211service.com
Llegan las máquinas para la piscina de tu oficina March Madness
En el sentido de las agujas del reloj desde arriba a la izquierda: Getty / Getty / Los Supersónicos / Getty / Getty / Matt Groening / Getty / Flickr RV1864
March Madness, los playoffs del campeonato de baloncesto universitario de la NCAA, es uno de los eventos deportivos más populares en los EE. UU., gracias en parte a la amplia competencia que ha evolucionado para predecir qué equipos avanzarán en el torneo. Este año, casi $10.4 millones están en juego en grupos de oficinas o competencias más organizadas, y más de 40 millones de estadounidenses completarán sus propias versiones de los grupos de playoffs para participar. según la Asociación Americana de Juegos . Las posibilidades de predecir un paréntesis perfecto, lo que nadie ha hecho nunca, son de al menos 1 en 128 mil millones y podrían ser tan remoto como 1 en 9,2 quintillones.
Ahora el aprendizaje automático está tomando una oportunidad.
Kaggle, la plataforma en línea para competencias de análisis y modelado predictivo que fue adquirida por la empresa matriz de Google, Alphabet, el año pasado, es organizando un concurso de tanto los torneos masculinos como femeninos de la NCAA. Kaggle proporciona un conjunto de datos con información como cabezas de serie de torneos que se remontan a la temporada 1984-85; puntajes finales de todos los juegos de temporada regular, torneos de conferencia y torneos de la NCAA desde 1984-85; y cada momento jugada por jugada del baloncesto masculino y femenino de la División I desde 2009. Todo suma más de 40 millones de puntos de datos.
Los competidores no completan un grupo tradicional; en cambio, crean y usan modelos para predecir la probabilidad de que un equipo gane cada juego. El modelo se juzga tanto por el resultado del juego como por la confianza que el modelo encuentra en su predicción. Entonces, si un modelo tiene un 99 por ciento de certeza de que un equipo ganará y resulta ser correcto, obtiene más puntos que uno con una predicción correcta que solo tenía un 95 por ciento de certeza. Sin embargo, si un modelo es muy seguro e incorrecto, perderá más puntos. Esto es para que sea más difícil ganar con pura suerte o al azar. Un pozo de premios de $100,000 se dividirá entre los tres primeros grupos de ambos torneos. Las inscripciones vencen el jueves y ya se han inscrito 500 equipos.
Pero no está claro que el aprendizaje automático esté listo para asumir la bracketología, que podría ser más un arte de lo que 40 millones de puntos de datos le harían creer. Dado que los equipos universitarios cambian los jugadores y las listas de equipos de una temporada a otra, es posible que los algoritmos ni siquiera tengan los datos correctos para analizar en busca de patrones.
Y luego están los elementos no cuantificables, como jugadores que hacen clic o un equipo en racha. Las ciudades que albergan juegos de torneos también pueden influir en el rendimiento de un equipo de maneras que un algoritmo no puede anticipar. Por ejemplo, los juegos en una ciudad como Denver podrían generar problemas de altitud para los equipos acostumbrados a jugar al nivel del mar, o una multitud particularmente ruidosa podría ayudar a un equipo a ganar impulso en los últimos momentos. Este año, los equipos Big Ten han tenido dos semanas de descanso antes de March Madness por primera vez, y sus jugadores pueden estar mejor descansados, o más oxidados, que los equipos de otras conferencias. Un algoritmo no puede tener en cuenta un evento que nunca ha visto antes. Las molestias se llaman molestias por una razón; si el aprendizaje automático pudiera predecirlos, el término se volvería discutible.
De hecho, creo que los torneos como NCAA [March Madness] no son el punto óptimo para el aprendizaje automático, escribió el director ejecutivo de Kaggle, Anthony Goldbloom, en a Reddit AMA . Hay muchos menos juegos de March Madness que clics en anuncios/eventos de fraude, etc.
Kaggle ha sido sede de cuatro competencias anteriores de March Madness, aunque esta es la primera temporada con premios en metálico. El ganador del año pasado, Andrew Landgraf, basó su modelo en los algoritmos de ganadores anteriores, pero con un giro. Consideró lo que podrían hacer otros participantes en la competencia de Kaggle y dirigió su algoritmo para aprovechar sus posibles errores. La gente hace esto con los grupos de oficina todo el tiempo: si estuvieras en una oficina con un grupo de fanáticos de Duke, apostar contra Duke podría dejarte con el mejor grupo si los Blue Devils perdieran. Incluso con su modelo cuidadosamente planeado, dice Landgraf, la suerte fue una gran parte de su éxito.
Eventualmente, los algoritmos podrían ser lo suficientemente buenos para predecir cosas como buenas rachas, pero mientras tanto, la colaboración hombre-máquina podría representar el futuro de la bracketología. Los sindicatos de apuestas creen que sí: ya están utilizando análisis predictivos y datos de mercados de juegos de azar en línea impulsados por humanos para realizar sus apuestas, según Adam Kucharski, investigador y autor de La apuesta perfecta: cómo la ciencia y las matemáticas le están quitando la suerte a los juegos de azar .
A pesar de todos sus defectos, los mercados de apuestas son una buena manera de sondear el conocimiento de la multitud, dice Kucharski. Comprender ese elemento humano puede ser muy útil.
Los resultados del torneo de Kaggle se pueden juzgar por los soportes imperfectos de años pasados. Treinta y nueve juegos es el más cerca que nadie ha llegado a un resultado perfecto , por lo que es un punto de referencia fácil para el éxito. Y si uno de los contendientes algorítmicos de Kaggle o una colaboración hombre-máquina logra el objetivo final, hay algunas recompensas lucrativas esperando. El multimillonario Warren Buffett tiene una oferta de larga data premiar a cualquiera de sus empleados que encuentre un soporte perfecto con un millón de dólares al año de por vida.
Pero una vez que conseguimos un soporte perfecto, ¿qué sigue? La competencia de Kaggle comienza después de la selección de los 64 equipos. El próximo desafío puede ser predecir los ganadores del torneo antes ora sabes quién está incluso en la carrera.