Modele și platforme AI
Modelul de învățare automată măsoară performanța jucătorilor de baseball din MLB

Puncte cheieModelul de învățare automată al Penn State măsoară impactul jucătorilor din MLB prin…
Vezi mai mult
- Modelul de învățare automată al Penn State măsoară impactul jucătorilor din MLB prin învățarea contextului evenimentelor, nu doar a numărătorilor.
- Modelul tratează meciurile de baseball ca secvențe, utilizând tehnici de procesare a limbajului natural pentru a înțelege semnificația jocurilor.
- Combinat cu statistici tradiționale, modelul prezice câștigătorii meciurilor cu o acuratețe de peste 59%.
O echipă de cercetători de la Colegiul de Științe și Tehnologie a Informației de la Universitatea Penn State a dezvoltat un model de învățare automată care poate măsura mai bine performanța pe termen scurt și lung a jucătorilor și echipelor de baseball. Noua metodă a fost comparată cu metodele statistice existente, numite sabermetrică.
Cercetarea a fost prezentată într-un articol intitulat „Utilizarea învățării automate pentru a descrie modul în care jucătorii influențează jocul în MLB.”
Valorificarea NLP și a viziunii computerizate
Abordarea echipei s-a bazat pe progresele recente în procesarea limbajului natural și viziunea computațională și poate avea implicații majore pentru modul în care se măsoară impactul jucătorului asupra jocului.
Connor Heaton este un candidat doctoral la Colegiul de Științe și Tehnologie a Informației.
Heaton spune că familia existentă de metode se bazează pe numărul de ori când un jucător sau o echipă realizează un eveniment discret, cum ar fi lovirea unui homerun. Aceste metode nu iau în considerare contextul fiecărei acțiuni.
„Gândiți-vă la un scenariu în care un jucător a înregistrat o lovitură simplă în ultima sa apariție la bâtă”, a spus Heaton. „El ar fi putut lovi o minge care a alunecat pe linia de bază a treia, avansând un alergător de la prima la a doua bază și ajungând la prima bază înaintea mingii aruncate, sau a lovit o minge adânc în câmpul din stânga și a ajuns la prima bază confortabil, dar nu a avut viteza pentru a ajunge la a doua bază. A descrie ambele situații ca „o lovitură simplă” este corect, dar nu spune întreaga poveste.”
Noul model
Modelul lui Heaton se bazează pe învățarea sensului evenimentelor din joc, care se bazează pe impactul pe care îl au asupra jocului și contextul lor. Modelul apoi vede jocul ca o secvență de evenimente pentru a oferi reprezentări numerice ale modului în care jucătorii influențează jocul.
„Adesea vorbim despre baseball în termeni de «acest jucător a avut două lovituri simple și un dublu ieri» sau «a reușit o lovitură validă în patru prezențe oficiale la bătaie»”, a spus Heaton. „Multe dintre modurile în care vorbim despre joc rezumă evenimentele cu o singură statistică. „Lucrarea noastră încearcă să ofere o imagine mai holistică a jocului și să obțină o descriere mai nuanțată, computațională a modului în care jucătorii influențează jocul.”
Noua metodă utilizează tehnici de modelare secvențială în NLP pentru a permite calculatoarelor să învețe sensul diferitelor cuvinte. Heaton a folosit această tehnică pentru a-i învăța modelul sensul evenimentelor din jocul de baseball, cum ar fi un bătător care lovește o lovitură simplă. Jocul a fost apoi modelat ca o secvență de evenimente.
„Impactul acestei lucrări este cadrul propus pentru ceea ce eu numesc «interogarea jocului»”, a spus Heaton. „Ne uităm la el ca la o secvență în această întreagă structură computațională pentru a modela un joc.”
Modelul este capabil să descrie influența unui jucător asupra jocului pe termen scurt, iar atunci când este combinat cu metodele tradiționale, poate prezice câștigătorul unui joc cu o acuratețe de peste 59%.
Antrenarea modelului
Cercetătorii și-au antrenat modelul utilizând date colectate anterior de la sisteme instalate în stadioanele de baseball din ligile majore. Aceste sisteme urmăresc informații detaliate pentru fiecare aruncare, inclusiv poziționarea jucătorilor, ocuparea bazelor și viteza aruncării. Au fost utilizate două tipuri de date. Primul a fost datele aruncare cu aruncare, care au ajutat la analiza informațiilor precum tipul de aruncare. Al doilea a fost datele de la sezon la sezon, utilizate pentru a investiga informații specifice poziției.
Fiecare aruncare din setul de date colectate a avut trei caracteristici majore, care au fost jocul specific, numărul de ordine al prezenței la bătaie în meci și numărul de ordine al aruncării în acea prezență la bătaie. Aceste date au permis cercetătorilor să reconstituie secvența de evenimente care alcătuiesc un joc din MLB.
Pentru a descrie evenimentele care au avut loc, modul în care au avut loc și cine a fost implicat în fiecare joc, echipa a identificat 325 de modificări posibile ale jocului care pot apărea atunci când se aruncă o minge. Aceasta a fost apoi combinată cu datele existente, iar înregistrările jucătorilor au fost completate.
Prasenjit Mitra este profesor de științe și tehnologie a informației, precum și coautor al articolului.
“Această lucrare are potențialul de a avansa semnificativ stadiul actual al sabermetriei”, a spus prof. Mitra. “În ceea ce știm, suntem primii care să capturăm și să reprezentăm o stare nuanțată a jocului și să utilizăm aceste informații ca context pentru a evalua evenimentele individuale care sunt numărate de statisticile tradiționale – de exemplu, prin construirea automată a unui model care înțelege momente cheie și evenimente decisive.”












