Marco Menale intervista Martino Tenconi, sport data scientist per Math&Sport, spin-off del MOX di Milano, a sua volta spin-off del Politecnico di Milano.

Marco Menale: Ciao, Martino, prima di tutto come stai?

Martino Tenconi: Sto benissimo ora, tenuto conto del periodo difficile da cui veniamo fuori. Fortunatamente con il lavoro non mi sono mai fermato.

MM: Parlami un po’ della tua formazione e di come sei arrivato a Math&Sport.

MT: Ho frequentato il Liceo Scientifico e sin da allora avevo una forte passione per la matematica. Preso dall’interesse per le applicazioni, ho conseguito la laurea triennale in Statistica presso l’Università di Milano Bicocca con una tesi sull’analisi dei dati nello sport. Per la magistrale ho scelto di approfondire questi argomenti studiando Data Science, sempre in Bicocca. Ed è stato proprio in questo periodo che ho conosciuto la realtà di Math&Sport ed ho deciso di applicare per una posizione. Sono stato assunto e lavoro come sport data scientist da circa 2 anni.

MM: Di cosa vi occupate?

MT: Math&Sport è un progetto nato da Alfio Quarteroni ed Ottavio Crivaro per usare i dati raccolti nello sport così da ottimizzare le performance, usando appositi modelli matematici e sviluppando algoritmi di machine learning. Lavoriamo soprattutto con il Calcio e la Pallavolo, collaborando con Lega Serie A e Lega Pallavolo Serie A Femminile. Nell’ambito calcistico collaboriamo per il Virtual Coach (figura in basso). Si tratta di un’applicazione su tablet in dotazione ai club  di Serie A che analizza i dati in tempo reale di giocatori e pallone, circa 20 volte al secondo, cosa impossibile per un occhio umano, fornendo analisi predittive. Un’analista di dati della squadra, collaboratore dell’allenatore, segue il VC, fornendo i risultati all’allenatore così da definire sostituzioni, cambio di tattica e/o di schemi. Ora l’obiettivo è personalizzare il VC rispetto alle richieste ed alle esigenze dei singoli staff tecnici.

MM: In particolare tu cosa fai?

MT: Io mi occupo dello sviluppo di algoritmi a tempo reale, cioè algoritmi che forniscano indicazioni su un certo fenomeno con dati che sono aggiornati in tempo reale; lavoro soprattutto per il calcio. Parto dai dati posizionali, come coordinate dei giocatori e della palla. Questi dati non hanno nessun valore presi così, ma serve un’intelligenza artificiale che li elabori per renderli utili. Io mi occupo proprio di questi algoritmi che analizzano dati, così da ottenere indicazioni di miglioramento a partire, nel caso del calcio, anche dai movimenti dei giocatori lontani dalla palla. Per gli algoritmi ci sono diversi approcci possibili. Spesso usiamo metodi di stima della probabilità. A partire dall’analisi di serie storiche di un determinato evento, sviluppo algoritmi che stimano la probabilità che quell’evento possa verificarsi in determinate condizioni. Poi ci sono gli algoritmi di classificazione ed altri ancora.

 

MM: Come si arriva dalla situazione reale all’algoritmo?

MT: In primo luogo mi confronto con le persone di campo circa il problema su cui si vuol sviluppare un supporto algoritmico. Cerco di tradurre la richiesta in qualcosa di quantificabile, definendo una regola e degli indicatori che consentano di semplificare senza però perdere informazioni. In questa fase mi viene in aiuto la formazione matematica con cui passo dalla richiesta particolare e specifica ad un modello più generale. A questo punto, a seconda della complessità del problema, uso modelli di Intelligenza Artificiale e Machine Learning, alberi decisionali, classificatori, reti neurali. Gli algoritmi sono scritti soprattutto in Python e, parte, in Java Script. Nella prima fase siamo interessati ad avere buone performance di classificazione. Se l’algoritmo si mostra funzionante, passo ad ottimizzarlo, migliorando la velocità di esecuzione e risposta. Bisogna ricordare che sono algoritmi che lavorano su dati in tempo reale e non avrebbe molto senso sviluppare un algoritmo che fornisce un risposta in 20 minuti, se consideriamo i tempi di una partita di calcio in cui si hanno pochi minuti per decidere un certo cambio di schema o di tattica.

