KR102598931B1

KR102598931B1 - 선수 스카우팅을 위한 정보 제공 장치 및 방법

Info

Publication number: KR102598931B1
Application number: KR1020230057470A
Authority: KR
Inventors: 이학진
Original assignee: (주) 올그라운드
Priority date: 2023-05-03
Filing date: 2023-05-03
Publication date: 2023-11-06

Abstract

일 구현예에 따른 선수 스카우팅을 위한 정보 제공 장치는 적어도 하나의 명령어를 저장하는 메모리 및 프로세서를 포함한다. 상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써, 스포츠 팀의 경기 스타일 및 훈련 스타일 중 적어도 하나에 관한 팀 스타일 정보가 획득되고, 상기 스포츠 팀에서 타겟팅하는 선수에 관한 운동 성향 정보가 획득되며, 전이 학습(transfer learning) 방식으로 학습된 선수 합류에 따른 영향 추론 모델에 상기 획득된 팀 스타일 정보 및 상기 운동 성향 정보가 제공되어서, 상기 선수가 상기 스포츠 팀에 합류함으로써 영향을 받게 되는 기 정의된 하나 이상의 요소 각각에 대한 영향 정도가 추론된다. 이 때 상기 추론되는 하나 이상의 요소에는, 상기 선수의 스탯, 상기 선수의 경기 출전 시간, 상기 선수의 연봉, 상기 스포츠 팀의 성적 및 상기 스포츠 팀의 스탯 중 적어도 하나가 포함된다.

Description

선수 스카우팅을 위한 정보 제공 장치 및 방법 {INFORMATION PROVIDING APPARATUS FOR PLAYER SCOUTING AND METHOD USING THE SAME }

본 발명은 선수 스카우팅을 위한 정보 제공 장치 및 방법에 관한 것이다.

운동하는 선수의 이적 시장에서 스카우터는 다양한 역할을 수행한다. 예컨대, 이들은 선수와의 계약이나 이적료 협상 등에 관여한다. 뿐만 아니라 이들은 자신이 담당하는 스포츠 팀이나 클럽에 필요한 선수를 찾아내어서 이러한 선수를 팀에 이적시키기 위한 협상을 진행하기도 한다.

이 과정에서 스카우터는 경기장에서 실제로 선수를 보면서, 선수들의 강점과 약점이나 운동 성향 등을 파악하고 분석할 수 있다. 또한 스카우터는 선수들의 기록과 통계자료를 수집한 뒤, 이를 분석해서 선수의 잠재력을 예측하기도 한다.

이러한 다양한 업무를 수행하는 과정에서, 스카우터는 필연적으로 다양한 요소들을 고려한다. 예컨대 전술한 선수의 생활 성향이나 운동 성향은 물론이고, 해당 선수가 합류할 스포츠 팀의 훈련 스타일이나 경기 스타일 등을 스카우터는 고려할 수 있다. 동일한 선수가 A팀에 합류했을 때와 B팀에 합류했을 때의 해당 선수나 팀의 결과 내지 성적은, 각 선수에 대해 또는 각 팀에 대해서 전혀 상이할 수 있는 바, 스카우터는 이러한 것들을 전술한 분석 등을 통해 예상 내지 예측하게 된다.

여기서, 전술한 요소들의 경우 정량적인 것들과 정성적인 것들이 어느 정도 섞여있을 수 밖에 없다. 이에, 이러한 요소들을, 매번 종합적으로 고려해서, 가장 이상적인 이적 제안 등을 팀이나 해당 선수에게 제시하는 것은 스카우터들에게 쉽지 않은 일이다.

한국등록특허 10-1161633 (2012.06.26. 등록공고)

일 실시예에 따른 해결하고자 하는 과제는, 선수의 이적 시장에서 스카우터가 고민하고 고려해야하는 다양한 요인들을 빅데이터를 기반으로 학습된 인공지능 모델을 이용해서 추론하여서 제공하는 것을 포함한다.

다만, 일 실시예에 따른 해결하고자 하는 과제가 이에 한정되는 것은 아니다.

제 1 구현예에 따른 선수 스카우팅을 위한 정보 제공 장치는 적어도 하나의 명령어를 저장하는 메모리 및 프로세서를 포함한다. 상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써, 스포츠 팀의 경기 스타일 및 훈련 스타일 중 적어도 하나에 관한 팀 스타일 정보가 획득되고, 상기 스포츠 팀에서 타겟팅하는 선수에 관한 운동 성향 정보가 획득되며, 전이 학습(transfer learning) 방식으로 학습된 선수 합류에 따른 영향 추론 모델에 상기 획득된 팀 스타일 정보 및 상기 운동 성향 정보가 제공되어서, 상기 선수가 상기 스포츠 팀에 합류함으로써 영향을 받게 되는 기 정의된 하나 이상의 요소 각각에 대한 영향 정도가 추론된다. 이 때 상기 추론되는 하나 이상의 요소에는, 상기 선수의 스탯, 상기 선수의 경기 출전 시간, 상기 선수의 연봉, 상기 스포츠 팀의 성적 및 상기 스포츠 팀의 스탯 중 적어도 하나가 포함된다.

또한, 각 팀에는 상대팀과 실력 편차량을 기준으로, 상대팀 과의 경기에서 구사되는 공격 전술과 수비 전술의 평균 비율은 결정되어 있고, 상기 경기 스타일은, 상기 실력 편차량에 따른 상기 평균 비율에 기초해서 결정된 것일 수 있다.

또한, 상기 실력 편차량과 상기 평균 비율 간의 상관 계수(correlation coefficient)는 아래의 수학식 1에 의해 결정되고, 상기 경기 스타일은 상기 상관 계수를 이용해서 결정된 것이되, 상기 수학식 1에서 상관 계수는, 상관 계수 = (n∑xy - (∑x)(∑y))/sqrt((n∑x² - (∑x)²)(n∑y² - (∑y)²)로 정의되어 있고, 여기서 x는 실력 편차량이고 y는 평균 비율이며, n은 샘플의 개수인 것을 특징으로 할 수 있다.

또한, 상기 적어도 하나의 명령어가 상기 프로세서에 의해 수행됨으로써, 상기 스포츠 팀에 소속된 선수들의 운동 성향에 대한 분포 정보가 획득되고, 상기 영향 추론 모델은 상기 하나 이상의 요소 각각에 대한 영향 정도를 추론할 때, 상기 획득된 분포 정보를 추가적으로 고려할 수 있다.

또한, 상기 적어도 하나의 명령어가 상기 프로세서에 의해 수행됨으로써, 과거 소정 기간 동안에서의 상기 선수의 스탯, 경기 출전 시간 및 연봉 중 적어도 하나의 정보가 획득되고, 상기 영향 추론 모델은 상기 하나 이상의 요소 각각에 대한 영향 정도를 추론할 때, 상기 획득된 적어도 하나의 정보가 추가적으로 고려될 수 있다.

또한, 상기 영향 추론 모델은 사전 학습된 모델을 미세 조정(fine-tuning)함으로써 학습된 것이되, 상기 영향 추론 모델의 사전 학습 과정에서는, 선수의 이적과 관련된 것으로 선별된 복수 개의 텍스트를 대상으로 MLM(Masked Language Model) 및 NSP(Next Sentence Prediction) 과정이 수행될 수 있다.

또한, 상기 미세 조정에서는 복수 개의 학습용 데이터가 이용되며, 상기 복수 개의 학습용 데이터 각각은 학습용 입력 데이터 및 학습용 정답 데이터를 포함하고, 상기 학습용 입력 데이터는 선수 이적 사례로부터 획득된 각 팀의 팀 스타일 정보 및 이적 대상인 선수의 운동 성향 정보를 포함하고, 상기 학습용 정답 데이터는 상기 하나 이상의 요소 각각에 대한 영향 정도를 포함할 수 있다.

