川崎フロンターレ：AIを活用し監督の戦略立案を高度化PwCコンサルティング　プロジェクト事例

PwCコンサルティング　Webサイト引用
https://www.pwc.com/jp/ja/knowledge/column/technology-front-line/vol12.html

スポーツアナリティクスの隆盛「スポ根」という言葉に代表されるように、かつては経験・勘・根性といったものが主役とされていたスポーツですが、その現状は一変しています。あらゆる競技・種目において、戦略の策定、戦術の変更，選手の起用、各選手の能力向上のためのトレーニング計画の立案などにAIが活用されるなど、科学的なデータ分析が盛んに行われるようになってきました*1。例えば、サッカーの国際大会では、AIを活用した半自動オフサイド技術が運用されるなど、スポーツそのものもデータによる進化を遂げています。最近も、ボールがゴールラインを超えていたかどうかを審判が検証するために、さまざまな角度の映像がスーパースロー再生の技術を交えて活用されたことが話題になりましたが、これはまさに最新のテクノロジーの結集といえるものでした。今後さらにスポーツアナリティクスが進化していくことは間違いありませんが、さまざまなデータを十二分に活用することは必ずしも容易ではありません。データを収集し、分析するためには相応のスキルが必要であることに加え、データの分析結果を選手や監督の気づきにつなげるための橋渡し役が求められているからです。本コラムでは、サッカーをテーマにPwCコンサルティングが取り組んだ、スポーツアナリティクスに係る支援事例を紹介します。AIを用いたサッカー監督業務支援PwCコンサルティングでは、プロサッカークラブの株式会社川崎フロンターレの育成部（18歳以下の高校生年代の担当部門）に対し、試合動画とさまざまな種類のセンサを用いることで監督業務の支援を行いました。スポーツアナリティクスの進展は海外プロチームにおいて著しいですが、国内ではトップチームでの取り組みにとどまっているケースが多く、育成部門における支援をより加速させていくことが期待されたためです。監督の業務は「いかに短い時間で試合をよく理解するか」「いかに試合を解釈して戦略を組み立てるか」「いかに選手を育成するか」の3つテーマに分けられるといえます。今回の取り組みでは、最初の2つのテーマに注力し、3つ目のテーマへの貢献を検討しました。これらのテーマに対処する1つの解としてAIの活用が考えられます。AIは、ヒトがさまざまなことを経験し、脳に記憶するのと同じように、過去のナレッジを読み込み、モデルとして保存します。また、AIは人の手を介さずに答えを導くことができるため、効率性に富む、という特性を持っています。この2つの特徴を加味すると、過去の戦略を踏まえて短時間で解釈することが可能なAIは、最適なソリューションとなり得ると考えられます。動画解析による試合分析支援「いかに短い時間で試合をよく理解するか」は、監督にとって重要な意味を持ちます。監督がよりよい戦略を立案するためには、自チーム内の紅白戦はもちろん、他チーム同士の試合など、過去から直近まで幅広い試合をよく理解することが必要となるからです。しかし、試合と試合の間の限られた時間の中で前後半合わせて90分の試合の動画を何度も見直すことは大きな負担となります。昨今は市販の映像分析ツールも増えてきましたが、見直したいシーンの抽出およびラベリング作業は、監督や分析担当者が手作業で行っていることも多く、大きな負担となっています。また、試合を撮影するカメラの画角には限りがあり、映像だけから重要な選手の位置関係を把握することが難しい場合もあります。ピッチの全体を俯瞰するカメラがあっても、選手やボールの映像が小さく見づらく、1つの試合に対して複数視点のカメラで撮影された動画を別々に閲覧することは、監督にとって新たな負担となってしまうことも考えられます。そこでPwCコンサルティングはAIを用いて、通常3次元映像（観客席からの撮影）から監督が繰り返しよく見るシーンの自動抽出ラベリング、スタッツ*2の提示を行ったほか、広角俯瞰映像を用いることでできる場合は全選手のピッチ上の位置を示す鳥瞰2次元映像を通常3次元映像に同期させた動画を生成しました。シーンの自動抽出ラベリングにおいては、ゴールやセットプレーの場面に加え、攻撃を組み立てるビルドアップ、シュートを放つフィニッシュ、相手チームの攻撃に対する積極的なプレス、相手のシュートに対するブロックの4つのシーンを検出しました。これらはツール上で、検索と連続再生できるようにし、また監督のニーズに沿ったシーンを独自にトリミング保存できる機能も付与しました。