MM: Mi fai un esempio concreto?

MT: Consideriamo il calcio. Quando un calciatore effettua un passaggio c’è un certo margine di rischio che la palla sia intercettata da un avversario. Ecco che sviluppiamo algoritmi che siano in grado di quantificare questo rischio in tempo reale. In primo luogo serve insegnare all’algoritmo cosa sia un passaggio, in termini di punto di inizio e punto di fine della giocata. Avendo il dato posizionale si costruisce una nuvola di punti che individua sia i compagni di squadra che i giocatori avversari. In questo modo addestriamo l’algoritmo a valutare l’efficacia di un passaggio, così che sia in grado di stimare la probabilità di insuccesso. L’algoritmo valuta l’efficacia in termini di passaggi riusciti per i singoli giocatori nel corso della partita e questo può rappresentare una valida indicazione per l’allenatore. Per fare tutto questo abbiamo bisogno di uno storico di passaggi da aggiornare in tempo reale.

Video: Virtual Coach e rischiosità dei passaggi

MM: Ed in un altro sport?

MT: Consideriamo la pallavolo. Abbiamo sviluppato un algoritmo sempre in tempo reale che prevede dove l’alzatore alzi il pallone in vista di una schiacciata. Anche in questo caso l’algoritmo è addestrato con uno storico dell’alzatore e degli schiacciatori nel corso della stessa partita.

Video: Le alzate nella pallavolo

MM: A breve cominceranno i giochi olimpici di Tokyo, per voi cosa rappresentano?

MT: Noi di Math&Sport collaboreremo con la nazione femminile di pallavolo, avendo proprio un accordo con la Federazione Italiana Pallavolo. Guarderemo anche sport come il golf ed il tiro con l’arco, Math&Sport all’inizio della sua storia ha sviluppato algoritmi per l’analisi del movimento, con cui ottimizzare le performance degli atleti per questi sport individuali; gli algoritmi di movimento li abbiamo applicati anche ad altri sport. Tuttavia guarderemo con interessi a tanti altri sport con cui non abbiamo ancora avuto modo di lavorare.

Video: Algoritmi per i movimenti degli atleti

MM: Serviranno ancora allenatori in carne ed ossa?

MT: Assolutamente sì, quelli forniti da Math&Sport sono supporti dove l’occhio umano non può intervenire, come nel caso dell’analisi dei dati in tempo reale. Ad esempio il Virtual Coach è solo un ausilio per l’allenatore; alla fine le scelte spettano comunque a lui.

MM: Ora di cosa ti stai occupando?

MT: Concluso il Campionato di Serie A (e qui scatta il sorriso che tradisce la fede neroazzurra), sto lavorando sui dati raccolti nell’intero arco della stagione con l’obiettivo di migliorare gli algoritmi in uso, come quelli per il Virtual Coach. Sto cercando di migliorare gli indicatori da utilizzare. In Italia questo movimento cresce giorno dopo giorno sebbene siamo ancora indietro rispetto a nazioni come l’Inghilterra.

MM: Che tipo di profilo cerca Math&Sport? E come la Matematica può essere d’aiuto?

MT: Il team è costituito da un vero mix di tecniche ed entusiasmo. La formazione matematica può agevolare per accedere allo sviluppo dei modelli o la traduzione algoritmica dei problemi. Personalmente, la matematica mi ha aiutato in due direzioni. Da un lato mi facilita l’astrazione del problema presentatomi dagli uomini in campo; dall’altro mi aiuta nella definizione e nella comprensione della struttura degli algoritmi. È possibile applicare per una posizione direttamente dal sito di Math&Sport.

MM: Prima di concludere, che fai nel tempo libero?

MT: Amo viaggiare, malgrado gli ultimi due anni, e leggere. Ovviamente sono un grande appassionato di sport. Pratico calcio a livello dilettantistico e partecipo a gare di atletica. È proprio in quei momenti che mi sento un test per l’algoritmo che voglio sviluppare.