또한, 상기 메모리에는 설명 가능한 인공지능 모델이 저장되되, 상기 설명 가능한 인공지능 모델은 상기 학습이 완료된 영향 추론 모델에 제공되는 팀 스타일 정보 및 운동 성향 정보 및 상기 학습이 완료된 영향 추론 모델에서 출력되는 하나 이상의 요소 각각에 대한 영향 정도 간의 상관 관계를 이용해서, 상기 팀 스타일 정보 및 운동 성향 정보 각각이 상기 하나 이상의 요소 각각에 대한 영향 정도에 기여하는 정도를 도출할 수 있다.

또한, 상기 설명 가능한 인공지능 모델은 SHAP 기법에 의한 것일 수 있다.

제2 구현예에 따른 정보 제공 장치가 수행하는 선수의 팀 합류에 따른 영향을 추론하는 방법으로서, 스포츠 팀의 경기 스타일 및 훈련 스타일 중 적어도 하나에 관한 팀 스타일 정보를 획득하는 단계, 상기 스포츠 팀에서 타겟팅하는 선수에 관한 운동 성향 정보를 획득하는 단계 및 전이 학습(transfer learning) 방식으로 학습된 선수 합류에 따른 영향 추론 모델에 상기 획득된 팀 스타일 정보 및 상기 운동 성향 정보를 제공하여서, 상기 선수가 상기 스포츠 팀에 합류함으로써 영향을 받게 되는 기 정의된 하나 이상의 요소 각각에 대한 영향 정도를 추론하는 단계를 포함한다. 여기서, 상기 추론되는 하나 이상의 요소에는 상기 선수의 스탯, 상기 선수의 경기 출전 시간, 상기 선수의 연봉, 상기 스포츠 팀의 성적 및 상기 스포츠 팀의 스탯 중 적어도 하나가 포함된다.

일 실시예에서는 빅데이터를 기반으로 학습된 인공지능 모델에 의해, 각 팀에서 타겟팅하는 선수가 해당 팀에 합류했을 때에 영향을 받게 되는 각 요소가 추론되어서 제공될 수 있다. 이 과정에서, 정량화된 선수의 스탯이나 연봉 뿐 아니라 각 선수의 운동 성향 정보, 각 팀의 경기 스타일이나 훈련 스타일까지 고려되어서 전술한 요소가 추론될 수 있다.

이를 통해 스카우터는 보다 정확하면서도 신속하게 스카우팅 작업을 수행할 수 있고, 각 팀 역시 이러한 스카우터의 작업에 대해 상대적으로 신뢰를 할 수 있게 된다.

더 나아가서, 스카우터나 각 팀은 자신들이 타겟팅하는 선수의 합류에 의해 영향을 받게 되는 요소에 대해, 그 영향을 받게 되는 이유가 무엇인지를 제시받을 수 있다. 예컨대, 선수의 스탯이 올라갈 것으로 추론된다면 그 이유가 선수의 운동 성향과 해당 팀의 경기 스타일 덕분인지, 아니면 해당 팀의 훈련 스타일 덕분인지 등을 제시받을 수 있다. 이를 통해, 스카우터나 각 팀은 해당 선수를 합류시켰을 때의 팀의 훈련 내지 경기 운용 방향 등을 결정하는데 있어서 이렇게 제시받은 사항들을 참고할 수 있게 된다.

도 1에는 일 실시예에 따라 학습된 선수 합류 영향 추론 모델에 팀 스타일 정보 및 선수의 운동 성향 정보 중 적어도 하나가 제공되면, 그로부터 해당 선수가 해당 팀에 합류함으로써 영향을 받게 되는 다양한 요소에 대한 영향 정도가 추론되는 것이 개념적으로 도시되어 있다.
도 2에는 일 실시예에 따른 정보 제공 장치가 네트워크 상에서 연결되는 다양한 종류의 정보 제공 장치 내지 서버 등이 예시적으로 도시되어 있다.
도 3에는 일 실시예에 따른 정보 제공 장치에 대한 블록도가 개념적으로 도시되어 있다.
도 4에는 딥러닝에 대한 아키텍쳐가 개념적으로 도시되어 있다.
도 5에는 합성곱 신경망에 대한 아키텍쳐가 개념적으로 도시되어 있다.
도 6에는 일 실시예에 따라 구현되는 모델 또는 모듈 등이 개념적으로 도시되어 있다.
도 7과 8에는 모델의 사전 학습을 위해 수행되는 학습 과정이 예시적으로 도시되어 있다.
도 9에는 모델의 미세 조정을 위해 수행되는 학습 과정이 예시적으로 도시되어 있다.
도 10과 11에는 모델의 미세 조정에서 이용 가능한 학습용 데이터가 예시적으로 도시되어 있다.
도 12에는 일 실시예에 따른 선수 합류 영향 추론 모델에 설명 가능한 인공지능 모델(Explainable AI)이 연결되어 있는 것이 개념적으로 도시되어 있다.
도 13에는 게임 이론을 설명하기 위한 예시적인 그림이 도시되어 있다.
도 14에는 일 실시예에 따른 선수 스카우팅을 위한 정보 제공 방법에 대한 순서도가 예시적으로 도시되어 있다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

이하, 일 실시예에 대해 설명하기에 앞서, 용어에 대해 살펴본다.

용어 '선수'는 운동을 하는 사람을 지칭하며, '운동 선수'와 혼용될 수 있다.

용어 '팀'은 team, 즉 운동을 위해 형성된 그룹을 지칭한다. 이러한 팀은 '스포츠 팀' 또는 '클럽'과 혼용될 수 있다.

도 1에는 일 실시예에 따라 학습된 선수 합류 영향 추론 모델에 팀 스타일 정보 및 선수의 운동 성향 정보 중 적어도 하나가 제공되면, 그로부터 해당 선수가 해당 팀에 합류함으로써 영향을 받게 되는 다양한 요소에 대한 영향 정도가 추론되는 것이 개념적으로 도시되어 있다.

도 1을 참조하면, 일 실시예에 따른 선수 합류 영향 추론 모델에는 다양한 정보가 제공된다. 예컨대 팀 스타일 정보가 제공될 수 있다.

이러한 팀 스타일 정보에는 다양한 정보들이 포함된다. 예컨대 팀 스타일 정보에는 스포츠 팀의 경기 스타일 및 훈련 스타일 중 적어도 하나에 관한 정보가 포함될 수 있다.

여기서, 경기 스타일이란 해당 팀이 경기에서 어떤 플레이를 지향하는지를 나타낸다. 각 팀마다 경기 스타일은 동일하거나 상이할 수 있다. 소위 말하는 팀 컬러 등이 이러한 경기 스타일에 포함될 수 있다.

구체적으로, 공격적인 성향이 강한지 아니면 수비적인 성향이 강한지 등이 이러한 경기 스타일에 포함될 수 있다. 보다 구체적으로, 상대팀과의 실력 편차량에 따라, 해당 상대팀과의 경기에서 구사되는 공격 전술과 수비 전술의 평균 비율이 각 팀마다 결정되어 있을 수 있는데, 이러한 것이 경기 스타일일 수 있다. 어떤 팀의 경우 상대팀과의 실력 편차량에 비례해서 공격 전술과 수비 전술의 평균 비율이 결정되도록, 경기 스타일을 가질 수 있다. 예컨대, 상대팀이 상대적으로 잘하면 공격 전술 대비 수비 전술의 비율이 큰 반면, 상대팀이 상대적으로 못하면 공격 전술 대비 수비 전술의 비율이 작도록 경기 스타일이 결정되어 있을 수 있다.

물론, 이와 달리, 상대팀과의 실력 편차량과는 상관없이 공격 전술 대비 수비 전술의 비율이 동일하도록, 경기 스타일이 결정되어 있을 수도 있다.

이러한 경기 스타일은 정량화되어서 제공될 수 있다. 예컨대, 공격성향과 수비성향을 기준으로, 각각에 대한 성향이 수치로서 기재될 수 있다. 여기서 이러한 수치는 사람에 의해 매겨진 것이거나 또는 전술한 평균 비율에 근거한 것일 수 있으며, 다만 이에 한정되는 것은 아니다.

다음으로, 훈련 스타일이란 해당 팀이 훈련에서 어떤 스타일의 훈련을 지향하는지를 나타낸다. 각 팀마다 훈련 스타일 역시 동일하거나 상이할 수 있다.

