En hovedgren av Arsenals AI-system er individuell profilering. Alle spillere, fra akademiske prospekter til førstelagsstartere, har en dynamisk profil som logger sprintmekanikk, leddstressmønstre, muskeltretthetsresponser og endringer under belastning. Dette gir Arsenal muligheten til å tilpasse treningen. Ingen spillere reagerer på stress på samme måte, og maskinlæring lar trenere skreddersy arbeidsmengder for å matche kropper i stedet for omvendt. Disse profilene fremhever også forbedringsområder. Svakheter kan løses før de påvirker ytelsen, noe som vil tillate spillere å trene smartere, ikke hardere.
Det mest kritiske området i Arsenals AI-applikasjon er skadeforebygging. William Salibas ryggproblem avsporet Arsenals tittelangrep 2022-23, mens Kai Havertz sin hamstringskade forrige sesong tvang Mikel Merino til en improvisert spissrolle. Modellene identifiserer ledetråder som små fall i akselerasjon, endrede skrittmønstre og mindre ubalanser som kan signalisere forestående muskelskader. Før en overbelastet kamp, kjøre systemet flagger spillere med forhøyet tretthetsrisiko, noe som hjelper Arteta å ta en informert avgjørelse.
Arsenals analyseverktøy analyserer også opposisjonsmønstre ramme for ramme. Maskinlæring evaluerer hvordan bakspillere oppfører seg under press, hvordan midtbanen former morph i overganger, og hvor pasningsbaner dukker opp under trykking av triggere. Dette gir Artetas ansatte muligheten til å bygge spillplaner ikke på anelser, men på sannsynlighetskart.
