Il forecasting di giochi squadra e' un task complesso, che nel corso degli anni ha attratto l'attenzione di sociologi, matematici e computer scientists, oltre che di economisti e ingegneri, poiche' le dinamiche di gioco sono rilevanti alle multi-agent simulations finanziare e alla collaborazione uomo-macchina nella fabbrica intelligente. Solo recentemente tecniche di artificial intelligence basate su deep neural networks hanno cominciato a permettere una modellazione del sistema interamente data-driven.
Nel progetto FOREGAME ci proponiamo di modellare le dinamiche temporali e spaziali di giochi quali basketball e calcio, tenendo in considerazione l'interazione collaborativa nella squadra, l'interazione antagonista tra le squadre, il contesto e la localizzazione di determinate dinamiche di gioco in alcune parti del campo. Al momento di scrittura di questa proposta, non esiste un modello che possa modellare questi elementi in maniera congiunta e data-driven.
In FOREGAME, ci si propose di studiare i modelli di gioco che proporremo a larghi orizzonti temporali di decine di minuti e interi tempi di gioco, con considerazione probabilistica dei diversi plausibili futuri. Questi propositi sono sfidanti dal punto di vista delle rappresentazioni, dei modelli di forecasting e computazionale, e sono ben oltre i pochi minuti al momento predetti dallo stato dell'arte.
FOREGAME e' innovativo sotto diversi punti di vista. Un primo aspetto innovativo e' la modellazione del tempo in sequenze video, che permetta il calcolo e sfrutti la disponibilita' di centinaia di frame passati. Fattore di innovazione e' dato dal considerare modelli come Transformer Networks e BERT, che hanno recentemente permessi di comprendere frasi di centinaia di parole nel campo di natural language processing (NLP). Questi modelli scalano grazie alla possibilita' di parallelizzarne il training e l'inference e hanno dimostrato di poter effettivamente comprendere relazioni tra parole lontane nel testo grazie a meccanismi di self-attention. FOREGAME punta ad un impiego di questi modelli per game forecasting, che implichera' la traduzione da token verbali nativi in NLP a quanti di movimento dei giocatori, un'aspetto da ricercare. Inoltre, inspirandoci alle rivoluzioni portate dal transfer learning, prima con ImageNet e poi con BERT, si punta ricercare la possibilita' di realizzare un dataset large-scale che fornisca al modello conoscenza di base su ogni aspetto del gioco, da trasferire ai task specifici, che costituisce ulteriore aspetto innovativo.
Un secondo aspetto di innovazione e' dato dalla modellazione dell'interazione sociale tra agenti, che includa giocatori collaboratori in squadra e giocatori antagonisti. FOREGAME fara' leva selle nuove emergenti teorie di Geometric Deep Learning per modellare le relazioni tra giocatori tramite grafi. Aspetto di originalita' e innovazione sara' come permettere alla macchine di comprendere ruoli collaborativi tra giocatori della stessa squadra e antagonisti tra giocatori di squadre differenti. FOREGAME si propone pure di ricercare nuovi modelli di interazione sociale basati su machine learning che sfruttino meccanismi di self-attention. In particolare si pianifica un utilizzo originale di relative self-attention, che permetta di integrare grafi all'interno dei meccanismi di self-attention nativi nei Transformer Networks.
Un terzo fattore di innovazione e' la modellazione del contesto, che mostri come la situazione al contorno puo' influire sul gioco, incluso la tattica di gioco. Ricerca innovativa e originale sara' volta a comprendere quali siano i task ausiliari da definire per permettere al modello neurale di codificare la scena in un vettore che esprima lo stato del gioco. In particolare, codificare la posizione dei giocatori e della palla, ovvero della tattica delle squadre sara' un fattore nuovo, che FOREGAME sara' il primo ad esplorare.
Inoltre e' innovativa la modellazione probabilistica di molteplici futuri, che mostri i casi plausibili e ne quantifichi la probabilita'. FOREGAME ricerchera' framework statistici come i Determinantal Point Processes che permettano di quantificare l'espressivita' della probabilita' associata con il forecasting. In ambiti robotici di interazioni con macchine o di predizioni finanziarie, questi meccanismi permetteranno di quantificare il rischio associato a scelte basate sulle predizioni del modello.
Gli obiettivi di FOREGAME sono originali sotto diversi punti di vista, principalmente:
- l'anticipazione dei movimenti di intere squadre di basketball e' di grande ambizione e supera il poco stato dell'arte esistente, che invece considera solamente una singola squadra o alcuni giocatori
- la predizione dell'esito delle azioni di gioco e' originale e non esiste stato dell'arte rilevante, al meglio delle nostre conoscenze;
- la predizione dell'esito delle partite di gioco o di risultati parziali in base al gioco e' originale sia per la complessita' del task che per il tipo di comprensione che la macchina deve riuscire a realizzare, essendo in grado di comprendere la qualita' di gioco delle squadre e come una delle due puo' sfruttare i punti deboli dell'altra.
Infine, l'innovativita' di FOREGAME sara' transferibile ad diversi ambiti scientifici con applicazione nella Fabbrica Intelligente, la Salute, le Smart, Secure and Inclusive Communities, e le Tecnologie per gli Ambienti di Vita. Principalmente la ricerca che si sviluppera' in FOREGAME sara' rilevante alla predizione del movimento delle persone in scene complesse e consentira' di pianificare il movimento dei robots tra le persone, anche nel caso in cui le persone si muovano bruscamente. Inoltre il forecasting di elementi collaborativi e antagonisti si applichera' alla predizione del movimento degli arti di persone, che permettera' di prevedere come il robot potra' collaborare con le persone, per esempio per realizzare handover di oggetti. Cosi' equipaggiati, i robot collaborativi potranno rappresentare un progresso sostanziale nelle fabbriche, negli ospedali, nelle case e uffici delle persone, con impatti sulla qualita' della vita in Italia ed in Europa, nonche' sulla produttivita' del lavoro e sull'inclusione sociale.