구체적으로, 피지컬을 중요시하는 팀에서는 선수의 피지컬적인 능력을 강화하기 위한 훈련이 중요시될 수 있다. 이와 달리, 테크닉이나 팀웍을 중요시하는 팀에서는 선수 또는 팀의 테크닉적인 역량이나 팀웍을 강화하기위한 훈련이 중요시될 수 있다. 이렇게 팀에서 훈련에서 중요시하는 것이 훈련 스타일일 수 있다.

전술한 훈련 스타일은 다양한 형태로 모델에 제공될 수 있다. 예컨대, 피지컬을 중요시하는 경우는 벡터 [1,0,0], 테크닉을 중요시하는 경우는 벡터 [0,1,0], 팀 워크를 중요시하는 경우는 벡터 [0,0,1]의 형태로 제공될 수도 있다. 물론, 이에 한정되는 것은 아니다.

전술한 선수 합류 영향 추론 모델에는 스포츠 팀이나 이러한 스포츠 팀에 소속된 스카우터가 타겟팅하는 선수에 관한 운동 성향 정보가 제공될 수도 있다. 여기서 운동 성향 정보란, 해당 선수가 운동을 하거나 준비할 때, 또는 운동을 대할 때 표출하거나 갖게 되는 성향 정보를 지칭한다. 예컨대, 조직적 플레이를 선호하는지 아니면 개인적 플레이를 선호하는지(관계), 적극적인지 아니면 소극적인지(도전), 퍼포먼스 등에 민감한지 아니면 둔감한지(퍼포먼스), 판단에 있어 사고적인지 아니면 감정적인지(판단 능력) 등은 이러한 운동 성향 정보에서 다뤄질 수 있는 것들이다. 이러한 운동 성향 정보에 대해서는 뒤에 보다 자세하게 살펴보기로 한다.

한편, 전술한 선수 합류 영향 추론 모델에는 그 밖에도 다양한 것들이 제공될 수 있다.

예컨대, 팀에 관해서는 해당 팀에 소속된 선수들의 운동 성향에 대한 분포 정보가 제공될 수 있다. 여기서 '분포 정보'란 각 선수들의 전술한 운동 성향 정보에 대한 평균이나 분산 등일 수 있으며, 다만 이에 한정되는 것은 아니다.

또는, 선수에 관해서는 과거 소정 기간 동안에 측정된 해당 선수의 스탯, 경기 출전 시간 및 연봉 중 적어도 하나의 정보가 전술한 선수 합류 영향 추론 모델에 제공될 수도 있다. 이들은 정량화되어서 제공될 수 있다. 정량화 과정에서는 이들 항목에 대한 표준화 내지 정규화가 수행될 수 있다.

여기서의 '과거 소정 기간'은 다양할 수 있으며, 이를테면 짧게는 몇주부터 몇 개월 또는 수년일 수 있으며, 이에 한정되는 것은 아니다.

아울러, 스탯이란 소위 말해서 정량화가 가능한 선수의 기록을 지칭한다. 야구에서는 타율이나 방어율, 축구에서는 득점이나 어시스트수를 포함하는 공격 포인트 또는 패스 성공율 등이 이에 포함될 수 있으며, 다만 이에 한정되는 것은 아니다. 물론, 정량화가 가능하지 않은 항목 역시 이러한 스탯에 포함될 수도 있음은 물론이며, 이 과정에서는 별도로 이러한 항목을 벡터로서 모델에 제공하기 위한 전처리 과정 등이 수행될 수 있다.

이렇게 다양한 정보들이 전술한 선수 합류 영향 추론 모델에 제공될 수 있으며, 그 결과, 스카우터 또는 각 팀들이 이적 시장에서 고려해야 할 다양한 요소들이 획득될 수 있다. 즉, 해당 선수의 팀 합류에 의해, 해당 팀이나 해당 선수에게 어떠한 영향이 있는지가 각 요소 별로 추론되어서 제공될 수 있다.

여기서, 전술한 추론되는 요소에는 다양한 것들이 포함된다. 예컨대 해당 선수의 스탯, 경기 출전 시간, 연봉, 합류한 이후 해당 팀의 성적이나 해당 팀의 스탯 등이 전술한 요소에 포함될 수 있으며, 다만 이에 한정되는 것은 아니다.

아울러, 전술한 추론에는 빅데이터 뿐 아니라 인공지능기법에 의해 학습된 모델이 이용될 수 있다. 동일한 선수라도 어느 팀에 합류하느냐에 따라 해당 선수의 가치 뿐 아니라 해당 선수가 합류한 팀의 가치나 성적 등은 서로 상이하게 결정될 수 있는데, 이러한 결정을 예측하는데 있어서 일 실시예에서는 빅데이터 및 인공지능기법에 의해 학습된 모델이 이용될 수 있다.

즉, 일 실시예에서는 빅데이터를 기반으로 학습된 인공지능 모델에 의해, 각 팀에서 타겟팅하는 선수가 해당 팀에 합류했을 때에 영향을 받게 되는 각 요소가 추론되어서 제공될 수 있다. 이 과정에서, 정량화된 선수의 스탯이나 연봉 뿐 아니라 각 선수의 운동 성향 정보, 각 팀의 경기 스타일이나 훈련 스타일까지 고려되어서 전술한 요소가 추론될 수 있다.

이하, 선수 합류 영향 추론 모델이 적용되어 있는 정보 제공 장치가 네트워크 상에서 어떻게 동작하는지에 대해 도 2를 참조해서 살펴보기로 한다.

도 2에는 일 실시예에 따른 정보 제공 장치가 네트워크 상에서 연결되는 다양한 종류의 정보 제공 장치 내지 서버 등이 예시적으로 도시되어 있다.

도 2를 참조하면, 일 실시예에 따른 선수 스카우팅을 위한 정보 제공 장치(100)(이하, 정보 제공 장치(100)라고 지칭하기로 함)는 사용자 정보 제공 장치(200)나 외부 서버(300) 중 적어도 하나와 네트워크(400)를 통해 연결될 수 있다. 여기서, 도 2는 예시적인 것에 불과한 바, 본 발명의 사상이 도 2에 도시된 것으로 한정 해석되는 것은 아니다.

여기서 네트워크(400)는 무선 또는 유선 네트워크망을 의미한다. 이 중, 무선 네트워크 망의 경우, 예컨대 LTE(long-term evolution), LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication) 및 GNSS(global navigation satellite system) 등에서 적어도 하나를 포함할 수 있다. 또한, 유선 네트워크 망의 경우, 예컨대 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), LAN(Local Area Network), WAN(Wide Area Network), 인터넷 및 전화망(telephone network) 등에서 적어도 하나를 포함할 수 있다.

다음으로, 사용자 정보 제공 장치(200)는 스카우터 또는 각 팀의 인사 담당자가 사용하는 정보 제공 장치다. 이러한 사용자 정보 제공 장치(200)은 도 2에 도시된 바와 같이 스마트폰, 태블릿 PC, 데스크탑 PC 또는 서버 등을 포함할 수 있다.

사용자는 이러한 사용자 정보 제공 장치(200)을 통해, 외부 서버(300)에게 자신이 타겟팅하는 선수에 대한 정보를 다양한 정보를 요청할 수 있다. 이에 따라, 외부 서버(300)는 해당 선수의 현재 운동 성향 정보, 스탯 및 연봉 중 적어도 하나에 관한 정보를 사용자 정보 제공 장치(200)나 정보 제공 장치(100)에게 제공할 수 있다. 그러면, 사용자는 이러한 사용자 정보 제공 장치(200)를 통해, 정보 제공 장치(100)가 제공하는 타겟팅하는 선수의 팀 합류에 따른 각 요소 별 영향 정도를 제공받을 수 있다.

다음으로, 외부 서버(300)는 다양한 정보를 제공하도록 구현된 서버를 지칭한다. 이러한 외부 서버(300)는 사용자 정보 제공 장치(200)로부터의 요청에 따라, 전술한 타겟팅하는 선수에 대한 다양한 정보, 즉, 해당 선수의 운동 성향 정보나 과거 소정 기간 동안의 해당 선수의 스탯, 경기 출전 시간 및 연봉 중 적어도 하나에 관한 정보를 사용자 정보 제공 장치(200)나 정보 제공 장치(100)에게 제공할 수 있다. 즉, 이러한 외부 서버(300)는 각 선수에 관한 정량적인 또는 정성적인 정보를 저장하고 관리하며 제공할 수 있는 서버를 지칭한다.

다음으로, 일 실시예에 따른 정보 제공 장치(100)에 대해 살펴보자. 이러한 정보 제공 장치(100)에는 전술한 선수 합류에 따른 영향을 예측하는 선수 합류 영향 예측 모델이 마련되어 있다. 이러한 모델에 의해, 팀에서 타겟팅하는 선수가 해당 팀에 합류했을 때에 영향을 받게 되는 하나 이상의 요소 각각에 대한 영향 정도가 추론되어서 제공될 수 있다.

여기서, 전술한 모델에는 다양한 정보가 제공된다. 예컨대 팀 스타일 정보가 제공될 수 있다.

여기서, 경기 스타일이란 해당 팀이 경기에서 어떤 플레이를 지향하는지를 나타낸다. 각 팀마다 경기 스타일은 동일하거나 상이할 수 있다. 소위 말하는 팀 컬러 등이 이러한 경기 스타일에 포함된다. 경기 스타일에 관해서는 이미 설명된 바 있으므로, 자세한 설명은 생략하기로 한다.

다음으로, 훈련 스타일이란 해당 팀이 훈련에서 어떤 스타일의 훈련을 지향하는지를 나타낸다. 각 팀마다 훈련 스타일 역시 동일하거나 상이할 수 있다. 훈련 스타일에 관해서는 이미 설명된 바 있으므로, 자세한 설명은 생략하기로 한다.

또한, 전술한 선수 합류 영향 추론 모델에는 스포츠 팀이나 이러한 스포츠 팀에 소속된 스카우터가 타겟팅하는 선수에 관한 운동 성향 정보가 제공될 수도 있다. 이에 대해서도 전술한 바 있으므로, 자세한 설명은 생략하기로 한다.

예컨대, 팀에 관해서는 해당 팀에 소속된 선수들의 운동 성향에 대한 분포 정보가 제공될 수 있다. 또는, 선수에 관해서는 과거 소정 기간 동안에 측정된 해당 선수의 스탯, 경기 출전 시간 및 연봉 중 적어도 하나의 정보가 전술한 선수 합류 영향 추론 모델에 제공될 수도 있다.

이렇게 다양한 정보들이 전술한 선수 합류 영향 추론 모델에 제공될 수 있으며, 그 결과, 스카우터 또는 각 팀들이 이적 시장에서 고려해야할 다양한 요소들이 획득될 수 있다. 즉, 해당 선수의 팀 합류에 의해, 해당 팀이나 해당 선수에게 어떠한 영향이 있는지가 각 요소 별로 추론되어서 제공될 수 있다.

아울러, 전술한 추론에는 빅데이터 뿐 아니라 인공지능기법에 의해 학습된 모델이 이용될 수 있다. 선수의 이적 시장에서는 통계를 기반으로 한 예측이 중요하다. 동일한 선수라도 어느 팀에 합류하느냐에 따라 해당 선수의 가치 뿐 아니라 해당 선수가 합류한 팀의 가치나 성적 등은 서로 상이하게 결정될 수 있는데, 이러한 결정을 예측하는데 있어서 일 실시예에서는 빅데이터 및 인공지능기법에 의해 학습된 모델이 이용될 수 있다.

즉, 일 실시예에서는 빅데이터를 기반으로 학습된 인공지능 모델에 의해, 각 팀에서 타겟팅하는 선수가 해당 팀에 합류했을 때에 영향을 받게 되는 각 요소가 추론되어서 제공될 수 있다. 예컨대, 정량화된 선수의 스탯이나 연봉 뿐 아니라 각 선수의 운동 성향 정보, 각 팀의 경기 스타일이나 훈련 스타일까지 고려되어서 전술한 요소가 추론될 수 있다.

이하, 이러한 정보 제공 장치(100)에 대해 보다 자세하게 살펴보기로 한다.

도 3은 일 실시예에 따른 정보 제공 장치(100)에 대한 예시적인 구성도이다. 도 3을 참조하면, 정보 제공 장치(100)는 통신부(110), 메모리(120) 및 프로세서(130)를 포함한다. 다만, 도 3에 도시된 구성도는 예시적인 것에 불과한 바, 본 발명의 사상이 도 3에 도시된 구성도에 의해 한정 해석되는 것은 아니다. 예컨대, 정보 제공 장치(100)는 도 3에 도시되지 않은 구성을 적어도 하나 포함하거나 도 3에 도시된 구성 중 적어도 하나를 포함하지 않을 수 있다.

통신부(110)는 유선 또는 무선 통신 모듈에 의해 구현 가능하다. 정보 제공 장치(100)은 이러한 통신부(110)를 통해 외부의 정보 제공 장치, 예컨대 도 2에 도시된 다양한 종류의 단말(200)이나 서버(300) 등과 통신을 수행할 수 있다.

메모리(120)는 정보를 저장하는 매체에 의해 구현 가능하다. 이러한 매체에는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체일 수 있으며, 다만 이에 한정되는 것은 아니다.

이러한 메모리(120)에는 다양한 종류의 정보가 저장될 수 있다. 예컨대 메모리(120)에는 통신부(110)를 통해 정보 제공 장치(100)가 단말(200)이나 외부의 서버(300)에서 획득한 정보가 저장될 수 있다.

또한, 이러한 메모리(120)에는 도 1에 도시되어 있는 선수 합류 영향 추론 모델의 학습에 이용될 학습용 데이터가 저장되어 있을 수도 있다. 이러한 학습용 데이터에는, 전술한 모델의 사전 학습을 위한 것과 미세 조정을 위한 것이 포함될 수 있다.

이 중, 사전 학습을 위한 학습용 데이터는 다양한 선수 이적에 관한 데이터를 나타내는 코퍼스일 수 있다. 이러한 학습용 데이터는 '이적' 등과 같은 키워드를 이용한 검색을 통해, 해당 키워드를 포함하는 텍스트가 웹 상에서 수집될 수 있다.

또한, 미세 조정을 위한 복수 개의 학습용 데이터 각각에 대해 살펴보자. 이러한 학습용 데이터 중 학습용 입력 데이터는 복수의 선수 이적 사례와 관련된 정보, 예컨대, 선수 이적에서 각 팀의 팀 스타일 정보, 운동 선수의 운동 성향 정보 및 전술한 하나 이상의 요소 각각에 대한 영향 정도를 포함할 수 있다.

이 때, 영향 정도는 다양하게 산정될 수 있다. 예컨대, 이적 후를 기준으로 이적 전과 이적 후의 차이의 절대값을 %로 나타낸 것이 전술한 영향 정도일 수 있다. 다만, 영향 정도를 산정하는 방식은 이에 한정되는 것만은 아니며, 정량적인 것들을 수치화하는 다양한 방식 등이 이에 적용될 수 있을 것이다.

여기서, 이러한 학습용 입력 데이터와 학습용 정답 데이터 각각은 전술한 외부 서버(300) 등으로부터 각 선수 등의 동의 하에 획득된 것일 수 있다.

한편, 메모리(120)에는 다양한 종류의 모듈 내지 모델이 구현되어 있을 수 있다. 이러한 모듈이나 모델이 후술할 프로세서(130)에 의해 실행되면, 목적하는 기능이 수행되게 된다. 각각의 모듈 내지 모델에 대해서는 후술하기로 한다.

다음으로, 프로세서(130)에 대해 살펴보자. 우선, 일 실시예에 따른 프로세서(130)는 메모리(120)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 후술될 본 개시내용의 실시예들에 따른 기술적 특징들을 수행할 수 있다. 일 실시예에서, 프로세서(130)는 적어도 하나의 코어로 구성될 수 있으며, 정보 제공 장치(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.

이러한 프로세서(130)는 머신러닝이나 딥러닝 방식으로 설계된 신경망 내지 모델을 학습시킬 수 있다. 이를 위해, 프로세서(130)는 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.

또한, 프로세서(130)는 인공 신경망 방식으로 구현된 모델을 이용해서, 소정의 목적 하에 추론(inference)을 수행할 수도 있다.

이하, 인공 신경망에 대해 살펴보기로 한다. 본 명세서에서의 모델은 네트워크 함수, 인공신경망 및/또는 뉴럴 네트워크에 기반하여 동작하는 임의의 형태의 컴퓨터 프로그램을 의미할 수 있다. 본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수개의 히든 레이어를 포함하는 신경망을 의미할 수 있으며, 도 4에 이에 대한 개념이 예시적으로 도시되어 있는 것과 같이, 중간에 있는 히든 계층이 딥 뉴럴 네트워크에서는 1개 이상, 바람직하게는 2개 이상으로 구성된다.

이러한 딥 뉴럴 네트워크는 도 5에 도시되어 있는 합성곱 신경망(CNN: convolutional neural network), 비젼 트랜스포머(vision transformer), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), LSTM(Long Short Term Memory) 네트워크, GPT(Generative Pre-trained Transformer), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network), 트랜스포머(transformer) 등을 포함할 수 있다.

또는, 실시예에 따라 딥 뉴럴 네트워크는 전이학습(transfer learning) 방식으로 학습된 모델일 수 있다. 여기서, 전이학습은 대용량의 라벨링되어 있지 않은 학습용 데이터를 준지도학습 또는 자가학습 방식으로 사전 학습(pre-training)하여 제1 태스크를 갖는 사전 학습된(pre-trained) 모델(또는 베이스부)을 얻고, 사전 학습된 모델을 제2 태스크에 적합하도록 fine-tuning하기 위해, 라벨링된 학습용 데이터를 지도학습 방식으로 학습시켜서 타겟으로 하는 모델을 구현하는 학습 방식을 나타낸다. 이러한 전이학습 방식으로 학습된 모델 중 하나로서, BERT(Bidirectional Encoder Representations from Transformers) 등이 있는데, 다만 이에 한정되는 것은 아니다.

뉴럴 네트워크는 지도학습(supervised learning), 비지도학습(unsupervised learning), 준지도학습(semi supervised learning), 자가학습(self-supervised learning) 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 데이터(labelled data)를 사용하며, 비지도학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않은 데이터(unlabeled data)를 사용할 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 또한, 과적합(overfitting)을 막기 위해서 학습 데이터의 증가, 레귤러화(regularization), 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer) 등의 방법이 적용될 수 있다.

한편, 일 실시예에서 개시되는 모델은 트랜스포머의 적어도 일부분을 차용할 수 있다. 트랜스포머는 임베딩된 데이터들을 인코딩하는 인코더 및 인코딩된 데이터들을 디코딩하는 디코더로 구성될 수 있다. 트랜스포머는 일련의 데이터들을 수신하여, 인코딩 및 디코딩 단계를 거처 상이한 타입의 일련의 데이터들을 출력하는 구조를 지닐 수 있다. 일 실시예에서, 일련의 데이터들은 트랜스포머가 연산가능한 형태로 가공될 수 있다. 일련의 데이터들을 트랜스포머가 연산가능한 형태로 가공하는 과정은 임베딩 과정을 포함할 수 있다. 데이터 토큰, 임베딩 벡터, 임베딩 토큰 등과 같은 표현들은, 트랜스포머가 처리할 수 있는 형태로 임베딩된 데이터들을 지칭하는 것일 수 있다.

트랜스포머가 일련의 데이터들을 인코딩 및 디코딩하기 위하여, 트랜스포머 내의 인코더 및 디코더들을 어텐션(attention) 알고리즘을 활용하여 처리할 수 있다. 어텐션 알고리즘이란 주어진 쿼리(Query)에 대해, 하나 이상의 키(Key)에 대한 유사도를 구하고, 이렇게 주어진 유사도를, 각각의 키(Key)와 대응하는 값(Value)에 반영한 후, 유사도가 반영된 값(Value)들을 가중합하여 어텐션 값을 계산하는 알고리즘을 의미할 수 있다.

쿼리, 키 및 값을 어떻게 설정하느냐에 따라, 다양한 종류의 어텐션 알고리즘이 분류될 수 있다. 예를 들어, 쿼리, 키 및 값을 모두 동일하게 설정하여 어텐션을 구하는 경우, 이는 셀프-어텐션 알고리즘을 의미할 수 있다. 입력된 일련의 데이터들을 병렬로 처리하기 위해, 임베딩 벡터를 차원을 축소하여, 각 분할된 임베딩 벡터에 대해 개별적인 어텐션 헤드를 구하여 어텐션을 구하는 경우, 이는 멀티-헤드(multi-head) 어텐션 알고리즘을 의미할 수 있다.

일 실시예에서, 트랜스포머는 복수개의 멀티-헤드 셀프 어텐션 알고리즘 또는 멀티-헤드 인코더-디코더 알고리즘을 수행하는 모듈들로 구성될 수 있다. 일 실시예에서, 트랜스포머는 임베딩, 정규화, 소프트맥스(softmax) 등 어텐션 알고리즘이 아닌 부가적인 구성요소들 또한 포함할 수 있다. 어텐션 알고리즘을 이용하여 트랜스포머를 구성하는 방법은 Vaswani et al., Attention Is All You Need, 2017 NIPS에 개시된 방법을 포함할 수 있으며, 이는 본 명세서에 참조로 통합된다.

트랜스포머는 임베딩된 자연어, 분할된 이미지 데이터, 오디오 파형 등 다양한 데이터 도메인에 적용하여, 일련의 입력 데이터를 일련의 출력 데이터로 변환할 수 있다. 다양한 데이터 도메인을 가진 데이터들을 트랜스포머에 입력가능한 일련의 데이터들로 변환하기 위해, 트랜스포머는 데이터들을 임베딩할 수 있다. 트랜스포머는 일련의 입력 데이터 사이의 상대적 위치관계 또는 위상관계를 표현하는 추가적인 데이터를 처리할 수 있다. 또는 일련의 입력 데이터에 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 벡터들이 추가적으로 반영되어 일련의 입력 데이터가 임베딩될 수 있다. 일 예에서, 일련의 입력 데이터 사이의 상대적 위치관계는, 자연어 문장 내에서의 어순, 각각의 분할된 이미지의 상대적 위치 관계, 분할된 오디오 파형의 시간 순서 등을 포함할 수 있으나, 이에 제한되지 않는다. 일련의 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 정보를 추가하는 과정은 위치 인코딩(positional encoding)으로 지칭될 수 있다.

이하, 프로세서(130)에 의해 메모리(120)에 저장된 적어도 하나의 명령어가 실행됨으로써, 정보 제공 장치(100)가 수행할 수 있는 다양한 동작 내지 기능 등에 대해 살펴보기로 하자.

우선, 프로세서(130)는 통신부(110)를 제어할 수 있다. 이를 통해 정보 제공 장치(100)은 통신부(110)를 통해 도 2에 도시되어 있는 사용자 정보 제공 장치(200)나 서버(300)와 통신을 수행해서 정보를 획득할 수 있다.

또한 프로세서(130)는 메모리(120)에 저장되어 있는 전술한 데이터나 명령어를 읽어들일 수 있고, 메모리(120)에 새로운 데이터나 명령어를 기록할 수 있다. 또한, 프로세서(130)는 이미 기록되어 있는 데이터나 명령어를 수정하거나 삭제할 수 있다. 이하, 이에 대해 보다 구체적으로 살펴보기로 한다.

프로세서(130)에 의해 메모리(120)에 저장되어 있는 적어도 하나의 명령어가 실행됨으로써, 정보 제공 장치(100)에서는 도 6에 모듈화되어 표시되어 있는 모델들이 실행될 수 있으며, 다만 실행 가능한 모델들이 도 6에 도시된 것으로 한정 해석되는 것은 아니다.

