ပရိသတ်တွေ မြင်တာနဲ့ ကွာခြားချက် ဘာတွေ ရှိနေလဲ ဆိုတာကို ပြောပြပေးသွားမှာ ဖြစ်ပါတယ်။

ပထမဦးဆုံး အနေနဲ့ ပြောရမှာက ဘောလုံးပရိတ်သတ်တွေ အနေနဲ့ အားကစားမှာ ဒေတာတွေနဲ့ Deal လုပ်တာကို နားလည်လက်ခံပုံ နဲ့ သဘောကျမှု မကျမှု အကြောင်းပဲ။ ဘောလုံးပရိတ်သတ်တွေ အတွက် ဒီ Data တွေနဲ့ ပက်သက်တဲ့ အသိ တွေ ခံစားမှုတွေက ဘယ်က မြစ်ဖြားခံလည်းဆို တော့ ကစားသမားတွေရဲ့ Data အချက်အလက်ချင်း ယှဥ်တွဲဖော်ပြတဲ့ Media တွေရဲ့ Data Journalism ကြောင့်ပဲ။ Data Journalism ဆိုတာက အချက်အလက် မှတ်တမ်းအရ ယှဥ်တွဲဖော်ပြတဲ့ သတင်းတင်ဆက်ပုံမျိုး ဖြစ်တယ်။ အဲ့မှာ Media တွေက Data Journalism အရ ယှဥ်တွဲဖော်ပြတဲ့ အခါမှာ တစ်ချို့ Content တွေက Controversal ဖြစ်ပြီးတော့ စာဖတ်သူ အမြင်မှာ ဒီ Page က ၊ ဒီ Media က ပွဲရှာနေတယ် ဆိုတဲ့ အထာမျိုးကို ရောက်သွားတယ်။

ဥပမာ ပေးရရင် နောက်ပေါက် ကစားသမား တစ်ယောက်ယောက်က မက်ဆီနဲ့ CR7 ထက် Metric တစ်ခုခုမှာများ ပိုသာသွားတာကို ဖော်ပြပေးခဲ့ရင် အဲ့မှာ ငြင်းကြ ခုန်ကြပြီပဲ။ တကယ်တော့ ယခုလို တင်ဆက်ဖော်ပြမှုမျိုးဟာ ပြဿနာတော့ ရှိမနေပေမဲ့ bias တွေပါတတ်တဲ့ စာဖတ်သူတွေ ဆီမှာက Data Journalism က ပွဲရှာတာမဟုတ်သလို Stats နှစ်ခု ယှဥ်ပြီး တင်ဆက်မှု ပြုလုပ်တာက Metrics တစ်ခု ပိုသာသွားတာနဲ့ပဲ အဆိုပါ ကစားသမားက ပိုကောင်းတယ်လို့ ဆိုလိုတဲ့ သဘောမဟုတ်ဘူး ဆိုတာမျိုးလည်း စာဖတ်သူတွေအနေနဲ့ သတိထားသင့်တဲ့ အချက်တစ်ခုပါ။ ဒါက Data Journalism က ဘောလုံး အားကစား နည်းမှာ Data Science ပါလာတာကို လူတွေသိပ်မကြိုက်တဲ့ အချက်တစ်ခု ဖြစ်တယ်။ နောက်ထပ် ဘောလုံး အားကစားမှာ Data Science ပါလာတာကို ပရိတ်သတ်တွေ မကြိုက်တဲ့ အချက်က ကစားကွက် ပိုင်းဆိုင်ရာ မှာ အလှအပနဲ့ အနုပညာ ဆန်မှုတွေ လျော့နည်းလာတာကြောင့် ဖြစ်တယ်။ နောက်ထပ်တစ်ချက်ကတော့ ရလဒ်ပိုင်းဆိုင်မှာ ခန့်မှုန်းမှု ပြုလုပ်နိုင်တာ အားနည်းတဲ့ အချက်ကြောင့် ဖြစ်မယ်။

ဘောလုံး လောကမှာ Data Scientist တွေ ဘာလုပ်ရလဲဆိုတာ မပြောခင် အပေါ်က အချက်တွေကို ဘာလို့ အရင် ရှင်းပြရလဲ ဆိုတော့ စာဖတ်သူ ပရိတ်သတ် တွေအနေနဲ့ ဘောလုံး လောကက Data Science အပေါ် မြင်တဲ့ အမြင်နဲ့ လက်တွေ့ လောကမှာ လုပ်ဆောင်တဲ့ အကြောင်းအရာတွေကြားမှာ ဘယ်လို ဘယ်ပုံ ကွာဟမှု ရှိနေလဲ ဆိုတာကို သိသာ စေဖို့ ဖြစ်တယ်။

ဆိုတော့ ဘောလုံး အားကစား မှာ Data Analytic ၊ Data Science က ဘယ်လို နေရာမှာ ပါ၀င်နေလဲ အခု စပြောမယ်။ ပထမဆုံး တစ်ခုက ပရိတ်သတ်တွေ သဘောမကျတဲ့ Data Journalism နဲ့ ရုပ်သံ မီဒီယာပိုင်း ၊ အပေါ်မှာ Press Media တွေ ၊ Social Media တွေက Data Journalism အကြောင်းကို ပြောပြီးပြီ ဆိုတော့ ရုပ်သံ မီဒီယာ တွေက ပထမပိုင်း ပွဲပြီးတို့ ၊ ကစားချိန် တွေအတွင်းမှာတို့ မှာ Stats တွေ နဲ့ Key Players တွေ ၊ Position တူတဲ့ Players တွေရဲ့ Performance တွေ ဖော်ပြပေးတာမျိုး မှာ လုပ်တာ ဖြစ်တယ်။

အဆိုပါ ပွဲချိန်အတွင်း Live Data တွေက Video တွေကနေ တစ်ဆင့် Computer Vision နည်းပညာနဲ့ ရယူတာ ရှိသလို ၊ Human Scout တွေနဲ့ Manually Data Entry လုပ်တာလည်း ရှိတယ်။ လက်ရှိမှာတော့ Real Time Live Data တွေနဲ့ ကစားကွက် တွေ တိုက်ရိုက် အသုံးပြုပုံတွေမှာဆို စပိန်လာလီဂါရဲ့ ပုံစံကို ပိုသဘောကျတယ်။

နောက်တစ်ခုက Performance Analysis ပိုင်း ၊ ဒီ Performance Analysis ပိုင်းမှာက Data Analyst တွေက နည်းပြတွေ ရဲ့ Ideology ပေါ်မူတည်ပြီးတော့တော့ သူတို့ အသားပေးတဲ့ Metrics တွေ Stats တွေက ကွာခြားလိမ့်မယ်။ Performance Analysis ဆိုတဲ့ နေရာမှာ ပရိတ်သတ် အမြင်အရဆို Overall team အနေနဲ့ or Individual Player တွေရဲ့ Numerical Data တွေနဲ့ Numerical Advantages တွေကို ပဲ အဓိက ထားနေမယ်လို့ ထင်လိမ့်မယ်။

Performance Analysis ပိုင်းကို ပြောတဲ့ အခါမှာ ကျွန်တော်တို့က Data Science ဘက်က Technical Terms တစ်ချို့နဲ့ ဒီ အသုံးအနှုန်းတွေက ဘယ်လို Process လုပ်လဲ ၊ ဘယ်လို လုပ်ဆောင်ချက်တွေကို လုပ်လဲ ဆိုတာ အရင် ရှင်းပြပေးဖို့လိုတယ်။

အရင်ဆုံး ကစားသမားတွေ ရဲ့ Data တွေနဲ့ Data Set ကို ကြည့်ပြီး နည်းပြရဲ့ Ideology နဲ့ ကစားချင်တဲ့ ပုံစံအတိုင်း ကိုက်ညီမှု ရှိတဲ့ Feature Extraction လုပ်ပေးရတယ်။ Feature Extraction ဆိုတာက ကျ အရိုးရှင်းဆုံး ပြောရရင် Data Set တွေထဲကနေ အရေးကြီးတဲ့ Information တွေပဲ ဆွဲထုတ်ပြီး အရေးသိပ်မကြီးတဲ့ Info တွေ ဖယ်လိုက်သလိုပေါ့။ Normal Pass တွေ ၊ Back Pass တွေ ၊ နောက်နဲ့ အလယ်မှာပဲ ပတ်ပေးနေတဲ့ Rotation ပဲ ရှိပြီး Penetration မရှိတဲ့ ဟာတွေလိုမျိုး Features တွေကို ထုတ်ပြီး အရေးကြီးတဲ့ Info နဲ့ Metrics တွေကို သုံးပြီး လိုချင်တဲ့ ကစားကွက် တည်ဆောက်တာမျိုး ပေါ့။

နောက်တစ်ခုက ကစားကွက် Analysis ပိုင်းလို့ ပြောရမှာပေါ့။ ကစားသမား တွေရဲ့ Performance Stats တွေနဲ့ ကစားကွက်ရဲ့ Analysis ပိုင်းကို ပြောတဲ့ အခါမှာ Technical Terms တစ်ချို့နဲ့ နှိုင်းယှဥ် ဖော်ပြပြီး သုံးပြဖို့ လိုတယ်။ ဘာနဲ့ တွဲဖော်ပြမလဲ ဆို Data Structure နဲ့ Algorithms တွေနဲ့ နှိုင်းယှဥ် ဖော်ပြဖို့ လိုတယ်။ ကစားသမားတွေရဲ့ စွမ်းဆောင်ရည် နဲ့ ကစားကွက် က ကိုက်ညီမှု ရှိမရှိဆိုတာကို ပြန်ညှိဖို့လိုတယ်။

