Maszyny nadchodzą do Twojego biura March Madness

Zgodnie z ruchem wskazówek zegara od góry po lewej: Getty / Getty / The Jetsons / Getty / Getty / Matt Groening / Getty / Flickr RV1864

March Madness — play-off mistrzostw koszykówki NCAA w college'u — jest jednym z najpopularniejszych wydarzeń sportowych w Stanach Zjednoczonych, częściowo dzięki szeroko zakrojonemu konkursowi, który ewoluował wokół przewidywania, które zespoły przejdą przez turniej. W tym roku prawie 10,4 miliona dolarów jest na linii w pulach biurowych lub w bardziej zorganizowanych zawodach, a ponad 40 milionów Amerykanów wypełni własne wersje drabinek playoff, aby wziąć udział, według American Gaming Association . Szanse na przewidzenie idealnego przedziału, czego nikt nigdy nie zrobił, wynoszą co najmniej 1 na 128 miliardów i mogą być tak odległy jak 1 na 9,2 kwintyliona.

Teraz uczenie maszynowe ma szansę.

Kaggle, internetowa platforma konkursów w zakresie modelowania predykcyjnego i analityki, przejęta w zeszłym roku przez firmę macierzystą Google, Alphabet, jest organizowanie konkursu dla zarówno turnieje NCAA mężczyzn, jak i kobiet. Kaggle dostarcza zestaw danych z informacjami, takimi jak nasiona turniejów, wracając do sezonu 1984-85; wyniki końcowe wszystkich meczów sezonu regularnego, turniejów konferencyjnych i turniejów NCAA od 1984-85; i każdy moment rozgrywek w koszykówce męskiej i żeńskiej ligi I od 2009 roku. To wszystko daje ponad 40 milionów punktów danych.

Zawodnicy nie wypełniają tradycyjnego przedziału; zamiast tego tworzą i wykorzystują modele do przewidywania, jak prawdopodobne jest, że zespół wygra każdy mecz. Model jest oceniany zarówno na podstawie wyniku gry, jak i pewności, jaką model znajduje w swoich przewidywaniach. Więc jeśli model ma 99 procent pewności, że zespół wygra i okaże się, że ma rację, otrzymuje więcej punktów niż model z poprawną prognozą, która była pewna tylko w 95 procentach. Jeśli model jest bardzo pewny siebie i niepoprawny, straci więcej punktów. Ma to utrudnić wygraną z głupim szczęściem lub przypadkową szansą. Pula nagród w wysokości 100 000 $ zostanie podzielona między trzy najlepsze przedziały w obu turniejach. Zgłoszenia należy zgłaszać w czwartek, a 500 drużyn jest już zarejestrowanych.

Ale nie jest jasne, czy uczenie maszynowe jest gotowe na przyjęcie wspornikologii, która może być bardziej sztuką niż 40 milionów punktów danych, jakbyś uwierzył. Ponieważ drużyny uniwersyteckie zmieniają graczy i składy drużyn z sezonu na sezon, algorytmy mogą nawet nie mieć odpowiednich danych do przeanalizowania w poszukiwaniu wzorców.

Do tego dochodzą elementy niewymierne, takie jak klikanie graczy lub drużyna w dobrej passie. Miasta, w których odbywają się rozgrywki turniejowe, mogą również wpływać na wyniki drużyny w sposób, którego algorytm może nie przewidzieć. Na przykład mecze w mieście takim jak Denver mogą prowadzić do problemów z wysokością dla drużyn przyzwyczajonych do gry na poziomie morza, a szczególnie awanturniczy tłum może pomóc drużynie nabrać rozpędu w ostatnich chwilach. W tym roku zespoły Big Ten po raz pierwszy w historii miały dwa tygodnie wolnego przed March Madness, a ich zawodnicy mogą być lepiej wypoczęci – lub bardziej zardzewiali – niż zespoły z innych konferencji. Algorytm nie może uwzględnić zdarzenia, którego nigdy wcześniej nie widział. Zmartwienia są nazywane zmartwieniami z jakiegoś powodu; gdyby uczenie maszynowe mogło je przewidzieć, termin ten stałby się dyskusyjny.

Właściwie uważam, że turnieje takie jak NCAA [March Madness] nie są najlepszym miejscem do uczenia maszynowego, napisał dyrektor generalny Kaggle Anthony Goldbloom na na Reddit AMA . Jest o wiele mniej gier March Madness niż kliknięć w reklamy/oszustwa itp.

Kaggle był gospodarzem czterech poprzednich konkursów March Madness, chociaż jest to pierwszy sezon z nagrodami pieniężnymi. Zeszłoroczny zwycięzca, Andrew Landgraf, oparł swój model na algorytmach poprzednich zwycięzców, ale z pewną niespodzianką. Zastanowił się, co mogą zrobić inni uczestnicy konkursu Kaggle i polecił swojemu algorytmowi wykorzystać ich potencjalne błędy. Ludzie robią to z pulami biurowymi przez cały czas: gdybyś był w biurze z grupą fanów Duke'a, obstawianie przeciwko Duke'owi mogłoby dać ci najlepszą drabinkę, gdyby Błękitne Diabły miały przegrać. Landgraf mówi, że nawet ze starannie zaplanowanym modelem szczęście było ogromną częścią jego sukcesu.

Ostatecznie algorytmy mogą być wystarczająco dobre, aby przewidywać takie rzeczy, jak gorące smugi, ale w międzyczasie współpraca człowiek-maszyna może stanowić przyszłość wspornikologii. Według Adama Kucharskiego, badacza i autora książki, konsorcja bukmacherskie tak wierzą — już używają zarówno analiz predykcyjnych, jak i danych z rynków hazardowych online opartych na ludziach, aby obstawiać swoje zakłady. Idealny zakład: jak nauka i matematyka odbierają szczęście hazardowi .

Pomimo wszystkich swoich wad, rynki zakładów są dobrym sposobem na zdobycie wiedzy tłumu, mówi Kucharski. Zrozumienie tego elementu ludzkiego może być bardzo przydatne.

Wyniki turnieju Kaggle'a można oceniać po niedoskonałych przedziałach z minionych lat. Trzydzieści dziewięć gier to najbliżej ktokolwiek osiągnął doskonały wynik , więc jest to łatwy punkt odniesienia dla sukcesu. A jeśli jeden z algorytmicznych rywali Kaggle'a lub współpraca człowiek-maszyna osiągnie ostateczny cel, czekają na niego lukratywne nagrody. Miliarder Warren Buffett ma wieloletnia oferta nagrodzić każdego ze swoich pracowników, który znajdzie się w idealnym przedziale, milion dolarów rocznie na całe życie.

Ale kiedy otrzymamy idealny wspornik, co dalej? Rywalizacja Kaggle rozpoczyna się po wyselekcjonowaniu wszystkich 64 drużyn. Kolejnym wyzwaniem może być przewidywanie zwycięzców turnieju bef albo wiesz, kto jest w biegu.

ukryć