Makine Öğrenmesi ve Yapay Zeka Futbolda: Tahmin Modellerinden Performans Optimizasyonuna

Makine Öğrenmesi ve Yapay Zeka Futbolda: Tahmin Modellerinden Performans Optimizasyonuna

Son on yılda makine öğrenmesi ve yapay zeka, futbol analitiğinin merkezine yerleşti. Sakatlanma tahmininden yetenek keşfine, taktik analizden transfer kararlarına uzanan geniş bir yelpazede ML algoritmaları artık yalnızca akademik araştırmaların değil, elit kulüplerin karar alma mekanizmalarının da parçasıdır. Ne var ki bu teknolojilerin gerçek kapasitesi ile etrafında şekillenen beklentiler arasındaki uçurum, alanın en önemli epistemik sorunlarından biri olmaya devam etmektedir.

Futbol Analitiğinde Makine Öğrenmesi Uygulamaları

Sakatlanma tahmininde ML modelleri, GPS yük verileri, biyomekanik parametreler, geçmiş sakatlık öyküleri ve biyobelirteçleri birleştirerek bireysel risk skoru üretmeyi hedefler. Liverpool FC ve Manchester City gibi kulüplerin bu alanda özel veri bilimi ekipleri kurduğu bilinmektedir. Yetenek tanımada ise skautluk geleneksel gözlem yaklaşımından optik takip ve veri madenciliğine dayalı algoritmalara kaymaktadır; Brentford FC’nin istatistiksel model odaklı transfer stratejisi bu dönüşümün en sık atıfta bulunulan örneğidir.

Taktik analizde derin öğrenme modelleri, rakip formasyonları otomatik olarak tespit etmekte, baskı örüntülerini sınıflandırmakta ve belirli oyun koşullarında hangi taktik yanıtın en verimli olduğunu simüle etmektedir. StatsBomb ve Tracab gibi veri sağlayıcıları, saniye başına on binlerce veri noktası üreterek bu modellerin ham girdisini sağlamaktadır.

xG Modeli ve Türevleri: Gol Beklentisinin Matematiksel Anatomisi

Expected Goals (xG) modeli, futbol analitiğinin en yaygın benimsenmiş ML uygulamasıdır. Temel xG modeli, şutun kalıcı özelliklerini—mesafe, açı, şut türü, önceki aksiyonlar—kullanarak o şutun gol olma olasılığını hesaplar ve lojistik regresyon veya sinir ağları aracılığıyla tahmin üretir. Zaman içinde türev modeller geliştirilmiştir: post-shot xG, kalecinin hareket konumunu da hesaba katar; xG zinciri (xGChain) şutla biten tüm aksiyon dizisine değer atfeder; Expected Threat (xT) ise sahada her topun kontrolünün taşıdığı gol tehdit potansiyelini ölçer.

Bu modeller tek başına tahmin araçları olmaktan öte, oyuncuların katkısını soyutlamak için de kullanılmaktadır. Ancak önemli bir sınırlılık mevcuttur: xG modelleri istatistiksel ortalamaya dayandığından bireysel kaleci veya oyuncu becerisi bu değişkeni sistematik biçimde yukarı ya da aşağı kaydırabilir; özellikle küçük örneklemlerde regresyon-to-mean etkisi büyüktür.

Büyük Veri Sorunları: Yapılandırılmamış Veri, Gürültü ve Küçük Örneklem

Futbol verisinin yapısal özellikleri, ML modellerinin performansını doğrudan sınırlamaktadır. Birincil sorun, futbolun düşük skorlu ve yüksek varyansa sahip bir oyun olmasıdır: bir sezonda ortalama 38 maç oynayan bir takımın ürettiği gol sayısı, istatistiksel güvenilir sonuç çıkarmak için yetersiz kalabilir. Bu “küçük örneklem problemi” özellikle sakatlık tahmin modellerini etkiler; zira belirli sakatlanma türü o sezonda yalnızca birkaç kez gerçekleşebilir.

Yapılandırılmamış verinin entegrasyonu—video analizi, sosyal medya duygu analizi, oyuncu röportajları—teorik olarak modelleri zenginleştirebilir; ancak bu tür verilerin temizlenmesi ve etiketlenmesi yüksek maliyetlidir. Optik takip sistemlerinin ürettiği ham konumsal veri ise gürültü açısından kritiktir: 25 Hz’de alınan konum ölçümlerindeki saniyebazlı hatalar hız ve ivme hesaplamalarını bozabilir. Yüksek kapasiteli bir modelin düşük kaliteli veriden anlamlı çıktı üretmesi imkânsızdır—veri kalitesi algoritmik karmaşıklığın önünde gelir.

Mevcut Kulüp Uygulamaları ve Sınırlılıkları

Birinci lig kulüplerinin büyük çoğunluğu artık bir tür veri analitiği altyapısına sahiptir. Ancak uygulamalar arasındaki olgunluk farkı dramatiktir: bazı kulüpler gelişmiş tahmine dayalı modeller kullanırken, diğerleri yalnızca temel istatistiksel raporlama araçları benimsemektedir. Danışmanlık firmalarının ve yazılım satıcılarının pazarlama söylemi ile gerçek analitik kapasite arasındaki mesafeyi değerlendirmek son kullanıcı için güçtür.

