Interpretable ensemble machine learning identifies player-specific performance indicators in elite tennis

कुलीन खेलों की दुनिया में, प्रदर्शन विश्लेषण (परफॉरमेंस एनालिसिस) खेल के कोलाहल को स्पष्ट साक्ष्य में बदलने की एक कला है। कोच और वैज्ञानिक केवल यह देखने के लिए मैच नहीं देखते कि कौन जीता, बल्कि यह समझने के लिए देखते हैं कि जीत कैसे बनाई गई। वे एक खेल को हजारों छोटे क्षणों में विभाजित करते हैं: एक सर्विस, एक रिटर्न, एक कदम, एक गलती। लक्ष्य यह पता लगाना है कि इनमें से कौन सा क्षण वास्तव में सबसे अधिक महत्वपूर्ण है। हालांकि, एक एकल संख्या या एक साधारण औसत भ्रामक हो सकता है। सिर्फ इसलिए कि एक खिलाड़ी बहुत सारे 'विनर्स' मारता है, इसका मतलब यह नहीं है कि उस विशिष्ट क्रिया ने जीत दिलाई; कभी-कभी, सबसे महत्वपूर्ण कारक कुछ सूक्ष्म होता है जो केवल तभी प्रकट होता है जब आप पूरी तस्वीर को देखते हैं। यहीं पर आधुनिक कंप्यूटर विज्ञान काम आता है। केवल एक तरह की सोच पर निर्भर रहने के बजाय, शोधकर्ता अब एक साथ कई अलग-अलग कंप्यूटर प्रोग्रामों का उपयोग कर सकते हैं। ये प्रोग्राम विशेषज्ञों की एक टीम की तरह कार्य करते हैं, जिनमें से प्रत्येक का डेटा को देखने का थोड़ा अलग तरीका होता है। केवल सबसे तेज़ आवाज़ को सुनने के बजाय, सभी की बात सुनकर, विश्लेषक उन पैटर्न को खोज सकते हैं जिन्हें एक एकल विधि मिस कर सकती है। यह दृष्टिकोण टेनिस जैसे खेलों में महत्वपूर्ण होता जा रहा है, जहाँ जीत और हार के बीच का अंतर अक्सर विवरणों में छिपा होता है।

वुहान स्पोर्ट्स यूनिवर्सिटी और वुहान यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस टीम-आधारित सोच को इतिहास के महानतम टेनिस खिलाड़ियों में से एक, नोवाक जोकोविच के करियर पर लागू किया। वे यह जानना चाहते थे कि सेट जीतने में उनकी सफलता के सबसे मजबूत चालक (ड्राइवर्स) कौन से तकनीकी कौशल और सामरिक विकल्प थे। इसके लिए, उन्होंने 2019 से 2025 के बीच प्रमुख ग्रैंड स्लैम टूर्नामेंटों में हार्ड कोर्ट पर खेले गए 239 सेटों से भारी मात्रा में डेटा एकत्र किया। उन्होंने प्रत्येक सेट के लिए तैंतीस अलग-अलग संकेतकों (इंडिकेटर्स) को ट्रैक किया, जिसमें डबल फॉल्ट की संख्या जैसे स्पष्ट चीजों से लेकर बैकहैंड शॉट की गति या खिलाड़ी के नेट की ओर कितनी बार बढ़ने जैसी अधिक विशिष्ट बारीकियों तक शामिल थे। शोधकर्ताओं ने इस डेटा को दो समूहों में विभाजित किया। उन्होंने 2019 से 2024 के पुराने डेटा का उपयोग बारह अलग-अलग कंप्यूटर एल्गोरिदम को एक सेट के परिणाम की भविष्यवाणी करना सिखाने के लिए किया। फिर, उन्होंने इन प्रोग्रामों का परीक्षण 2025 के चालीस नए, अनदेखे सेटों पर किया ताकि यह देखा जा सके कि क्या वे सबक वास्तविक दुनिया में भी लागू होते हैं।

शोधकर्ताओं ने केवल एक सबसे अच्छे कंप्यूटर प्रोग्राम को नहीं चुना। इसके बजाय, उन्होंने बारह एल्गोरिदम के हर संभावित संयोजन का परीक्षण किया, जिससे हजारों अलग-अलग "टीमें" या 'एन्सेम्बल्स' (ensembles) बने। उन्होंने पाया कि सबसे सटीक टीम सभी बारह का एक विशाल समूह नहीं थी, बल्कि एक विशिष्ट चार-मॉडल वाला 'एन्सेम्बल' था। यह चयनित चार प्रोग्रामों का समूह उल्लेखनीय सटीकता के साथ यह भविष्यवाणी करने में सफल रहा कि जोकोविच एक सेट जीतेगा या हारेगा, और 2025 के नए डेटा पर 90 प्रतिशत की सटीकता प्राप्त की। जब इस टीम ने देखा कि इन प्रोग्रामों ने क्या सीखा था, तो उन्होंने पाया कि सबसे महत्वपूर्ण कारक वही थे जो विशेषज्ञों ने लंबे समय से संदेह किया था। प्रतिद्वंद्वी की सर्विस को तोड़ने की क्षमता, जीते गए कुल अंक, और अनफोर्स्ड एरर (unforced errors) पर नियंत्रण, सफलता के शीर्ष चालक थे। इन परिणामों ने पुष्टि की कि कंप्यूटर मॉडल मनगढ़ंत बातें नहीं कर रहे थे; वे खेल के स्थापित सत्यों को पुनः प्राप्त कर रहे थे।

हालांकि, इस अध्ययन का वास्तविक मूल्य तब सामने आया जब शोधकर्ताओं ने उन चीजों को देखा जिन्हें एक एकल कंप्यूटर प्रोग्राम अनदेखा कर सकता था। जब उन्होंने प्रत्येक बारह व्यक्तिगत प्रोग्रामों से तैंतीस संकेतकों के महत्व को रैंक करने के लिए कहा, तो उन्हें एक आश्चर्यजनक असहमति मिली। एक विशिष्ट संकेतक, बैकहैंड रिटर्न्स की संख्या, संयुक्त टीम द्वारा शीर्ष पांच कारकों में गिना गया था, लेकिन यह बारह में से केवल तीन व्यक्तिगत प्रोग्रामों के लिए शीर्ष पांच में दिखाई दिया। यदि शोधकर्ताओं ने केवल सबसे अच्छा प्रदर्शन करने वाले एकल प्रोग्राम को चुना होता, तो वे इस संकेत को पूरी तरह से मिस कर सकते थे। संयुक्त दृष्टिकोण ने खुलासा किया कि बैकहैंड रिटर्न्स की आवृत्ति जोकोविच की सफलता के लिए एक सूक्ष्म लेकिन निरंतर मार्कर थी, एक ऐसा पैटर्न जो किसी भी एकल एल्गोरिदम के लिए अकेले सुनने हेतु बहुत धीमा था।

अध्ययन ने यह भी स्पष्ट किया कि ये पैटर्न कैसे काम करते हैं। शोधकर्ताओं ने दिखाया कि जब जोकोविच अधिक बैकहैंड रिटर्न्स करते थे, तो यह एक सेट जीतने की उच्च संभावना से जुड़ा था। उन्होंने इस संबंध को विज़ुअलाइज़ किया और पाया कि सकारात्मक प्रभाव तब अधिक स्पष्ट हो जाता है जब एक सेट में बैकहैंड रिटर्न्स की संख्या लगभग बाईस तक पहुँच जाती है। यह ध्यान देना महत्वपूर्ण है कि यह संख्या कोई जादुई लक्ष्य या नियम नहीं है जिसका हर खिलाड़ी को पालन करना चाहिए। यह केवल इस बात का विवरण है कि इन विशिष्ट मैचों में क्या हुआ। शोधकर्ता यह समझाने में सावधानी बरतते हैं कि वे यह नहीं कह सकते कि ऐसा क्यों हुआ। यह संभव है कि प्रतिद्वंद्वी उनके बैकहैंड की ओर अधिक सर्व कर रहे हों, या उनके पास रिटर्न करने के अधिक अवसर हों, या रैलियों की लंबाई ने उनकी रणनीति को बदल दिया हो। डेटा ने एक संबंध दिखाया, लेकिन इसने कारण को सिद्ध नहीं किया।

यह कार्य खेल प्रदर्शन के अध्ययन का एक नया तरीका प्रदर्शित करता है। विभिन्न कंप्यूटर मॉडलों की एक टीम का उपयोग करके और उनके उत्तरों की तुलना करके, विश्लेषक शोर (noise) को संकेत (signal) से अलग कर सकते हैं। वे जो पहले से ज्ञात है, जैसे कि सर्विस तोड़ना, उसकी पुष्टि कर सकते हैं, और साथ ही उन शांत, खिलाड़ी-विशिष्ट आदतों पर भी प्रकाश डाल सकते हैं जिन्हें अन्यथा अनदेखा किया जा सकता है। यह अध्ययन दावा नहीं करता कि ये निष्कर्ष प्रत्येक टेनिस खिलाड़ी या प्रत्येक सतह पर लागू होते हैं। परिणाम विशेष रूप से नोवाक जोकोविच और इन वर्षों के दौरान उनके द्वारा खेले गए हार्ड-कोर्ट मैचों के लिए हैं। फिर भी, स्वयं यह पद्धति एक शक्तिशाली उपकरण है। यह बार-बार होने वाले प्रदर्शन डेटा को देखने का एक पुनरुत्पादनीय (reproducible) तरीका प्रदान करता है, यह सुनिश्चित करता है कि खेल से निकाले गए निष्कर्ष एक एकल विश्लेषणात्मक उपकरण के संकीर्ण दृष्टिकोण के बजाय साक्ष्य के व्यापक सर्वसम्मति पर आधारित हों। जिज्ञासु पर्यवेक्षक के लिए, यह सुझाव देता है कि कुलीन खेल के जटिल नृत्य में, सबसे महत्वपूर्ण सुराग अक्सर एक विशेषज्ञ को सुनने से नहीं, बल्कि कई से पूछने से मिलते हैं।