Спойлер: если вы заполнили форму NCAA Basketball, она аннулируется. Как и мой.

Несколько лет назад компания Google Alpha Go и ее протеже Alpha Go Zero, занимающаяся машинным обучением, сделали нечто невероятное. Они выиграли сложную игру под названием Го против чемпиона мира на турнире. Это была еще одна веха для перспектив ИИ после того, как ранее он сокрушал человеческий дух в других играх, таких как Jeopardy и чемпион мира по шахматам. Однако одна вещь, которую ИИ никогда не сделает, — это выбрать идеальную баскетбольную скобу NCAA.

В баскетболе много данных. Спорт в целом имеет много цифр, отчасти благодаря новым методам сбора данных и растущей области спортивной аналитики. Базовая баскетбольная статистика быстро дополняется данными пассивного отслеживания игроков, такими как Second Spectrum, Shot Tracker и Noahlytics. Все эти системы могут собирать более 70 элементов данных с помощью визуального машинного обучения и усовершенствованных систем искусственного интеллекта. Короче говоря, данные — это гораздо больше, чем процент штрафных бросков и таблицы бросков старой школы. Но можно ли использовать больше данных для более точного прогнозирования выигрышей?

Вопреки всему

Выбор команды-победителя может показаться легким. Сопоставьте статистику — процент бросков, атакующую и оборонительную эффективность — и, как по волшебству (или Модель логистической регрессии с LASSO), легко увидеть, что у Гонзаги была 95% вероятность выиграть свой первый игра. Тот же подход предполагал, что Кентукки был фаворитом на 85% по сравнению с Сент-Питерс, но, как видели фанаты, цифры (как модель, так и результаты Кентукки) не соответствовали этому прогнозу.

За исключением «ранних четырех» игр, представленных в 2011 году, в турнире участвуют 64 команды, которые сыграют 63 игры. Когда вы можете легко увидеть все матчи команд на одном листе бумаги, это кажется обманчиво простым. Насколько сложно было подобрать правильную комбинацию полного брекета? Оказывается, это невероятно сложно.

Некоторые фанаты утверждают, что у них есть метод, способ работы с числами или, возможно, секретная стратегия выбора победителей. Лучшие игроки, лучший послужной список, основные цвета и даже самый крутой талисман все это было испробовано. Завершение сетки с использованием метода подбрасывания монеты дает 2⁶³ или 9,2 квинтиллиона возможностей. Ой! Эксперты могли бы сузить вероятность выбора идеальной группы до 1 из 120 миллиардов. Эти шансы настолько возмутительны, что Уоррен Баффет однажды предложил заплатить 1 миллиард долларов любому, кто предскажет идеальный прогноз.

Однако ошеломляющие шансы — это не то, что ограничивает ИИ и машинное обучение. Это не машина, это люди.

Надежды и мечты об ИИ
У ИИ много надежд и возможностей, и эти высокие ожидания могут оказаться нереалистичными. ИИ отлично справляется с некоторыми очень специфическими вычислениями, но он ужасен в том, что касается человека — или, что более остро, предвосхищает действия человека. Вот почему ИИ МОЖЕТ предсказать погоду на завтра (и достаточно точно на следующие пять дней), но НЕ МОЖЕТ предсказать стоимость акций на один день вперед.

Люди, да, мы, неразумные существа, часто искажаем идеальный алгоритм

Люди, да, мы, неразумные существа, часто нарушаем идеальный алгоритм, делая что-то, что «просто кажется правильным», «по прихоти» в результате «интуитивного чувства» или переживая момент «YOLO». Люди часто сравнивают человеческий мозг с каким-то суперкомпьютером с логическими программами и путями того, как данные связаны между входами и выходами. В этом есть доля правды, и это может объяснить, почему механизмы клиентского маркетинга и рекомендаций, которые использует Amazon, в целом успешны. Они работают, потому что можно предсказать поведение — симпатии и антипатии — большой группы людей. Гораздо сложнее предсказать действия одного конкретного человека в конкретный момент. (Вы не покупаете все, что предлагает Amazon, верно? Верно?)

Дело в том, что данные, используемые для прогнозирования спортивных состязаний (или любой другой деятельности, влияющей на поведение человека), могут дать только определенные результаты. Потому что люди всё портят.

Что может сделать ИИ лучше всего? Будьте более человечны, то есть должны понимать моменты иррационального поведения и, что более важно, вдохновляющего поведения. Когда спортсмен может верить в себя больше, чем в данные. Когда они поднимаются после падения, чтобы победить. Когда делают невозможный выстрел. Когда они делают что-то сверхъестественное, настолько экстраординарное, что даже алгоритм останавливается, чтобы это заметить. ИИ и машинное обучение невероятны, но таковы и люди со всей их непогрешимостью и изяществом, а иногда и чудом их непредсказуемости. Это то, что делает просмотр турнира захватывающим, и хотя я использую данные для заполнения своей сетки, я редко разочаровываюсь, когда кто-то делает что-то неожиданное и побеждает аутсайдер…

Мои Мнения явно мои собственные.

БОНУС… когда ИИ пытается быть человеком