211service.com
Er komen machines aan voor je March Madness-kantoorzwembad
Met de klok mee van linksboven: Getty / Getty / The Jetsons / Getty / Getty / Matt Groening / Getty / Flickr RV1864
March Madness - de play-offs van het NCAA-universiteitsbasketbalkampioenschap - is een van de meest populaire sportevenementen in de VS, deels dankzij de brede wedstrijd die is ontstaan om te voorspellen welke teams door het toernooi zullen vorderen. Dit jaar staat er bijna $ 10,4 miljoen op het spel in kantoorpools of meer georganiseerde competities, en meer dan 40 miljoen Amerikanen zullen hun eigen versies van de play-offs invullen om deel te nemen, volgens de American Gaming Association . De kans om een perfecte bracket te voorspellen, wat nog nooit iemand heeft gedaan, is minstens 1 op 128 miljard en zou kunnen zijn zo afgelegen als 1 op 9,2 triljoen.
Nu neemt machine learning een schot.
Kaggle, het online platform voor voorspellende modellerings- en analysewedstrijden dat vorig jaar werd overgenomen door Google-moederbedrijf Alphabet, is een wedstrijd organiseren voor zowel de NCAA heren- als damestoernooien. Kaggle biedt een dataset met informatie zoals toernooizaden die teruggaan tot het seizoen 1984-85; eindscores van alle wedstrijden van het reguliere seizoen, conferentietoernooien en NCAA-toernooien sinds 1984-85; en elk individueel mannen- en vrouwenbasketbal in Divisie I sinds 2009. Het komt allemaal neer op meer dan 40 miljoen datapunten.
Concurrenten vullen geen traditionele beugel in; in plaats daarvan maken en gebruiken ze modellen om te voorspellen hoe waarschijnlijk het is dat een team elke game wint. Het model wordt beoordeeld op zowel de uitkomst van het spel als het vertrouwen dat het model in zijn voorspelling stelt. Dus als een model 99 procent zeker is dat een team zal winnen en het blijkt te kloppen, krijgt het meer punten dan een model met een correcte voorspelling die slechts 95 procent zeker was. Als een model echter erg zelfverzekerd en onjuist is, verliest het meer punten. Dit is om het moeilijker te maken om te winnen met stom geluk of willekeurige kans. Voor beide toernooien wordt een prijzenpot van $100.000 verdeeld over de drie beste groepen. De inschrijvingen moeten donderdag worden ingediend en 500 teams hebben zich al aangemeld.
Maar het is onduidelijk of machine learning klaar is om bracketologie op zich te nemen, wat misschien meer een kunst is dan 40 miljoen datapunten je willen doen geloven. Aangezien universiteitsteams spelers en teamroosters van seizoen tot seizoen veranderen, hebben de algoritmen misschien niet eens de juiste gegevens om te analyseren op zoek naar patronen.
En dan zijn er de niet-kwantificeerbare elementen, zoals spelers die klikken of een team op een streak. De steden waar toernooispellen worden gehouden, kunnen ook de prestaties van een team beïnvloeden op manieren waarop een algoritme mogelijk niet anticipeert. Games in een stad als Denver kunnen bijvoorbeeld leiden tot hoogteproblemen voor teams die gewend zijn om op zeeniveau te spelen, of een bijzonder luidruchtige menigte kan een team op de laatste momenten helpen om momentum te krijgen. Dit jaar hebben de Big Ten-teams voor het eerst twee weken vrij gehad voor March Madness, en hun spelers zijn misschien beter uitgerust - of roestiger - dan teams van andere conferenties. Een algoritme kan geen rekening houden met een gebeurtenis die het nog nooit eerder heeft gezien. Boosheden worden niet voor niets verstoringen genoemd; als machine learning ze zou kunnen voorspellen, zou de term betwistbaar worden.
Ik denk eigenlijk dat toernooien zoals NCAA [March Madness] niet de goede plek zijn voor machine learning, schreef Kaggle-CEO Anthony Goldbloom op naar Reddit AMA . Er zijn veel minder March Madness-spellen dan advertentieklikken/fraudegebeurtenissen enz.
Kaggle heeft vier eerdere March Madness-wedstrijden georganiseerd, hoewel dit het eerste seizoen is met prijzengeld. De winnaar van vorig jaar, Andrew Landgraf, baseerde zijn model op de algoritmen van eerdere winnaars, maar met een twist. Hij overwoog wat andere deelnemers aan de competitie van Kaggle zouden kunnen doen en stuurde zijn algoritme om te profiteren van hun mogelijke fouten. Mensen doen dit altijd met kantoorpools: als je in een kantoor zat met een stel Duke-fans, zou wedden tegen Duke je misschien de beste beugel geven als de Blue Devils zouden verliezen. Zelfs met zijn zorgvuldig geplande model, zegt Landgraf, was geluk een groot deel van zijn succes.
Uiteindelijk zijn algoritmen misschien goed genoeg om zaken als hot streaks te voorspellen, maar in de tussentijd kan samenwerking tussen mens en machine de toekomst van bracketologie vertegenwoordigen. Goksyndicaten geloven van wel - ze gebruiken al zowel voorspellende analyses als gegevens van door mensen aangedreven online gokmarkten om hun weddenschappen te plaatsen, volgens Adam Kucharski, een onderzoeker en auteur van De perfecte gok: hoe wetenschap en wiskunde het geluk uit gokken halen .
Ondanks al hun gebreken zijn gokmarkten een goede manier om de kennis van een menigte te vergaren, zegt Kucharski. Het begrijpen van dat menselijke element kan erg nuttig zijn.
De resultaten van Kaggle's toernooi kunnen worden beoordeeld aan de hand van de imperfecte beugels van de afgelopen jaren. Negenendertig games is de dichtstbijzijnde iemand is tot een perfect resultaat gekomen , dus dat is een gemakkelijke maatstaf voor succes. En als een van Kaggle's algoritmische kanshebbers of een samenwerking tussen mens en machine het uiteindelijke doel bereikt, wachten er enkele lucratieve beloningen. Miljardair Warren Buffett heeft een langlopende aanbieding om al zijn werknemers die met een perfecte schijf op de proppen komen een miljoen dollar per jaar voor het leven toe te kennen.
Maar als we eenmaal een perfecte beugel hebben, wat is de volgende stap? De competitie van Kaggle begint na de selectie van alle 64 teams. De volgende uitdaging kan zijn het voorspellen van de winnaars van het toernooi of je weet wie er zelfs in de race is.