Vertaald uit het Engelse origineel. De cijfers en bronnen zijn ongewijzigd. Lees het Engelse origineel
Sevilla FC
Sevilla FC laat recruiters 300.000 scoutingrapporten bevragen met een op Llama gebaseerde Scout Advisor
De Spaanse voetbalclub Sevilla FC bouwde met IBM Scout Advisor, op basis van Meta's open-weightmodel (met open gewichten) Llama 3.1 70B Instruct, zodat recruiters in gewone taal vragen over spelers kunnen stellen over meer dan 300.000 scoutingrapporten. Meta meldt dat de beoordelingstijd per speler van uren naar seconden daalde, een bewering van de leverancier.
Kerncijfers
Letterlijk overgenomen uit de bronnen. Kopieer elk cijfer met bronvermelding.
200
tot 300 uur
Tijd die recruiters zonder Scout Advisor kwijt waren aan het analyseren van één shortlist van spelers1
van uren naar seconden
Beoordelingstijd voor meerdere scoutingrapporten over één speler, volgens de casestudy van Meta2
misschien twee minuten
Tijd die de sportief directeur zegt nodig te hebben om de informatie voor een beslissing over een speler te krijgen1
meer dan 300.000
Omvang van de database met scoutingrapporten die het hulpmiddel doorzoekt en samenvat2
Wat het kostte
Kosten, teamgrootte en doorlooptijd zijn in de bronnen niet openbaar gemaakt.
Het probleem
De scouts van Sevilla FC schrijven uitgebreide rapporten over spelers, met eigenschappen als instelling, vasthoudendheid en leiderschap. De club heeft meer dan 300.000 van deze rapporten. Haar andere datahulpmiddelen konden goed met cijfers overweg, maar konden deze vrije tekst niet gebruiken. Meta zegt dat het doorwerken van één shortlist van kandidaten recruiters vóór het hulpmiddel 200 tot 300 uur kostte, en de casestudy beschrijft het handmatige onderzoek als werk van dagen.
Wat ze bouwden
De dataafdeling van de club bouwde samen met IBM Scout Advisor. Een recruiter typt een vraag over het soort speler dat wordt gezocht. Het hulpmiddel geeft passende spelers terug met korte samenvattingen uit de scoutingrapporten. Het draait Meta's Llama 3.1 70B Instruct, een open-weightmodel (met open gewichten: de bestanden zijn gepubliceerd, zodat een bedrijf het zelf kan draaien), op het platform watsonx van IBM. De antwoorden zijn in het Spaans.
Hoe ze het aanpakten
Voetbaltaal zit vol jargon, dus het team voegde een stap toe die elke vraag voor het zoeken herschrijft met voetbalcontext. Een verzoek om 'talented wings' wordt uitgebreid tot een beschrijving van wat een goede vleugelspeler doet, waardoor het systeem geen niet-passende resultaten teruggeeft. De verrijkte vraag stuurt een zoekactie op gelijkenis door de rapporten aan, en de passende fragmenten gaan naar Llama om de samenvattingen te schrijven. Dit patroon heet retrieval-augmented generation (RAG): het model antwoordt vanuit de eigen documenten van de club en niet uit zijn geheugen. De chief data officer van de club zegt dat het model werd gekozen voor het verrijken en samenvatten van tekst, vooral in het Spaans. Hij zegt ook dat een open model draaien in de eigen omgeving van de club voorkomt dat gegevens naar diensten van derden gaan.
Resultaten
Meta meldt dat de beoordeling van meerdere scoutingrapporten over één speler van uren naar seconden daalde. De sportief directeur zegt dat hij niet langer tientallen rapporten hoeft te lezen en wat hij nodig heeft in misschien twee minuten krijgt. De club meldt ook een betere talentherkenning en nieuwe adviesopdrachten van andere teams die AI willen gebruiken. Er worden geen nauwkeurigheidsmaat, kosten of teamgrootte gepubliceerd.
Lessen voor uw project
Kies een berg ongestructureerde expertkennis die niemand realistisch kan lezen, zoals scoutingnotities, en laat medewerkers vragen stellen in hun eigen woorden.
Leer het systeem het jargon van uw vak. Sevilla vult elke vraag voor het zoeken aan met vakcontext, zodat 'talented wings' voetbalvleugelspelers betekent.
Kies het model op basis van de taal waarin uw medewerkers werken. Sevilla koos Llama 3.1 70B vanwege de Spaanse samenvattingen.
Meet eerst de nulsituatie. Sevilla kan de oude kosten noemen (200 tot 300 uur per shortlist), waardoor elke latere winst makkelijk te beoordelen is.
Kanttekeningen
- De cijfers komen van Meta (een nieuwsberichtartikel en een Llama-casestudy) en citeren Sevilla FC. De eigen casestudy van Meta zegt dat alle resultaten zelf gerapporteerd zijn en niet aantoonbaar herhaalbaar.
- De bewering 'van uren naar seconden' heeft geen steekproefgrootte of methode. Het cijfer 'misschien twee minuten' is de uitspraak van één leidinggevende.
- De casestudypagina van Meta heeft geen datum. De data uit 2025 komen uit het nieuwsbericht van Meta, dat het hulpmiddel als in gebruik beschrijft. Ze zijn geen bevestigde datum van ingebruikname.
- Een eerdere aankondiging van IBM en Sevilla (Voicebot, 31 januari 2024, gelezen via een gearchiveerde kopie) zegt dat de club Scout Advisor op watsonx zou gebruiken en noemt meer dan 200.000 rapporten. Het noemt geen model en zegt niet dat het hulpmiddel in gebruik was, dus het bevestigt alleen het partnerschap. Het aantal rapporten wijkt af van de 300.000 van Meta.
- Meta zegt dat de club van plan is nieuwere Llama-versies te evalueren, dus het model kan sindsdien zijn veranderd.
Bronnen
- Sevilla Football Club Uses Llama and IBM watsonx to Scout Players
Meta Newsroom · 2025-02-28 · Persbericht · about.fb.com
- Sevilla Football Club | Llama case studies
Meta · Zonder datum · Casestudy van leverancier · developer.meta.com
- IBM's Generative AI Will Scout Soccer Players for Sevilla FC
Voicebot.ai · 2024-01-31 · Nieuws · voicebot.ai
In eigen woorden samengevat op basis van de bovenstaande bronnen. Een fout gezien? Zie correcties.