Optimisme over kansen inzet AI voor betere competitie-indeling

Samen met de Nevobo en de KNHB is de Sportinnovatiestudio een onderzoekstraject begonnen om te kijken of kunstmatige intelligentie kan helpen om tot een betere competitie-indeling te komen. Beter kan dan op veel manieren: evenwichtiger qua niveau, minder reistijd, efficiënter qua sportaccomodatie, etcetera. Artificial Intelligence (AI) specialist Michiel Berger is aangehaakt in dit traject. Hij praat ons bij over ‘smart scheduling’.

De hoofdvraag van het smart scheduling project is: kan AI een rol spelen bij een betere competitie-indeling? Wat is je voorzichtige tussentijdse conclusie?

“Voorzichtig en tussentijds lijkt het er op dat een algoritme het minstens zo goed kan als de bestaande methodes. Competitie-indeling bestaat bij de meeste sporten uit 2 delen: Wie spelen er tegen elkaar, dus wie doe je samen in een poule, en wanneer spelen ze de wedstrijden. Omdat een computer veel meer mogelijkheden kan uitproberen dan een mens, en een slim algoritme dit in redelijke tijd kan doorrekenen, blijkt dat het mogelijk is om betere oplossingen te vinden dan je als puzzelend mens zou vinden.”

Je hebt naar de data van twee bonden gekeken. De Nevobo en de KNHB. Waar zitten tussen die twee bonden de verschillen en waar de overeenkomsten?

“Bij beide bonden kan je goed zien dat ze een geschiedenis hebben van het oplossen van het probleem van competitie-indeling. Daardoor zijn er slimme dingen bedacht om het behapbaar te maken, zoals het indelen in regio’s en het vastleggen van kalender-schema’s. Dat zijn allemaal manieren waardoor je het werk eenvoudiger maakt voor een mens, maar potentieel wel flexibiliteit inlevert: Door de indeling in regio’s kan het bijvoorbeeld zijn dat een team tientallen kilometers moet reizen naar een tegenstander, terwijl een net zo geschikte tegenstander vlak om de hoek was, net over de regio-grens. Daarin zijn beide bonden hetzelfde. Verschillen zijn er niet zo veel; de nadruk is wat anders (meer veld versus zaal) dus je ziet dat de bonden daarin verschillend zijn ontwikkeld.”

Wat is je meegevallen?

“De hockeybond heeft nu al een slim systeem met teamrating, door te kijken naar de resultaten van individuele spelers in het vorige seizoen. Daardoor kunnen ze goed inschatten hoe sterk een team is, ook als de samenstelling daarvan erg is veranderd, of in een nieuwe klasse terechtkomt. De volleybalbond bewaart ook veel wedstrijd-data, waar je veel mee kan. Dat zijn beide zaken die me erg meevielen. Ook worden er handige methodes gebruikt om tot een speelkalender te komen, door een vast schema te gebruiken. Hierdoor haal je veel complexiteit uit het proces, waardoor het voor een paar mensen goed mogelijk is om tot een prima speelschema te komen.”

Wat is je tegengevallen?

“Ik liep er soms tegenaan dat zaken niet digitaal zijn vastgelegd. Ik zag bijvoorbeeld een vereniging waarvoor de wedstrijden in het echt waren gepland op dagen dat de zaal volgens de database niet beschikbaar was. Bij navraag bij Nevobo kwam het antwoord dat bij de betreffende vereniging niet gekeken hoefde te worden naar de database voor de beschikbaarheid: “Die plannen we altijd met de hand”. Dit soort uitzonderingen zijn altijd lastig voor software. En er is ook niet veel documentatie; op zich is dat niet een tegenvaller omdat het wel logisch is als digitale stappen worden gezet.”

Op welke manier kan AI helpen de competities van die beide bonden beter te maken? En wat is in deze beter?

“De KNHB zocht naar een oplossing van het eerste deel van het competitie-probleem: stel optimale poules samen, gegeven deze set teams in deze regio. Waarbij je moet letten op 3 factoren: gelijkwaardige poules (dat is eerlijker bij promotie en degradatie), gelijkwaardige teams binnen poules (dan krijg je leukere wedstrijden), en minimale reistijd (minder CO2 uitstoot). Mijn algoritme kan ik instellen op ieder van die aspecten. En uiteraard werken die drie parameters elkaar ook tegen: Als je minder reistijd wil, krijg je poules die minder gelijkwaardig zijn. En als je meer gelijkwaardige wedstrijden wil zal je soms wat verder moeten rijden, en krijg je poules die onderling minder in evenwicht zijn. Het algoritme kan in verschillende klassen en regio’s die balans anders instellen. In hogere klassen is wat langer reizen bijvoorbeeld geen bezwaar, als je daardoor leukere wedstrijden krijgt. Maar bij de jongste jeugd is reistijd wel heel belangrijk, en dan geldt dat in de randstad nog sterker dan in zeg Groningen of Limburg, waar men meer gewend is aan wat langer onderweg zijn. Het algoritme kon op ieder van de 3 factoren optimaliseren, en ook op de mix er van, en op die manier een betere indeling vinden op alledrie de aspecten ten opzichte van de huidige indeling.”