結果、相手チームの特徴に応じて重要シーンとスタッツを確認することで、監督だけでなく選手にとっても分かりやすい形で、試合の流れと相手の戦術を手早く想起させられることができました。今後、さらに柔軟なシーン抽出の仕組みづくりと、「いかに選手を育成するか」という3つ目のテーマにむけ、全選手のピッチ上の位置を示す鳥瞰2次元映像を用いた、選手の戦術理解促進が期待されました。動画とセンサのクロス解析によるプレー成否要因分析および戦略検討支援監督にとって「いかに短い時間で試合をよく理解」した後には、「いかに試合を解釈して戦略を組み立てるか」が重要となります。監督へのヒアリングの中でも、「打ち出すべき戦略は試合の映像を何度も見てはじめて思い付くこともあるので、映像を見る上で意識すべきポイントをヒントとしていただければ助かります」とのコメントをいただきました。そこでPwCコンサルティングは、プレーの成否を分かつ要素が何であったのかをAIを用いて分析し、その結果を監督に共有することで試合の解釈を助けることができないか検証しました。分析にあたっては試合動画のみならず、選手に付けられたGPSセンサのデータを用いました。これにより自チーム選手それぞれについて、正確な位置、移動速度、加速度を分析に用いることが可能になりました。そしてビルドアップ、フィニッシュ、プレス、ブロックの4つのシーンそれぞれについて、シーンの成功と失敗を定義し、選手のポジショニング（位置取り）が問題なのか、ボールのキープ力が問題なのか、フォワードとディフェンスの距離の変化率が問題なのかなど、決定木分析により成否要因を分析しました。分析結果について監督と議論したところ、それまで監督が注目していた要素が、AIによって示唆された重要要素の上位に含まれており、暗黙知が定量的に示されたことが確認されました。監督にとって自身の考えがデータによって支持されたことは、指導における安心につながったとのことです。今回は限られた試合の分析に留まりましたが、今後はより多くの試合を通して分析を行うことで、ライバルチームの特徴や癖を調べたり、自チームへの指導を通じて各要素が改善しているか把握したりするなど、新たな知見の発見や傾向の把握が期待されています。また3つ目の「いかに選手を育成するか」というテーマについても、数値の扱いは監督側で留意する前提として、データによって育成および指導内容の効果を経時的に可視化することにより、選手のモチベーションを維持することや、改善の方向性を分かりやすく伝えることにつながることが期待されています。開発したAIの概要今回作成したAIは、自動運転などの領域において活用が進む物体検出追従AIや、カメラの自己位置や角度を推定するAIを援用しており、AIによって推定されたボールや選手のピッチにおける位置情報を分析しています。より具体的には、下図のステップで分析を行いました。1.物体検知追従AIモデルの学習／作成AIの学習用に受領した試合動画から選手、ボール、各ラインなどをアノテーション*3し、物体検知追従用AIモデルを作成。2.物体検知追従AIモデルの適用1.で作成したAIモデルにより、試合動画から選手、ボール、各ラインなどの画素座標を取得。3.ピッチ座標への変換各種プレーに関するデータが、ピッチのどこで行われているか推定。画角変動映像に対して画角が固定されていない映像の場合は、ボールを追っていることを前提にオプティカルフローを用いて推測されたカメラの向きや、物体検知追従AIで検出された各ライン情報から座標変換。ニューラルネットワークを用い、フレームごとにホモグラフィー変換*4を行う手法も考えられたが、十分な学習データが短期間で得られないため見送った。固定画角映像に対してカメラが固定されている場合、ホモグラフィー変換によって画像座標からピッチ座標へ座標変換。GPSセンサに対して得られる緯度経度座標を、試合が行われたピッチの緯度経度情報を用いて座標変換。4.特徴量作成2と3の工程で得られた情報を組み合わせた動画フレームごとの特徴量を作成（各シーンらしさ、自チームがボールの最近傍にいるか、プレーがアタッキングサード*5で行われているか、ボールや選手の速度や位置関係からして試合開始、またはリスタートの瞬間にあるかなど）5.データ分析動画解析による試合分析シーン検出を行うための独自ロジックを作成し、各動画のフレームごとに尤度を計算。信号処理の要領で、各シーンに関する尤度のピークやFWHM*6を基に、シーンと時間を検出およびラベリング。スタッツや広角俯瞰映像の活用は4までのデータを用いて可視化。動画とセンサのクロス解析によるプレー成否要因分析監督と定義した一定時間のシーンに対して成否を定義し、4で作成した特徴量から変数選択したものを投入した決定木分析によって、重要変数および成否要因を分析。