도 6을 참조하면, 정보 제공 장치(100)에서 실행 가능한 모델에는 선수 합류 영향 추론 모델(121) 및 XAI 모델(125) 중 적어도 하나가 포함될 수 있고, 다만 이에 한정되는 것은 아니다.

이 중, 선수 합류 영향 추론 모델(121)에 대해 먼저 살펴보자. 도 7 내지 9에는 일 실시예에 따른 모델(121)에 대한 학습 과정이 개념적으로 도시되어 있다. 우선, 이러한 모델(121)은 앞서 설명된 전이 학습 방식으로 학습될 수 있다. 이 때 전이 학습에서는 사전 학습이 수행되고 이후 미세 조정이 수행된다.

이 중, 사전 학습에서는 MLM(Masked Language Model) 그리고 NSP(Next Sentence Prediction) 방식이 수행된다.

MLM에서는 복수의 선수 이적과 관련된 코퍼스가 이용된다. 이 때 코퍼스에는 다양한 종류의 정보가 포함될 수 있다. 예컨대, 선수 이적에 관한 기사나 논문이나 통계 자료 등이 포함될 수 있으며, 다만 이에 한정되는 것은 아니다. 따라서, '선수 이적'에 대해 보다 전문적인 검색이 이로서 가능하게 된다. 왜냐하면, '선수 이적'에 관한 텍스트를 기초로 MLM(Masked Language Model) 또는 NSP(Next Sentence Prediction) 방식으로 사전 학습될 경우, 이러한 사전 학습 모델은 '선수 이적'에 관한 텍스트에 대한 문맥 이해에 유리하기 때문이다.

보다 구체적으로는, 이러한 코퍼스의 일부를 마스킹처리한 뒤 이를 맞추는 방식으로 MLM이 수행될 수 있으며, 도 7에는 이에 대한 개념이 예시적으로 도시되어 있다.

또한, 전술한 MLM 뿐 아니라 전술한 NSP가 수행될 수 있다. 전술한 코퍼스는 복수 개의 문장이 포함되어 있을 수 있다. 따라서, 이러한 복수 개의 문장에는 순서가 존재할 수 있다. 따라서, 일 실시예에서는 NSP에 따라 어떤 하나의 문장이 주어졌을 때 그 다음의 문장을 맞추는 과정이 수행될 수 있다.

아울러, 미세 조정에서는 메모리(120)에 저장되어 있는 복수 개의 학습용 데이터가 지도 학습 과정에서 이용될 수 있다. 이러한 모델(121)의 미세 조정은 도 9에 예시적으로 도시되어 있다. 도 9를 참조하면, 모델(121)의 미세 조정을 위해, 학습용 입력 데이터와 그에 대응되는 학습용 정답 데이터가 이용된다.

학습 방식은 이미 설명된 바 있으므로, 이에 관한 자세한 설명은 생략하기로 하고, 학습용 데이터에 대해 살펴보기로 하자.

전술한 모델(121)에는 학습용 입력 데이터로서 각 팀의 경기 스타일에 관한 정보가 이용될 수 있다고 설명된 바 있다. 여기서, 경기 스타일이란 해당 팀이 경기에서 어떤 플레이를 지향하는지를 나타낸다. 각 팀마다 경기 스타일은 동일하거나 상이할 수 있다. 소위 말하는 팀 컬러 등이 이러한 경기 스타일에 포함된다.

구체적으로, 공격적인 성향이 강한지 아니면 수비적인 성향이 강한지 등이 이러한 경기 스타일에 포함될 수 있다. 보다 구체적으로, 상대팀과의 실력 편차량에 따라, 해당 상대팀과의 경기에서 구사되는 공격 전술과 수비 전술의 평균 비율이 각 팀마다 결정되어 있을 수 있다. 어떤 팀의 경우 상대팀과의 실력 편차량에 비례해서 공격 전술과 수비 전술의 평균 비율이 결정되어 있을 수 있다.

예컨대, 상대팀이 상대적으로 잘하면 공격 전술 대비 수비 전술의 비율이 큰 반면, 상대팀이 상대적으로 못하면 공격 전술 대비 수비 전술의 비율이 작도록 결정되어 있을 수 있다. 도 10에 예시적으로 도시되어 있는 팀 A의 경기 스타일이 이에 해당된다. 팀 A의 경우, 다른 팀이 팀 A보다 잘하면 잘할수록 공격 전술의 비율이 수비 전술의 비율보다 적다. 반면, 다른 팀이 팀 A보다 못하면 못할수록 공격 전술의 비율이 수비 전술의 비율보다 높다.

이와 달리, 상대팀과의 실력 편차량과는 상관없이 공격 전술 대비 수비 전술의 비율이 동일하게 결정되어 있을 수도 있다. 도 10에 예시적으로 도시되어 있는 팀 C의 경기 스타일이 이에 해당된다. 팀 C의 경우, 다른 팀이 팀 C보다 잘하든 못하든 무관하게, 공격 전술과 수비 전술의 구사 비율은 매 경기마다 1:9로 일정하다.

여기서, 이러한 경기 스타일은 다양한 방식으로 구체화되어서 모델(121)의 학습용 (입력) 데이터로서 이용될 수 있다. 예컨대, 실력 편차량과 공격 전술과 수비 전술의 평균 비율에 기초해서 결정될 수 있다. 보다 구체적으로는, 경기 스타일은 실력 편차량과 평균 비율 간의 상관 계수(correlation coefficient)에 의해 회귀적으로 결정될 수 있다. 이 때 이러한 상관 계수 p는 아래의 수학식 1에 의해 결정된 것일 수 있다.

여기서 x는 실력 편차량이고 y는 평균 비율이며, n은 샘플의 개수이며, 다만 이에 한정되는 것은 아니다.

전술한 모델(121)에는 학습용 입력 데이터로서 각 선수의 운동 성향 정보가 이용될 수 있다고 설명된 바 있다. 여기서, 운동 성향 정보란, 해당 선수가 운동을 하거나 준비할 때, 또는 운동을 대할 때 표출하거나 갖게 되는 성향 정보를 지칭한다. 예컨대 조직적 플레이를 선호하는지 아니면 개인적 플레이를 선호하는지(관계), 적극적인지 아니면 소극적인지(도전), 퍼포먼스 등에 민감한지 아니면 둔감한지(퍼포먼스), 판단에 있어 사고적인지 아니면 감정적인지(판단 능력) 등이 이러한 운동 성향 정보의 예시이다. 이러한 운동 성향 정보에 대한 예시는 도 11에 도시되어 있다.

도 11을 참조하면, 4개의 항목에 대한 성향이 양쪽 방향으로 각각 있을 수 있다. '관계'에 대해서는 조직형(Organization)과 개인형(Individual), '도전'에 대해서는 적극형(Active)과 소극형(Passive), '퍼포먼스'에 대해서는 민감형(Sensitive)와 둔감형(Unconcerned), '판단 능력'에 대해서는 사고형(Thinking)과 감정형(Feeling)이 있을 수 있다.

예를 들어 살펴보자. '관계'에 있어서 조직형인 선수는 개인적인 플레이보다는 팀웍이 필요한 플레이를 선호하는 유형이다. 농구나 패스에서는 슛보다는 어시스트나 패스 플레이를 좋아한다면 이러한 유형에 속할 가능성이 높다. 반대로 '개인형'인 선수는 슛이나 드리블 또는 돌파 등을 선호하는 선수일 수 있다.

'도전'에 있어서 적극형인 선수는 상대방과의 경합을 즐기는 유형일 수 있다. 드리블을 통해 상대방을 제치거나 또는 경합 상황을 즐기는 유형일 수 있다. 이와 달리 '소극형'의 경우 상대방과의 경합을 즐기지 않고 회피하는 유형이다. 이들은 상대방과 맞닥뜨리면 제치기보다는 패스를 통해 상황을 풀어나가는 플레이를 즐기는 유형일 수 있다.

