211service.com
Maskiner kommer for ditt March Madness-kontorbasseng
Med klokken fra øverst til venstre: Getty / Getty / The Jetsons / Getty / Getty / Matt Groening / Getty / Flickr RV1864
March Madness – sluttspillet i NCAA college-basketballmesterskapet – er blant de mest populære sportsbegivenhetene i USA, delvis takket være den omfattende konkurransen som har utviklet seg rundt å forutsi hvilke lag som vil gå videre gjennom turneringen. I år er nesten 10,4 millioner dollar på spill i kontorpuljer eller mer organiserte konkurranser, og mer enn 40 millioner amerikanere vil fylle ut sine egne versjoner av sluttspillet for å delta, ifølge American Gaming Association . Sjansene for å forutsi en perfekt brakett, som ingen noen gang har gjort, er minst 1 av 128 milliarder og kan være like fjerntliggende som 1 av 9,2 kvintillioner.
Nå tar maskinlæring et skudd.
Kaggle, nettplattformen for prediktive modellerings- og analysekonkurranser som ble kjøpt opp av Googles morselskap Alphabet i fjor, er arrangere en konkurranse for både NCAA menns og kvinners turneringer. Kaggle gir et datasett med informasjon som turneringsfrø som går tilbake til sesongen 1984-85; sluttresultater for alle ordinære sesong-, konferanseturneringer og NCAA-turneringsspill siden 1984-85; og hver Division I basketball for menn og kvinner play-by-play-øyeblikk siden 2009. Det hele utgjør mer enn 40 millioner datapunkter.
Konkurrenter fyller ikke ut en tradisjonell brakett; i stedet lager og bruker de modeller for å forutsi hvor sannsynlig det er for et lag å vinne hver kamp. Modellen vurderes både på utfallet av spillet og tilliten som modellen finner i sin prediksjon. Så hvis en modell er 99 prosent sikker på at et lag vinner og det viser seg å være riktig, får den flere poeng enn ett med en riktig prediksjon som bare var 95 prosent sikker. Hvis en modell er veldig selvsikker og feil, vil den imidlertid miste flere poeng. Dette for å gjøre det vanskeligere å vinne med dum flaks eller tilfeldig sjanse. En premiepott på $100 000 skal deles mellom de tre beste klassene for begge turneringene. Påmelding skal skje på torsdag, og 500 lag er allerede påmeldt.
Men det er uklart at maskinlæring er klar til å ta på seg brakettologi, som kan være mer av en kunst enn 40 millioner datapunkter vil ha deg til å tro. Siden college-lag endrer spillere og laglister fra sesong til sesong, kan det hende at algoritmene ikke engang har de riktige dataene for å analysere på jakt etter mønstre.
Og så er det de ikke-kvantifiserbare elementene, som spillere som klikker eller et lag på en rekke. Byene som arrangerer turneringsspill kan også påvirke et lags ytelse på måter en algoritme kanskje ikke forutser. For eksempel kan spill i en by som Denver føre til høydeproblemer for lag som er vant til å spille på havnivå, eller et spesielt bøllete publikum kan hjelpe et lag med å få fart i de siste øyeblikkene. I år har de ti store lagene hatt to uker fri før March Madness for første gang noensinne, og spillerne deres kan være bedre uthvilt – eller rustere – enn lag fra andre konferanser. En algoritme kan ikke ta hensyn til en hendelse som den aldri har sett før. Opprør kalles opprør av en grunn; hvis maskinlæring kunne forutsi dem, ville begrepet blitt omstridt.
Jeg tror faktisk at turneringer som NCAA [March Madness] ikke er det beste stedet for maskinlæring, skrev Kaggle-sjef Anthony Goldbloom, på til Reddit AMA . Det er mange færre March Madness-spill enn annonseklikk/svindelbegivenheter osv.
Kaggle har vært vertskap for fire tidligere March Madness-konkurranser, selv om dette er den første sesongen med premiepenger. Fjorårets vinner, Andrew Landgraf, baserte sin modell på tidligere vinners algoritmer, men med en vri. Han vurderte hva andre deltakere i Kaggles konkurranse kunne gjøre og instruerte algoritmen hans til å dra nytte av deres potensielle feil. Folk gjør dette med kontorpuljer hele tiden: Hvis du var på et kontor med en gjeng med Duke-fans, kan du ved å satse mot Duke gi deg den beste braketten hvis Blue Devils skulle tape. Selv med hans nøye planlagte modell, sier Landgraf, var flaks en stor del av suksessen hans.
Til slutt kan algoritmer være gode nok til å forutsi ting som varme streker, men i mellomtiden kan menneske-maskin-samarbeid representere fremtiden for brakettologi. Bettingsyndikater tror det – de bruker allerede både prediktiv analyse og data fra menneskedrevne online gamblingmarkeder for å plassere innsatsene sine, ifølge Adam Kucharski, en forsker og forfatter av Den perfekte innsatsen: Hvordan vitenskap og matematikk tar lykken av gambling .
Til tross for alle feilene deres, er spillmarkeder en god måte å søke etter publikums kunnskap, sier Kucharski. Å forstå det menneskelige elementet kan være veldig nyttig.
Resultatene av Kaggles turnering kan bedømmes etter de ufullkomne parentesene fra tidligere år. Tretti-ni spill er nærmest noen har kommet et perfekt resultat , så det er en enkel målestokk for suksess. Og hvis en av Kaggles algoritmiske utfordrere eller et menneske-maskin-samarbeid oppnår det endelige målet, er det noen lukrative belønninger som venter. Milliardær Warren Buffett har en langvarig tilbud å gi noen av hans ansatte som kommer opp med en perfekt brakett en million dollar i året for livet.
Men når vi først får en perfekt brakett, hva er det neste? Kaggles konkurranse starter etter utvelgelsen av alle 64 lagene. Neste utfordring kan være spå turneringsvinnerne bef Eller du vet hvem som til og med løper.