7 min lectura
El March Madness ya está aquí, con el mundo occidental obsesionado con analizar y elegir cómo se desarrollará el torneo de baloncesto masculino de la NCAA, una tarea que la liga deportiva dice que tiene probabilidades de una entre 9.223.372.036.854.775.808. Sin embargo, las probabilidades de 1:9.2 quintillones asumen una probabilidad del 50-50 para cada enfrentamiento, tan fácil como lanzar una moneda al aire.
Cada equipo y partido trae innumerables variables, y eso es lo que hace que las predicciones del March Madness sean tan absorbentes para los fanáticos (y los apostadores). Es mucha información para que los humanos la procesen, pero ¿qué tal lo haría la inteligencia artificial?
Después de los primeros ocho juegos, menos del 2,5% de los brackets (cuadros de clasificación) permanecen perfectos, dice la NCAA; el mayor "rompecorazones de brackets" del primer día fue el tercer clasificado Kentucky perdiendo el jueves por 4 puntos contra Oakland U, 80-76.
En realidad, si cada persona que ha vivido en la Tierra desde el amanecer de los tiempos completara un cuadro diferente, seguiría existiendo una probabilidad del 99,9999999883% de que nadie acertara a todos los ganadores. Si hubieras creado un cuadro único cada segundo que ha transcurrido desde el Big Bang, seguiría habiendo una probabilidad efectivamente nula de obtener una puntuación perfecta.
Frente a eso, tienes una probabilidad comparativamente alta de ganar la lotería.
Hasta ahora, nadie ha acertado un cuadro perfecto. Al menos ningún humano lo ha hecho. El aprendizaje automático o machine learning ha sido utilizado durante mucho tiempo para ayudar en este esfuerzo, pero ahora la IA ha avanzado a un ritmo explosivo.
Google, una empresa que normalmente no suele promover las apuestas o el juego, ha estado investigando y compartiendo hallazgos relacionados con las predicciones de la March Madness durante años. El gigante tecnológico tiene una sección completa dedicada a enseñar cómo utilizar Google Cloud para analizar los datos del baloncesto universitario de la NCAA. Esto permite a las personas investigar diversas variables, comparar métricas de rendimiento de los juegos, descargar estadísticas completas de jugadores y equipos, y más.
Google incluso ha sido un socio oficial del torneo de baloncesto masculino de la NCAA, compartiendo herramientas de análisis de datos para el mayor espectáculo deportivo anual de Estados Unidos como un caso de uso de IA en análisis de big data en 2020.
La IA ha avanzado desde entonces a un ritmo explosivo, y hay muchas formas de aprovechar la inteligencia artificial para la bracketología: podrías procesar montones de datos según tu propia metodología, confiar en el trabajo de otro, o incluso entrenar tu propio modelo desde cero.
Optamos por el camino más fácil y consultamos a ChatGPT. Entre los muchos GPTs expertos en baloncesto disponibles, elegimos "March Madness Bracket Buster Bot" porque fue el único que mostró un análisis estadístico real detrás de sus predicciones.
Alerta de spoiler, perdimos la racha perfecta el primer día.
Este:
Oeste:
Sur:
Medio Oeste:
Otros modelos de IA proporcionaron resultados diferentes, aunque muchos de ellos estuvieron de acuerdo en ciertos resultados, como BYU venciendo a Duquesne, lo cual no se concretó ayer. La imprevisibilidad de los humanos prevalece una vez más. Duquesne ciertamente venció las probabilidades al lograr su primera victoria en medio siglo, a pesar de que muchas de las estadísticas de ESPN favorecían a BYU por un amplio margen.
Imagen: ESPN
También revisamos Kaggle.com, una plataforma para competiciones de ciencia de datos y una comunidad en línea de científicos de datos y profesionales de aprendizaje automático, para ver si había algo para "bracketologists"—y de hecho lo había. Un modelo de aprendizaje automático publicado por Nishaan Amin analizó 153 MB de archivos de datos con docenas de gráficos y miles de estadísticas e información. El repositorio ha sido revisado más de 4.000 veces hasta hoy.
Esto te permite adaptar el modelo y analizar lo que consideres importante, ajustándolo a tu estilo. El propietario compartió sus propias predicciones. El modelo dice que UConn ganará el torneo después de vencer a Purdue, pero insinúa que Connecticut tiene la oportunidad de vencer a Purdue antes de la final.
El modelo también proporciona una simulación de un cuadro de sorpresas con diferentes parámetros y resultados para aquellos a quienes les gustan las alternativas:
Por supuesto, predecir el comportamiento humano, ya sea para la elaboración de cuadros, sabermetría o análisis técnico, es una ciencia inexacta. Los modelos analizan el rendimiento pasado y hacen predicciones en condiciones de "ceteris paribus": el resultado más probable si todo sucede bajo las mismas circunstancias que antes.
Un modelo de machine learning puede analizar enormes cantidades de datos y encontrar patrones que pueden estar ocultos ante nuestros ojos, comprendiendo la relación entre cientos o incluso miles de variables. Pero ningún modelo o metodología puede prever circunstancias extraordinarias como un tuit de Elon Musk que provoque una caída en picado de todo el mercado de criptomonedas, alguien que tenga una crisis existencial y venda una gran posición de criptomonedas, un equipo que se eleve gracias a la energía de sus seguidores, la lesión inoportuna de un jugador estrella, o jugadores con resaca después de una fiesta masiva.
Entonces, la IA no resolverá los problemas que solo las máquinas del tiempo pueden resolver. Al final, eso es lo que hace que los deportes sean tan cautivadores: las historias de los débiles venciendo a los favoritos, las sorprendentes derrotas de los mas grandes, las variables desconocidas que desafían las probabilidades. Ya fallamos en nuestro primer día después de elegir a BYU. Pero a veces David vence a Goliat, lanzando una piedra para derribar a un gigante blindado. Eso probablemente sucedió en marzo.
Editado por Ryan Ozawa.
Decrypt-a-cookie
This website or its third-party tools use cookies. Cookie policy By clicking the accept button, you agree to the use of cookies.