Μοντέλα και πλατφόρμες AI
Μοντέλο μηχανικής μάθησης μετρά τις επιδόσεις παικτών της MLB

Βασικά σημείαΤο μοντέλο μηχανικής μάθησης του Penn State μετρά την επίδραση των παικτών του MLB…
Δείτε περισσότερα
- Το μοντέλο μηχανικής μάθησης του Penn State μετρά την επίδραση των παικτών του MLB μαθαίνοντας το πλαίσιο των γεγονότων, όχι μόνο τους αριθμούς.
- Το μοντέλο αντιμετωπίζει τα παιχνίδια μπέιζμπολ ως ακολουθίες, χρησιμοποιώντας τεχνικές επεξεργασίας φυσικής γλώσσας για να κατανοήσει τη σημασία των φάσεων.
- Σε συνδυασμό με παραδοσιακά στατιστικά, το μοντέλο προβλέπει τους νικητές των αγώνων με ακρίβεια άνω του 59%.
Μια ομάδα ερευνητών στο Τμήμα Επιστημών και Τεχνολογίας της Πληροφορίας του Πανεπιστημίου Πεν Στέιτ έχει αναπτύξει ένα μοντέλο μηχανικής μάθησης που μπορεί να μετρήσει καλύτερα τις επιδόσεις των παικτών και των ομάδων μπέιζμπολ σε σύντομο και μακρόχρονο διάστημα. Η νέα μέθοδος μετρήθηκε σε σύγκριση με τις υπάρχουσες στατιστικές μεθόδους ανάλυσης που ονομάζονται sabermetrics.
Η έρευνα παρουσιάστηκε σε ένα έγγραφο με τίτλο «Χρήση Μηχανικής Μάθησης για την Περιγραφή του Πώς οι Παίκτες Επηρεάζουν το Παιχνίδι στο MLB».
Με βάση την επεξεργασία φυσικής γλώσσας και την υπολογιστική όραση
Η προσέγγιση της ομάδας βασίστηκε στις πρόσφατες προόδους στην επεξεργασία φυσικής γλώσσας και την υπολογιστική όραση και μπορεί να έχει μεγάλες επιπτώσεις στον τρόπο με τον οποίο μετράται η επίδραση του παίκτη στο παιχνίδι.
Ο Connor Heaton είναι υποψήφιος διδάκτωρ στο Τμήμα Επιστημών και Τεχνολογίας της Πληροφορίας.
Ο Heaton λέει ότι οι υπάρχουσες μέθοδοι βασίζονται στον αριθμό των φορών που ένας παίκτης ή μια ομάδα επιτυγχάνει ένα διακριτό γεγονός, όπως την επίτευξη ενός χομ ραν. Αυτές οι μέθοδοι δεν λαμβάνουν υπόψη το πλαίσιο κάθε ενέργειας.
«Σκεφτείτε ένα σενάριο στο οποίο ένας παίκτης κατέγραψε ένα σινγκλ στην τελευταία του εμφάνιση», είπε ο Heaton. «Μπορεί να είχε χτυπήσει μια αδύναμη μπαλιά που κυλά στο έδαφος κατά μήκος της γραμμής της τρίτης βάσης, προωθώντας έναν δρομέα από την πρώτη στη δεύτερη βάση και να έφτασε ο ίδιος στην πρώτη βάση πριν από τη ρίψη, ή να είχε χτυπήσει μια μπάλα βαθιά στο αριστερό εξωτερικό πεδίο και να έφτασε στην πρώτη βάση άνετα αλλά δεν είχε την ταχύτητα να πιέσει για ένα νταμπλ. Η περιγραφή και των δύο καταστάσεων ως «ένα σινγκλ» είναι ακριβής αλλά δεν λέει όλη την ιστορία».
Το Νέο Μοντέλο
Το μοντέλο του Heaton βασίζεται στη μάθηση της σημασίας των ενεργειών του παιχνιδιού, η οποία βασίζεται στην επίδραση που έχουν στο παιχνίδι και στο πλαίσιό τους. Το μοντέλο τότε θεωρεί το παιχνίδι ως μια ακολουθία ενεργειών για να παράγει αριθμητικές αναπαραστάσεις του πώς οι παίκτες επηρεάζουν το παιχνίδι.
«Συχνά μιλάμε για το μπέιζμπολ με όρους «αυτός ο παίκτης είχε δύο σινγκλ και ένα νταμπλ χθες» ή «πέτυχε ένα ασφαλές χτύπημα σε τέσσερις επίσημες προσπάθειες με το ρόπαλο»», είπε ο Heaton. «Πολλοί από τους τρόπους με τους οποίους μιλάμε για το παιχνίδι συνοψίζουν τα γεγονότα με ένα συνοπτικό στατιστικό. «Η δουλειά μας προσπαθεί να πάρει μια ολιστική εικόνα του παιχνιδιού και να πάρει μια πιο λεπτομερή υπολογιστική περιγραφή του πώς οι παίκτες επηρεάζουν το παιχνίδι».
Η νέα μέθοδος αξιοποιεί τεχνικές μοντελοποίησης ακολουθιών στη φυσική γλώσσα για να επιτρέψει στους υπολογιστές να μάθουν τη σημασία διαφορετικών λέξεων. Ο Heaton χρησιμοποίησε αυτήν την τεχνική για να διδάξει το μοντέλο του τη σημασία των ενεργειών του μπέιζμπολ, όπως η χτύπηση ενός σινγκλ. Το παιχνίδι μοντελοποιήθηκε ως μια ακολουθία ενεργειών.
«Η επίδραση αυτής της εργασίας είναι το πλαίσιο που προτείνεται για το τι που ονομάζω «ερώτηση του παιχνιδιού»», είπε ο Heaton. «Θεωρούμε το ως μια ακολουθία σε ολόκληρο αυτό το υπολογιστικό πλαίσιο για να μοντελοποιήσουμε ένα παιχνίδι».
Το μοντέλο είναι σε θέση να περιγράψει την επίδραση ενός παίκτη στο παιχνίδι σε σύντομο χρονικό διάστημα, και όταν συνδυαστεί με παραδοσιακές μεθόδους, μπορεί να προβλέψει τον νικητή ενός παιχνιδιού με πάνω από 59% ακρίβεια.
Εκπαίδευση του Μοντέλου
Οι ερευνητές εκπαίδευσαν το μοντέλο τους χρησιμοποιώντας δεδομένα που είχαν συλλεχθεί προηγουμένως από συστήματα που είχαν εγκατασταθεί σε γήπεδα της Major League Baseball. Αυτά τα συστήματα παρακολουθούν λεπτομερείς πληροφορίες για κάθε πίτσινγκ, συμπεριλαμβανομένης της θέσης των παικτών, της κατοχής της βάσης και της ταχύτητας της πίτσινγκ. Δύο τύποι δεδομένων χρησιμοποιήθηκαν. Ο πρώτος ήταν δεδομένα πίτσινγκ-προς-πίτσινγκ, τα οποία βοήθησαν στην ανάλυση πληροφοριών όπως ο τύπος πίτσινγκ. Ο δεύτερος ήταν δεδομένα ανά αγωνιστική περίοδο, τα οποία χρησιμοποιήθηκαν για να ερευνήσουν πληροφορίες σχετικές με τη θέση.
Κάθε ρίψη στο συλλεχθέν σύνολο δεδομένων είχε τρία κύρια χαρακτηριστικά: τον συγκεκριμένο αγώνα, τον αύξοντα αριθμό της προσπάθειας με το ρόπαλο μέσα στον αγώνα και τον αύξοντα αριθμό της ρίψης μέσα σε αυτή την προσπάθεια. Αυτά τα δεδομένα επέτρεψαν στους ερευνητές να ανακατασκευάσουν την ακολουθία των ενεργειών που συνθέτουν ένα παιχνίδι μπέιζμπολ.
Για να περιγράψουν τα γεγονότα που συνέβησαν, πώς συνέβησαν και ποιος ήταν εμπλεκόμενος σε κάθε παιχνίδι, η ομάδα ταυτοποίησε 325 πιθανές αλλαγές παιχνιδιού που μπορούσαν να συμβούν όταν μια πίτσινγκ ρίχθηκε. Αυτό συνδυάστηκε με υπάρχοντα δεδομένα και οι εγγραφές των παικτών συμπληρώθηκαν.
Ο Prasenjit Mitra είναι καθηγητής επιστημών και τεχνολογίας της πληροφορίας, καθώς και συν-συγγραφέας του εγγράφου.
«Αυτή η εργασία έχει το δυναμικό να προωθήσει σημαντικά την σύγχρονη στάθμη της έρευνας στη sabermetrics», είπε ο καθηγητής Mitra. «Από όσο γνωρίζουμε, η δική μας είναι η πρώτη που καταγράφει και αντιπροσωπεύει μια λεπτομερή κατάσταση του παιχνιδιού και χρησιμοποιεί αυτήν την πληροφορία ως πλαίσιο για να αξιολογήσει τα ατομικά γεγονότα που μετρώνονται από τις παραδοσιακές στατιστικές — για παράδειγμα, με την αυτόματη κατασκευή ενός μοντέλου που καταλαβαίνει καίριες στιγμές και αποφασιστικές ενέργειες υπό πίεση».