特に大きな特徴として、シーンの抽出に際し、動画とシーンラベルのデータセットを用意して深層学習を行う手法は採用していないことが挙げられます。それは、カメラの撮影条件（撮影位置、Frame Per Seconds、画質など）だけでなく、芝生の色やラインが異なる（ハーフコートラインの有無、他競技用のラインの有無など）試合動画が少なくなく、十分なデータセットを短期間で作りきることは困難と判断したためです。サッカーにおけるAIの重要性サッカーのような侵入型スポーツのAI分析は難しいとこれまで言われていましたが、センサや機械学習の近年の発展により、課題を部分的に解決できる余地が増えてきています*7。かつてテクノロジーを駆使して分析する指導者は“ラップトップコーチ”と呼ばれ、揶揄されていました。しかしデータ分析に基づいた指導者が次々と成功を収めるうちに、逆に良い意味で彼らを指す言葉として定着してきました。例えば試合中に映像をリアルタイムで分析し、ハーフタイムの間に分析結果を監督と選手に伝達、問題点を改善させるといったことが実際に起きています*8。また、ドイツのある名門クラブでは、U19（19歳以下）のチームに対する指導においても、監督が分析官とともに試合を分析するプロセスが構築されています。日本サッカー協会（JFA）は「JFA2005年宣言」の中で、2050までにFIFAワールドカップで優勝することを目標として掲げています*9。選手の育成からグラスルーツ*10に至るまでデータの活用が進んでいる欧州各国を上回るためには、国内サッカーにおいてAIの活用はさらに重要性が増していくのではないでしょうか。PwCのPurpose（存在意義）は「社会における信頼を構築し、重要な課題を解決する」ことであり、チームワークとコラボレーションはPwCのカルチャーの重要な要素です。PwCは多様性がもたらす価値の重要性を受け止めており、誰もが社会とビジネスの課題解決に貢献すべく自身のスキルを生かして価値を発揮しています。今後も、社会とビジネスの課題解決に向けたAI・データアナリティクスの導入を進める中で、日本のサッカー界の発展に貢献できるような活動を目指します。語注・脚注*1 加藤健太. (2019). スポーツデータの概要とAI活用の可能性. 人工知能, 34(4), 539-544.*2 英語で統計値を意味するStatisticsを短縮したStats（スタッツ）のことで、スポーツ分野においては、選手やチームのパフォーマンスを数値化した情報を意味する。*3 注釈を意味するannotation（アノテーション）のことで、AIに学習させるための教師データの作成作業のこと。今回の画像に対するアノテーションでは、サッカーの試合動画から抽出された画像に対し、各物体がどこに位置するのか四角形で囲う作業が該当する。*4 座標変換の一種であり、ある平面を別の平面に射影することを意味する。今回の取り組みでは、ピクセル数で定義される画像座標平面から、サッカーのピッチ座標平面への変換が該当する。*5 サッカーにおけるアタッキングサードとは、ピッチを攻守方向に3分割した時に相手ゴールに近い3分の1のスペースを意味する。*6 Full Width at Half Maximum. 半値全幅*7 Rico-Gonz醇@lez M, Pino-Ortega J, M醇Pndez A, Clemente FM, Baca A. Machine learning application in soccer: A systematic review. Biology of Sport. 2023;40(1):249-263. doi:10.5114/biolsport.2023.112970.*8 Laptop Coaches: Analysts to Come into the Open at World Cup. (n.d.). Trainingground.https://trainingground.guru/articles/laptop-coaches-analysts-to-come-into-the-open-at-world-cup*9 JFAの目標. (n.d.). JFA. http://www.jfa.jp/about_jfa/dream/*10 草の根の意味から転じて、プロに限らず、年齢・性別・障がい・人種にかかわりなくスポーツを楽しむ層を意味する執筆者Y. Nakajima医療機器メーカーを経て、現職。製造業、金融業、小売業、など、多様な業界に対するデータ利活用全般のコンサルティング業務に従事。組織戦略や推進計画の策定支援から、AI/アナリティクスの業務導入支援まで幅広く経験。