'퍼포먼스'에 대해서 민감형인 선수는 자신이나 팀의 기록 등에 신경을 쓰는 유형인 반면, 둔감형인 선수는 신경을 쓰지 않는다. 경우에 따라, 민감형인 선수는 자신이나 팀의 퍼포먼스가 떨어지면 스스로의 능력을 100% 발휘하기 힘들 수 있으나, 둔감형인 선수는 자신이나 팀의 퍼포먼스에 따라 자신의 능력 발휘가 좌지우지되지는 않을 수 있다.

'판단 능력'에 대해 사고형인 선수는 플레이에 있어서 상대방의 약점 등을 분석하여서 논리적인 근거 내지 사고를 우선시해서 하는 반면, 감정형인 선수는 플레이에 있어서 상대방의 전략보다는 팀 분위기나 경기의 분위기 등을 중시해서 전략을 세우거나 행동하는 유형일 수 있다.

이렇게, 각 선수는 4개의 항목에 대해 유형을 가질 수 있으며, 이러한 유형에 따르면, 총 16가지 유형으로 각 선수는 분류될 수 있다. 아울러, 하나의 항목에 대해 어느 한 쪽으로 100% 치우질 수도 있으나 그렇지 않고 %를 가질 수도 있다. 예컨대 '관계'에 대해서 조직형 51%이면서 개인형이 49%일 수도 있다.

이러한 운동 성향 정보는 온라인이나 오프라인으로 실시되는 설문조사에 해당 선수나 스카우터 또는 에이전트 등이 응함으로써 조사될 수 있다. 아울러, 이렇게 조사된 정보는 전술한 외부 서버(300) 등에 의해 사용자 정보 제공 장치(200)나 정보 제공 장치(100) 등에 제공될 수 있다.

한편, 전술한 운동 성향 정보가 4가지의 항목을 갖고 따라서 16개의 분류가 존재한다는 것은 예시적인 것에 불과하며, 이에 본 발명의 사상이 이에 한정되는 것은 아니다.

아울러, 전술한 운동 성향 정보는 학습용 입력 데이터로서 이용될 뿐 아니라, 실제 추론에서 타겟팅하는 선수에 대해서도 획득되어서 추론에 이용될 수도 있다. 또는 각 팀의 소속 선수들의 운동 성향의 분포 정보 획득에도 이용될 수 있다.

다시 도 6를 참조로, 설명 가능한 인공지능 모델(Explainable AI)(125)에 대해 살펴보자. XAI 모델(125)은 머신러닝 또는 딥러닝 모델의 입력과 출력을 모니터링하면서, 입력의 변화가 출력의 변화에 어느 정도로 영향을 미치는지를 조사함으로써, 출력에 영향을 미치는 입력이 어떠한 것인지를 파악하도록 설계된 모델이며, 이는 도 12에 그 개념이 도시되어 있다.

도 12를 참조하면, 선수 합류 영향 추론 모델(121)의 입력과 출력에 XAI 모델(125)이 연결된다. 그리고 어떠한 입력이 들어갈 때 어떠한 출력이 나오는지가 XAI 모델(125)에 의해 분석된다. 입력이 달라질 때마다 출력이 얼마나 변하는지 아니면 변하지 않는지에 따라, 입력의 영향이 분석되는 것이다.

보다 구체적으로 예를 들어 살펴보자. 예컨대, 10종류의 입력 데이터 중 9종류가 동일하고 1종류가 상이한 2개의 입력이 있을 때, 이러한 입력 각각에 대한 출력에 변화가 없다면, 이렇게 상이한 1종류의 입력은 출력에 끼치는 영향이 상대적으로 작은 것으로 파악된다. 반면, 10종류의 입력 데이터 중 9종류가 동일하고 1종류가 상이한 2개의 입력이 있을 때, 이러한 입력 각각에 대한 출력에 변화가 크다면, 이렇게 상이한 1종류의 입력은 출력에 끼치는 영향이 상대적으로 큰 것으로 파악한다. 이는 이미 알려진 게임 이론(game theory)에 기반한 것이며, 대표적으로 샤프(SHAP)가 알려져 있다. 이에, 일 실시예에서 XAI 모델(125)은 예컨대 샤프 방식으로 구현된 것일 수 있다.

도 13에는 이러한 게임 이론에 대한 예시가 도시되어 있다. 도 13을 참조하면, 2개의 부동산에는 각각 나무가 있다. 그리고 2개의 부동산은 서로 같은 층에 같은 면적을 갖는다. 그런데, 어느 1개의 부동산에서는 애완묘를 기르는 것이 허용되지만 다른 1개의 부동산에서는 애완묘를 기르는 것이 허용되지 않는다. 이 때의 -2개의 부동산 가격 차이는 10,000유로이다. 즉, 애완묘를 기르는 것이 허용되는지 여부에 따라, 10,000유로만큼의 가격 차이가 발생하는 것이다.

이를 일 실시예에 적용해보자. 1명의 선수가 A팀과 B팀 중 합류할 팀을 결정하는 상황이다. A팀에서 선수의 스탯은 10% 상승으로 추론되었는데 B팀에서 선수의 스탯은 100% 상승으로 추론되었다. 그러면, XAI 모델(125)에 의해 그 원인이 밝혀질 수 있다. 예컨대, 그것이 A팀의 경기 스타일일수도 있고 또는 선수의 운동 성향 정보일 수 있다. 즉, 상기 설명 가능한 인공지능 모델은, 상기 학습이 완료된 영향 추론 모델에 제공되는 팀 스타일 정보 및 운동 성향 정보 및 상기 학습이 완료된 영향 추론 모델에서 출력되는 하나 이상의 요소 각각에 대한 영향 정도 간의 상관 관계를 이용해서, 상기 팀 스타일 정보 및 운동 성향 정보 각각이 상기 하나 이상의 요소 각각에 대한 영향 정도에 기여하는 정도를 도출할 수 있다.

이하, 정보 제공 장치(100)에 대해 살펴보자.

정보 제공 장치(100)에서는 스포츠 팀의 경기 스타일 및 훈련 스타일 중 적어도 하나에 관한 팀 스타일 정보가 획득된다.

또한, 정보 제공 장치(100)에서는 상기 스포츠 팀에서 타겟팅하는 선수에 관한 운동 성향 정보가 획득된다.

그러면 정보 제공 장치(100)에 포함된 영향 추론 모델에는 상기 획득된 팀 스타일 정보 및 상기 운동 성향 정보가 제공되어서, 상기 선수가 상기 스포츠 팀에 합류함으로써 영향을 받게 되는 기 정의된 하나 이상의 요소 각각에 대한 영향 정도가 추론된다.

이 때, 상기 추론되는 하나 이상의 요소에는 상기 선수의 스탯, 상기 선수의 경기 출전 시간, 상기 선수의 연봉, 상기 스포츠 팀의 성적 및 상기 스포츠 팀의 스탯 중 적어도 하나가 포함된다.

이하에서는, 이러한 정보 제공 장치(100)에 의해 수행되는 선수 스카우팅을 위한 정보 제공 방법에 대해 살펴보기로 한다.

먼저, 도 14에는 일 실시예에 따른 선수 스카우팅을 위한 정보 제공 방법에 대한 순서도가 예시적으로 도시되어 있다. 여기서, 이러한 순서도는 예시적인 것에 불과한 바, 본 발명의 사상이 이에 한정되는 것은 아니다. 예컨대 실시예에 따라 도 14에 도시된 것과는 상이한 순서로 각 단계가 수행될 수 있으며, 또는 도 14에 도시되지 않은 적어도 하나의 단계가 추가적으로 수행되거나 또는 도 14에 도시된 단계 중 적어도 하나가 수행되지 않을 수도 있다.

도 14를 참조하면, 스포츠 팀의 경기 스타일 및 훈련 스타일 중 적어도 하나에 관한 팀 스타일 정보를 획득하는 단계(S100)가 수행된다.

또한, 상기 스포츠 팀에서 타겟팅하는 선수에 관한 운동 성향 정보를 획득하는 단계(S110)가 수행된다.