“Bij de Nevobo keek ik naar het tweede deel van het competitie-indeling probleem: Gegeven de poule-indeling, de beschikbaarheid van zalen, de voorkeursdagen en -tijden voor teams én de voorkeur van de vereniging voor het gelijktijdig of juist tegengesteld uit en thuis spelen: maak een optimale speelkalender. AI kan hier helpen doordat het op een slimme manier zoekt in de enorme hoeveelheid mogelijke oplossingen. Mijn algoritme kent aan alle oplossingen die het uitrekent een bepaalde score toe. Het leuke is dat je dezelfde score ook kan uitrekenen voor de competitie-indeling en kalender die voor dit afgelopen seizoen al gemaakt is. Zo kan je exact bepalen wat de verbetering is. En kan je ook laten zien waarom er voor een bepaalde oplossing gekozen wordt boven een andere. Uitlegbaarheid is heel belangrijk! Je moet kunnen vertellen waarom vereniging X dit jaar in poule Y zit.”

“De vraag ‘wat is beter’ is een heel goede vraag. Ik heb gemerkt dat de bonden het antwoord hierop ook steeds nauwkeuriger konden formuleren naarmate we verder kwamen bij deze proef. Het begint met de wens om te optimaliseren op alles, maar naarmate duidelijk wordt dat alles afwegingen zijn komt daar meer nuance, en kan je juist werken naar een oplossing die in heel verschillende situaties de optimale oplossing vindt.”

Wat heb je van deze twee datasets geleerd?

“Ik had er van te voren nooit bij stilgestaan dat zaalsport-verenigingen graag willen dat hun teams zo veel mogelijk tegelijk uit en thuis spelen, of juist tegengesteld: Als de ene thuis speelt, dan de andere graag uit. Dat maakt het probleem veel ingewikkelder: Als je een jeugdteam op een ander kalenderschema zet moeten de andere teams van die vereniging ook veranderen, en dat heeft impact op tientallen andere teams in de poules waarin ze spelen. Om die regels in te bouwen was best ingewikkeld.”

Welke randvoorwaarden zijn belangrijk voor bonden om ook de inzet van AI te overwegen?

“Meestal werkt AI het beste als er veel data beschikbaar is, meer dan je als mens makkelijk kan verwerken. Als een bond momenteel het gevoel heeft dat er meer mogelijk zou moeten zijn dan er nu uit de data gehaald wordt kan het slim zijn om met AI aan de slag te gaan. En dan is het heel belangrijk om een idee te hebben, of zelfs al te kunnen formuleren, wat ‘beter’ voor jou zou zijn. Voor de hockeybond is ‘beter’ bijvoorbeeld een poule indeling met minder reistijd maar gelijkblijvende vergelijkbaarheid tussen poules onderling. Voor Nevobo is ‘beter’ om zo veel mogelijk van de wedstrijden kunnen plannen op passende tijdstippen.”

Maakt AI mensen overbodig bij competitie-indeling of zijn er zaken die de mens beter dan een computer blijft kunnen?

“Ik zie AI altijd als ondersteunend aan de mens. Het systeem kan sneller betere oplossingen vinden voor het competitie probleem dan je als mens zou kunnen, maar dan is het nog steeds aan jou als medewerker om te oordelen welke oplossing het meest passend is. En daarbij zal je dan steeds ontdekken dat er toch nog dingen zijn waar de computer niet op heeft geoptimaliseerd, zeker omdat de wereld continu verandert. Ook kan je gaan nadenken over nieuwe mogelijkheden die ontstaan juist omdat je AI gebruikt. Misschien kan je gaan experimenteren met totaal nieuwe competitievormen waar je vroeger niet eens aan durfde te denken.”

Je hebt nu naar twee verschillende bonden gekeken. Stel we zijn een fase verder en de inzet van AI blijkt inderdaad succesvol, is er dan een generiek platform denkbaar waar iedere bond zijn spullen in kan gooien of blijft dit per bond maatwerk?

“We zitten nu inderdaad nog middenin de validatie-fase; werkt dit echt beter, ook als we alle randvoorwaarden meenemen. Maar als dat goed uit gaat pakken kan ik me voorstellen dat we naar een systeem kunnen groeien waarbij steeds meer van dit soort werk centraal gedaan wordt. Want wezenlijk is er geen verschil tussen het plannen van zaalvolleybal of handbal, of veldhockey of -voetbal. Of tennis of squash, wie weet! Het is niet iets wat je van de ene op de andere dag kan invoeren want bonden hebben zelf websites, portals, legacy systemen waarmee men werkt, en ook de acceptatie van algoritmisering kan verschillend zijn. Het gaat dan eerst meer om het aansluiten en integreren. Maar zeker als je dit centraal gaat doen voor meerdere bonden krijg je nog extra voordelen; je kan dan meerdere sporten per zaal gaan inplannen. Dat kan een hoop werk uit handen nemen waardoor het simpeler wordt om breedtesport te organiseren in Nederland.”

Over de auteur(s) van dit bericht:

Verhalenverteller, community-denker en fan van 'no-code'.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *