Model dan platform AI

Model Pembelajaran Mesin Mengukur Kinerja Pemain MLB

Alex McFarland
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaModel ML Penn State mengukur dampak pemain MLB dengan mempelajari konteks peristiwa…
Lihat selengkapnya
  • Model ML Penn State mengukur dampak pemain MLB dengan mempelajari konteks peristiwa, bukan sekadar jumlah.
  • Model tersebut memperlakukan pertandingan bisbol sebagai rangkaian, menggunakan teknik NLP untuk memahami signifikansi permainan.
  • Digabungkan dengan statistik tradisional, model tersebut memprediksi pemenang pertandingan dengan akurasi lebih dari 59%.

Tim peneliti di Penn State College of Information Sciences and Technology telah mengembangkan model pembelajaran mesin yang dapat lebih baik mengukur kinerja pemain dan tim bisbol dalam jangka pendek dan panjang. Metode baru ini diukur melawan metode analisis statistik yang ada yang disebut sabermetrics.

Penelitian ini dipresentasikan dalam sebuah makalah berjudul “Menggunakan Pembelajaran Mesin untuk Menggambarkan Bagaimana Pemain Mempengaruhi Permainan di MLB.”

Membangun pada NLP dan Penglihatan Komputer

Pendekatan tim ini bergantung pada kemajuan terbaru dalam pengolahan bahasa alami dan penglihatan komputer, dan ini dapat memiliki implikasi besar untuk cara mengukur dampak pemain pada permainan.

Connor Heaton adalah calon doktor di College of IST.

Heaton mengatakan bahwa metode yang ada sekarang bergantung pada jumlah kali pemain atau tim mencapai acara diskrit, seperti memukul home run. Metode ini gagal mempertimbangkan konteks dari setiap aksi.

“Bayangkan skenario di mana pemain mencatat single dalam penampilan terakhirnya,” kata Heaton. “Dia mungkin memukul bola lemah menyusur tanah di sepanjang garis base ketiga, membuat pelari maju dari base pertama ke base kedua, lalu mencapai base pertama sebelum bola lemparan tiba, atau memukul bola ke lapangan kiri yang dalam dan mencapai basis pertama dengan nyaman, tetapi tidak memiliki kecepatan untuk mencapai double. Menggambarkan kedua situasi sebagai ‘single’ adalah akurat, tetapi tidak menceritakan seluruh cerita.”

Model Baru

Model Heaton bergantung pada mempelajari makna dari acara dalam permainan, yang didasarkan pada dampak yang mereka miliki pada permainan dan konteksnya. Model ini kemudian memandang permainan sebagai urutan acara untuk menghasilkan representasi numerik tentang bagaimana pemain mempengaruhi permainan.

“Kami sering berbicara tentang bisbol dalam hal ‘pemain ini memiliki dua single dan satu double kemarin.’ atau ‘dia mencatat satu pukulan sah dalam empat giliran memukul resmi’,” kata Heaton. “Banyak cara kita berbicara tentang permainan hanya merangkum acara dengan satu statistik ringkas. “Kami mencoba mengambil gambaran yang lebih holistik tentang permainan dan mendapatkan deskripsi komputasi yang lebih nuansa tentang bagaimana pemain mempengaruhi permainan.”

Metode baru ini menggunakan teknik pemodelan urutan dalam NLP untuk memungkinkan komputer mempelajari makna dari kata-kata yang berbeda. Heaton menggunakan ini untuk mengajar modelnya tentang makna acara dalam permainan bisbol, seperti pemukul memukul single. Permainan kemudian dimodelkan sebagai urutan acara.

“Dampak dari pekerjaan ini adalah kerangka yang diusulkan untuk apa yang saya sebut ‘menginterogasi permainan,'” kata Heaton. “Kami memandangnya sebagai urutan dalam kerangka komputasi ini untuk memodelkan permainan.”

Model ini dapat menggambarkan pengaruh pemain pada permainan dalam jangka pendek, dan ketika digabungkan dengan metode tradisional, dapat memprediksi pemenang permainan dengan akurasi lebih dari 59%.

Melatih Model

Peneliti melatih model mereka dengan menggunakan data yang sebelumnya dikumpulkan dari sistem yang dipasang di stadion bisbol liga utama. Sistem ini melacak informasi rinci untuk setiap lemparan, termasuk posisi pemain, okupasi basis, dan kecepatan lemparan. Dua jenis data digunakan. Yang pertama adalah data lemparan-per-lemparan, yang membantu menganalisis informasi seperti jenis lemparan. Yang kedua adalah data musim-ke-musim, digunakan untuk menyelidiki informasi spesifik posisi.

Setiap lemparan dalam dataset yang dikumpulkan memiliki tiga fitur utama, yaitu permainan tertentu, nomor urut giliran memukul dalam pertandingan, dan nomor urut lemparan dalam giliran memukul tersebut. Data ini memungkinkan peneliti untuk merekonstruksi urutan acara yang membentuk permainan MLB.

Untuk menggambarkan acara yang terjadi, bagaimana mereka terjadi, dan siapa yang terlibat dalam setiap permainan, tim mengidentifikasi 325 perubahan permainan yang mungkin terjadi ketika lemparan dilemparkan. Ini kemudian digabungkan dengan data yang ada, dan catatan pemain diimput.

Prasenjit Mitra adalah profesor ilmu dan teknologi informasi, serta co-penulis makalah.

“Pekerjaan ini memiliki potensi untuk secara signifikan memajukan tingkat perkembangan mutakhir dalam sabermetrics,” kata Prof. Mitra. “Menurut pengetahuan kami, kami adalah yang pertama untuk menangkap dan merepresentasikan keadaan permainan yang nuansa dan menggunakan informasi ini sebagai konteks untuk mengevaluasi acara individu yang dihitung oleh statistik tradisional – misalnya, dengan membangun model yang secara otomatis memahami momen kunci dan acara kunci.”

Alex memimpin operasi berita berbasis AI di Unite.AI, menggabungkan jurnalisme, riset, dan otomasi untuk mendukung liputan kecerdasan buatan yang tepat waktu dan skalabel. Pekerjaannya membantu memastikan perkembangan AI yang muncul ditampilkan secara efisien sambil mempertahankan standar editorial publikasi.