또한, 전이 학습(transfer learning) 방식으로 학습된 선수 합류에 따른 영향 추론 모델에 상기 획득된 팀 스타일 정보 및 상기 운동 성향 정보를 제공하여서, 상기 선수가 상기 스포츠 팀에 합류함으로써 영향을 받게 되는 기 정의된 하나 이상의 요소 각각에 대한 영향 정도를 추론하는 단계(S120)가 수행된다.

한편, 이러한 방법은 전술한 정보 제공 장치(100)에 의해 수행되는 것이므로, 중복되는 설명은 생략하기로 한다.

한편, 전술한 정보 제공 장치(100)은 도 2에 도시된 것과 같이 서버의 형태로 도시되어 있으나, 본 발명의 사상이 이에 한정되는 것은 아니다. 전술한 정보 제공 장치(100)은 스마트폰과 같은 정보 제공 장치의 형태로 구현될 수도 있다.

이상에서 살펴본 바와 같이, 일 실시예에서는 빅데이터를 기반으로 학습된 인공지능 모델에 의해, 각 팀에서 타겟팅하는 선수가 해당 팀에 합류했을 때에 영향을 받게 되는 각 요소가 추론되어서 제공될 수 있다. 이 과정에서, 정량화된 선수의 스탯이나 연봉 뿐 아니라 각 선수의 운동 성향 정보, 각 팀의 경기 스타일이나 훈련 스타일까지 고려되어서 전술한 요소가 추론될 수 있다.

한편, 전술한 다양한 실시예들에 따른 방법은 이러한 방법의 각 단계를 수행하도록 프로그램된 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램의 형태로 구현 가능하고, 또한 이러한 방법의 각 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능한 기록매체의 형태로 구현될 수도 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100 : 정보 제공 장치

Claims

적어도 하나의 명령어를 저장하는 메모리; 및
프로세서를 포함하며,
상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써,
스포츠 팀의 팀 스타일 정보가 획득되되, 상기 팀 스타일 정보에는 피지컬 강화용 훈련, 테크닉 강화용 훈련 및 팀웍 강화용 훈련 중 가장 우선시되는 훈련에 대한 정보가 포함되고,
상기 스포츠 팀에서 타겟팅하는 선수에 관한 운동 성향 정보가 획득되며,
전이 학습(transfer learning) 방식으로 학습된 선수 합류에 따른 영향 추론 모델에 상기 획득된 팀 스타일 정보 및 상기 운동 성향 정보가 제공되어서, 상기 선수가 상기 스포츠 팀에 합류함으로써 영향을 받게 되는 기 정의된 하나 이상의 요소 각각에 대한 영향 정도가 추론되되,
상기 추론되는 하나 이상의 요소에는,
상기 선수가 상기 스포츠 팀에 합류한 이후에서의 상기 선수의 스탯 및 상기 선수의 경기 출전 시간 중 적어도 하나가 포함되는
선수 스카우팅을 위한 정보 제공 장치.
제 1 항에 있어서,
각 팀에는 상대팀과 실력 편차량을 기준으로, 상대팀과의 경기에서 구사되는 공격 전술과 수비 전술의 평균 비율은 결정되어 있고,
경기 스타일은,
상기 실력 편차량에 따른 상기 평균 비율에 기초해서 결정된 것인
선수 스카우팅을 위한 정보 제공 장치.
제 2 항에 있어서,
상기 실력 편차량과 상기 평균 비율 간의 상관 계수(correlation coefficient)는 아래의 수학식 1에 의해 결정되고, 상기 경기 스타일은 상기 상관 계수를 이용해서 결정된 것이되,
상기 수학식 1에서 상관 계수는,
상관 계수 = (n∑xy - (∑x)(∑y))/sqrt((n∑x² - (∑x)²)(n∑y² - (∑y)²)로 정의되어 있고, 여기서 x는 실력 편차량이고 y는 평균 비율이며, n은 샘플의 개수인 것을 특징으로 하는
선수 스카우팅을 위한 정보 제공 장치.
제 1 항에 있어서,
상기 적어도 하나의 명령어가 상기 프로세서에 의해 수행됨으로써,
상기 스포츠 팀에 소속된 선수들의 운동 성향에 대한 분포 정보가 획득되고,
상기 영향 추론 모델은,
상기 하나 이상의 요소 각각에 대한 영향 정도를 추론할 때, 상기 획득된 분포 정보를 추가적으로 고려하는
선수 스카우팅을 위한 정보 제공 장치.
제 1 항에 있어서,
상기 적어도 하나의 명령어가 상기 프로세서에 의해 수행됨으로써,
과거 소정 기간 동안에서의 상기 선수의 스탯, 경기 출전 시간 및 연봉 중 적어도 하나의 정보가 획득되고,
상기 영향 추론 모델은,
상기 하나 이상의 요소 각각에 대한 영향 정도를 추론할 때, 상기 획득된 적어도 하나의 정보가 추가적으로 고려되는
선수 스카우팅을 위한 정보 제공 장치.
제 1 항에 있어서,
상기 영향 추론 모델은 사전 학습된 모델을 미세 조정(fine-tuning)함으로써 학습된 것이되,
상기 영향 추론 모델의 사전 학습 과정에서는,
선수의 이적과 관련된 것으로 선별된 복수 개의 텍스트를 대상으로 MLM(Masked Language Model) 및 NSP(Next Sentence Prediction) 과정이 수행되는
선수 스카우팅을 위한 정보 제공 장치.
제 6 항에 있어서,
상기 미세 조정에서는 복수 개의 학습용 데이터가 이용되며,
상기 복수 개의 학습용 데이터 각각은 학습용 입력 데이터 및 학습용 정답 데이터를 포함하고,
상기 학습용 입력 데이터는 선수 이적 사례로부터 획득된 각 팀의 팀 스타일 정보 및 이적 대상인 선수의 운동 성향 정보를 포함하고,
상기 학습용 정답 데이터는 상기 하나 이상의 요소 각각에 대한 영향 정도를 포함하는
선수 스카우팅을 위한 정보 제공 장치.
제 1 항에 있어서,
상기 메모리에는 설명 가능한 인공지능 모델이 저장되되,
상기 설명 가능한 인공지능 모델은,
상기 학습이 완료된 영향 추론 모델에 제공되는 팀 스타일 정보 및 운동 성향 정보 및 상기 학습이 완료된 영향 추론 모델에서 출력되는 하나 이상의 요소 각각에 대한 영향 정도 간의 상관 관계를 이용해서, 상기 팀 스타일 정보 및 운동 성향 정보 각각이 상기 하나 이상의 요소 각각에 대한 영향 정도에 기여하는 정도를 도출하는
선수 스카우팅을 위한 정보 제공 장치.
제 8 항에 있어서,
상기 설명 가능한 인공지능 모델은,
SHAP 기법에 의한 것인
선수 스카우팅을 위한 정보 제공 장치.
선수 스카우팅을 위한 정보 제공 장치가 수행하는 정보 제공 방법으로서,
스포츠 팀의 팀 스타일 정보를 획득하는 단계; 상기 팀 스타일 정보에는 피지컬 강화용 훈련, 테크닉 강화용 훈련 및 팀웍 강화용 훈련 중 가장 우선시되는 훈련에 대한 정보가 포함되고,
상기 스포츠 팀에서 타겟팅하는 선수에 관한 운동 성향 정보를 획득하는 단계; 및
전이 학습(transfer learning) 방식으로 학습된 선수 합류에 따른 영향 추론 모델에 상기 획득된 팀 스타일 정보 및 상기 운동 성향 정보를 제공하여서, 상기 선수가 상기 스포츠 팀에 합류함으로써 영향을 받게 되는 기 정의된 하나 이상의 요소 각각에 대한 영향 정도를 추론하는 단계를 포함하되,
상기 추론되는 하나 이상의 요소에는,
상기 선수가 상기 스포츠 팀에 합류한 이후에서의 상기 선수의 스탯 및 상기 선수의 경기 출전 시간 중 적어도 하나가 포함되는
선수 스카우팅을 위한 정보 제공 방법.