Ali vam lahko AI pomaga napovedati športne izide?

Umetna inteligenca je v športu najbolj uporabna tam, kjer človek hitro spregleda vzorec. Pri nogometu lahko obdela formo ekip, poškodbe, razpored tekem, domače igrišče in podatke iz prejšnjih sezon. Še vedno pa ne vidi vsega: rdeč karton v 12. minuti, slab dan vratarja ali odločitev trenerja tik pred začetkom tekme lahko pokvarijo še tako lep model.

Ko stavni listek ni več samo občutek

Preden nekdo odda stavo, danes redko pogleda le lestvico. Preveri začetno enajsterico, utrujenost po evropski tekmi, vreme, kvote in gibanje trga. Pri branju takih informacij se pogosto odprejo strani za stave slovenija, kjer uporabnik na enem mestu preveri osnovne podatke o stavnicah, ponudbi in možnostih za športne stave.

AI se v takem okolju ne obnaša kot čarobni napovedovalec. Bolj je podoben hitremu analitiku, ki zna v nekaj sekundah pregledati ogromno podatkov. Če je ekipa zadnjih šest tekem izgubljala točke po 75. minuti, bo model to zaznal prej kot navijač, ki se spomni le zadnjega derbija.

Takšna pomoč je najbolj koristna pred tekmo, ne pet minut po slabem začetku. Takrat človek lažje presodi, ali ima stava smisel. Med tekmo se čustva hitro vmešajo v odločanje, posebej pri live stavah.

Kaj AI dejansko bere v športnih podatkih

Pri športnih napovedih model ne “razume” tekme tako kot trener ali gledalec. Dobi številke in išče povezave. Pri nogometu lahko primerja pričakovane gole, število strelov, posest, poškodbe, razdaljo potovanja in gostoto urnika. Pri tenisu hitro najde razliko med igro na pesku in trdi podlagi.

Najpogosteje so uporabni ti podatki:

• Forma ekipe. Zadnje tekme pokažejo ritem, vendar jih je treba brati skupaj s kakovostjo nasprotnikov.
• Poškodbe in rotacije. Manjka lahko en igralec, a ravno on spreminja celoten način igre.
• Domače igrišče. Nekatere ekipe doma igrajo hitreje in bolj napadalno.
• Medsebojni dvoboji. Uporabni so le, če se ekipi nista močno spremenili.
• Gibanje kvot. Nenaden premik pogosto pomeni novo informacijo na trgu.

Brez človeške presoje te številke hitro zavedejo. Ekipa ima lahko dobro statistiko, ker je igrala proti šibkejšim tekmecem. Igralec je lahko v formi, a ga trener varčuje zaradi naslednje tekme. Tu pride prav kombinacija podatkov in športnega občutka.

Strojno učenje išče vzorce, ne gotovosti

Pojem umetna inteligenca zajema različne metode, od preprostih sistemov do naprednih modelov. Pri športnih napovedih se pogosto uporablja strojno učenje, ker zna obdelati zgodovinske podatke in na njih graditi verjetnostne ocene. To ne pomeni, da model pozna prihodnost.

Pri strojnem učenju sistem izboljšuje svoje napovedi na podlagi podatkov, ki jih prejme. Če ima kakovostne podatke, lahko bolje razvrsti tveganja. Če so podatki slabi, zastareli ali napačno izbrani, bo tudi napoved videti bolj samozavestna, kot si zasluži.

Zato je pri stavah nevarno slepo slediti odstotku. Napoved 62 % ne pomeni varne stave. Pomeni le, da model v danem naboru podatkov vidi rahlo prednost ene strani.

Kdaj podatki potrebujejo še človeški pogled

Napovedni model lahko hitro najde vzorec, ki bi ga navijač med branjem novic spregledal. Vendar šport ni zaprt laboratorij, kjer se vsak podatek ponovi v enakih razmerah. Ekipa lahko igra tri tekme zapored z dobro statistiko, potem pa se na četrti spremeni postavitev, tempo ali vloga ključnega igralca.

Zato je koristno podatke brati skupaj z običajnimi športnimi informacijami. Pred nogometno tekmo ni dovolj pogledati samo zadnjih rezultatov. Smiselno je preveriti, kdo je igral med tednom, koliko minut so dobili nosilci igre, kakšno je stanje v obrambi in ali trener pred pomembnejšim dvobojem že razmišlja o rotaciji.

Pri tenisu je podobno. Igralec ima lahko lep niz zmag, a te zmage ne povedo veliko, če so prišle na drugi podlagi ali proti precej slabšim nasprotnikom. AI lahko takšne podatke razvrsti, človek pa mora presoditi, ali številke res opisujejo današnjo tekmo.

Najbolj uporabna priprava je zato precej praktična. Najprej se pogleda forma, nato poškodbe, urnik in kontekst tekmovanja. Šele potem imajo kvote in odstotki pravo težo. Če model pokaže prednost, razlog zanjo pa ni jasen iz igre, je bolje počakati kot staviti samo zaradi lepe številke.

Najboljša uporaba AI je počasnejše odločanje

AI lahko izboljša športno analitiko, ker hitro prebere stvari, ki jih človek težko spremlja ročno. Vidi serije rezultatov, primerja scenarije in opozori na podatke, ki jih navijač pogosto preskoči. Pri stavah pa največ koristi prinese takrat, ko uporabnika ustavi pred prenagljeno odločitvijo.

Pameten pristop je preprost: najprej preveriti podatke, nato pogledati kvote, potem šele razmišljati o stavi. Če se razlog za izbiro ne da povedati v enem jasnem stavku, izbira verjetno še ni dovolj zrela. AI lahko pomaga najti ta razlog, ne more pa prevzeti odgovornosti za odločitev.