Computer Science မှာ Algorithms တွေမှာက Time Efficiency ဆိုးတာ ကောင်းတာ ၊ Memory မှာ Space ယူတာ နည်းတာ များတာ ပေါ်မူတည်ပြီး ကွာခြားချက် ရှိသလိုပဲ နည်းပြတွေမှာက ကစားကွက် Identity ကို ပိုအသားပေးတာ ၊ ရလဒ်ပိုင်း ကောင်းမွန်မှု ကို အသားပေးတာ ပေါ်မူတည်ပြီး ကစားကွက်နဲ့ ရလဒ်ပိုင်း ၊ ရေတို ၊ ရေရှည် Plan တွေ ကွာသွားတယ်။ ကျွန်တော် အနေနဲ့ တော့ ကစားကွက်နဲ့ ကစားသမား တွေရွေးချယ်မှု ပြုစု ပျိုးထောင်မှုတွေမှာ စပိန် လာလီဂါ အသင်းတွေ ကို သဘောကျပြီး Premier League မှာတော့ လီပါပူး အသင်းနဲ့ ဘရိုက်တန် အသင်းတို့ကို သဘောကျပါတယ်။

နောက်ထက် Data Analytics အပိုင်းတွေအနေနဲ့ ဆိုရင်တော့ ကစားသမားတွေရဲ့ ပွဲကစားချိန်တွေ ၊ နည်းစနစ် တွေနဲ့ ပက်သက်ရာပက်သက်ကြောင်း မဟုတ်ဘဲ Scouting ပိုင်း ၊ အသင်းရဲ့ စီးပွားရေး နဲ့ Academy စီမံကိန်းတွေ ၊ Social Media တွေရဲ့ PR Campaign တွေနဲ့ အသင်းဂျာစီ ထုတ်လုပ်မှု နဲ့ Merchandise အပိုင်းတွေ ၊ Fitness နဲ့ Nutrientient အပိုင်းတွေနဲ့ ပက်သက်တဲ့ Roles တွေနဲ့ လည်း အသုံးပြုမှုတွေ ရှိပါတယ်။

နောက်ထပ် စိတ်၀င်စားစရာ ကောင်းတဲ့ အချက်ကတော့ Gaming ပိုင်းနဲ့ Simulation အပိုင်းတွေပါ။ ကျွန်တော်တို့ Game တွေမှာဆို AI နဲ့ ဆော့တဲ့ အခါမှာ Difficulty Level တွေ ၊ ကျွန်တော်တို့ Team က Players တွေရဲ့ Attributes တွေ ၊ ကစားကွက်တွေ ကို Option အမျိုးမျိုး ရွေးချယ်ရတာ ၊ အခြေအနေ အလိုက် Difficulty ကွာခြားတာ စသဖြင့် ရှိပါတယ်။

ဒီလို Game တွေကို မှာ ကျွန်တော်တို့နဲ့ ကန်တဲ့ AI အသင်းတွေက movement တွေက Reinforcement Learning Model တွေကို အသုံးပြုတာများပါတယ်။ Reinforcement Learning ဆိုတာကကျ ကျွန်တော်တို့ ဘက်က ပြုလုပ်လိုက်တဲ့ Action or Behaviour က Environment situation ပေါ်မူတည်ပြီး Reward or Point loss ဖြစ်တဲ့ Machine Learning Model တစ်ခု ဖြစ်ပါတယ်။ UCL ၊ UEL ပြိုင်ပွဲတွေမှာ ကစားပုံကောင်းလွန်းတာမျိုး မဟုတ်ဘဲနဲ့ ပြိုင်ဘက်အသင်းတွေရဲ့ အမှားတွေကနေပဲ ဂိုးတွေ ရနေသလိုလို ၊ ကံပဲကောင်းနေသလို ထင်ရတတ်တဲ့ Real Madrid တို့ ၊ Sevilla တို့ရဲ့ ကစားပုံတွေကို နည်းစနစ်ပိုင်း သုံးသပ်ချက်မျိုး ပြုလုပ်ဖို့ ဆိုတာ နားလည်ရ လွယ်သလိုလိုနဲ့ ခက်ပေမဲ့ ဒီအသင်းတွေက RL based simulation တွေနဲ့ ကစားတတ်တဲ့ Form မျိုး ရှိတယ်ဆိုတာ ကိုတော့ အလွယ်မှတ်ထားလို့ ရပါတယ်။ ( Reinforcement learning နဲ့ Spain La Liga League က အသင်းတွေအကြောင်း Post ထပ်တင်ပေးပါမယ် )

RL ပိုင်းကျွမ်းကျင်တဲ့ Analysis ရှိတာက ဘာပိုကောင်းလဲဆိုတော့ In Game Management အပိုင်းမှာ တော်တော်လေး ကောင်းပါတယ်။ ကျွန်တော်တို့ Chess ထိုးတဲ့ အခါ စနောက်ပြီး ပြောကြသလို Online ပေါ်က Chess ဆရာ ကြီးတွေကို နိုင်အောင်ထိုးချင်ရင် Game မှာ Difficulty အမြင့်ဆုံးထားပြီး ကိုယ်က သူတို့ ရွေ့သလို့ Bot နဲ့ ထိုး ၊ Bot ရွေ့သလို သူတို့နဲ့ ထိုး ဆိုတာ လိုမျိုးပေါ့။