Başarılı uygulamaların ortak özelliği, teknolojiyi insan yargısının yerine değil destekçisi olarak konumlandırmasıdır. Liverpool’un analitik direktörü Ian Graham’ın öne sürdüğü yaklaşım bu çerçeveye örnek gösterilebilir: model teknik direktörün kararını almaz, ona yeni bir perspektif sunar. Yapay zekanın futbol analitiğindeki rolü, önümüzdeki beş yıl içinde oyun içi karar destek sistemleri ve gerçek zamanlı taktik öneriler alanında genişleyecek; ancak bu süreçte model yorumlanabilirliği ve etik veri kullanımı giderek artan bir önem kazanacaktır.

Yapay Zeka Etiği ve Futbolda Veri Hakları

Futbolda makine öğrenmesinin yükselişi, oyuncu verilerinin toplanması ve kullanımı konusunda çözüme kavuşturulmamış ciddi etik sorunlar doğurmaktadır. GPS koordinatları, biyometrik sensör çıktıları, kalp hızı verileri, uyku kalitesi ölçümleri ve video görüntüleri gibi kişisel verilerin kulüp bünyesinde sürekli toplanması, oyuncuların kendi biyolojik ve performans bilgileri üzerindeki kontrol hakkını fiilen kısıtlamaktadır. Avrupa’da GDPR (Genel Veri Koruma Tüzüğü) çerçevesi, futbolculara verilerinin ne amaçla kullanıldığı ve kimin erişebildiği konusunda açık bilgi hakkı ve rıza hakkı tanımaktadır; ancak profesyonel sözleşmelerin bağımlılık yapısı bu hakların pratikte kullanılmasını güçleştirmektedir. Oyuncu dernekleri (FIFPRO ve ulusal eşdeğerleri) bu alanda artan baskıyla kulüplerin ve teknoloji sağlayıcılarının veri uygulamalarını düzenlemeye çalışmaktadır.

Algoritmik şeffaflık gereksinimi, futbola özgü kritik bir etik boyut oluşturmaktadır. Bir oyuncunun transfer edilmesi, kadrodan çıkarılması ya da sakatlık riskli ilan edilmesi ML modeli çıktısına dayandırıldığında, modelin nasıl çalıştığının açıklanabilmesi hem etik hem de işlevsel bir zorunluluktur. “Kara kutu” modeller karar mekanizmasını gizlediğinden oyuncular ve temsilcileri kararları sorgulamakta zorlanmaktadır. Bu nedenle yorumlanabilir yapay zeka (explainable AI, XAI) yaklaşımları, özellikle oyuncu değerlendirmesi ve sağlık kararlarında giderek daha fazla talep görmektedir. AI kararlarında insan gözetiminin zorunlu tutulması — model çıktısının yalnızca bir girdi olarak kullanılması, nihai kararın her zaman bir insan tarafından verilmesi — hem mevcut en iyi etik standart hem de en güvenilir uygulama modelidir. Teknolojiyi benimsemenin önündeki en önemli bariyer artık teknik değil, bu etik çerçevenin kurumsal olarak hayata geçirilmesidir.

Kaynaklar

1. Rein R, Memmert D (2016). Big data and tactical analysis in elite soccer: future challenges and opportunities for sports science. SpringerPlus. doi:10.1186/s40064-016-3108-2
2. Herold M, Goes F, Nopp S, Bauer P, Thompson C, Meyer T (2019). Machine learning in men’s professional football: Current applications and future directions for improving attacking play. International Journal of Sports Science & Coaching, 14(6): 798-817. doi:10.1177/1747954119879350
3. Rossi A, Pappalardo L, Cintia P, Iaia FM, Fernandez J, Medina D (2018). Effective injury forecasting in soccer with GPS training data and machine learning. PLoS ONE, 13(7): e0201264. doi:10.1371/journal.pone.0201264
4. Nassis GP, Verhagen E, Brito J, Figueiredo P, Krustrup P (2023). A review of machine learning applications in soccer with an emphasis on injury risk. Biology of Sport, 40(1): 233-239. https://pmc.ncbi.nlm.nih.gov/articles/PMC9806760/
5. Mead J, O’Hare A, McMenemy P (2023). Expected goals in football: Improving model performance and demonstrating value. PLoS ONE, 18(4): e0282295. doi:10.1371/journal.pone.0282295

Yazar Hüseyin Akbulut, MSc Spor Bilimcisi · Sporeus Kurucusu

Spor Bilimleri Lisans (kürek branşı), Marmara Üniversitesi Yüksek Lisans. Marmara Üniversitesi Nörobilim Laboratuvarı'nda EEG tabanlı motor nöron sınıflandırması üzerine yüksek lisans tezi.

• 540pp EŞİK Kitabı
• MSc Spor Bilimleri
• Marmara Üniversitesi

Tam profil →