Kreditas: Unsplash/CC0 viešasis domenas Pasaulio regbio čempionato išvakarėse jau pasigirdo šnabždesys apie viena kitą šnipinėjančias komandas. Galbūt neišvengiamas žaidimo meistriškumas, bet neabejotina, kad sukčiavimas sporte yra problema, su kuria kovoja valdžia.
Mūsų naujas mašininio mokymosi modelis gali pakeisti žaidimą, kai reikia nustatyti abejotiną elgesį ir neįprastus rezultatus, ypač susitarimo dėl rungtynių praktiką.
Šiuo metu rungtynių baigčių keitimas siekiant asmeninės ar komandinės naudos dažniausiai atsiranda dėl sporto lažybų rinkose atsirandančių anomalijų. Pastebėję neįprastus koeficientus ar pokyčius lažybų eilutėje lažybų tarpininkai įspėja reguliuotojus.
Tačiau šis metodas yra ribotas ir dažnai nepavyksta nustatyti visų susitarimų dėl rungtynių, ypač mažiau populiariose sporto šakose ar lygose. Štai kur mašininis mokymasis gali padėti.
Iš esmės dirbtinio intelekto (AI) pogrupis mašininis mokymasis veikia kaip skaitmeninis zondas: renka sporto duomenis, atskleidžia paslėptus modelius ir pažymi neįprastus įvykius. Mašinos gali įsigilinti į komandos veiklą ir netikėtus svyravimus, tyrinėdamos visus sporto renginių aspektus.
AI naudojimas neįprastai veiklai pastebėti
Atlikdami tyrimą, pristatėme „anomalių rungtynių identifikavimo“ sąvoką, kuri apėmė netaisyklingų žaidimų rezultatų nustatymą, nesvarbu, kokios būtų pagrindinės priežastys.
Gali būti įvairių veiksnių: nuo strateginių nuostolių dėl ateities pranašumų, pavyzdžiui, JAV nacionalinės krepšinio lygos (NBA) „tankavimo“ praktika, iki rinkodaros taktikos, siekiant padidinti bilietų pardavimą, arba tiesiog prastų rezultatų diena.
Mūsų tyrimo modelis leidžia pažymėti neįprastus žaidimo rezultatus ir perduoti juos reguliavimo institucijoms gilesniam tyrimui. Naudodami mašininį mokymąsi, galime pastebėti neįprastas rungtynes, lygindami savo prognozes su tikrais žaidimo rezultatais.
Kai kalbame apie sporto anomalijas, kalbame apie rungtynes, kurios išsiskiria iš normos.
Nors susitarimas dėl rungtynių – tyčinis manipuliavimas rezultatais siekiant naudos – yra vienas iš galimų neįprastų žaidimo rezultatų paaiškinimų, jis nėra vienintelis. Daugelio neįprastų rungtynių rezultatų priežasčių atpažinimas taip pat gali padėti geriau suprasti sporto sudėtingumą.
Susidūrę su neįprastu ar netikėtu rezultatu, žiūrovai ir pareigūnai gali savęs paklausti: ar tai buvo nenumatytos strategijos rezultatas, ar yra kitų įtakų?
Mokymasis iš krepšinio
Mūsų tyrimo metodika apėmė mašininio mokymosi algoritmų mokymą, kad būtų galima atrasti konkrečių praeities įvykių ir vėlesnių žaidimų rezultatų modelius.
Nustačius šiuos ryšius, algoritmai gali numatyti tikėtinus būsimų rungtynių rezultatus. Šių prognozių ir tikrųjų rezultatų neatitikimai gali reikšti galimai nenormalias atitiktis.
Norėdami išbandyti savo modelį, pažvelgėme į tai, ar 2022 m. NBA atkrintamosiose varžybose buvo kokių nors neįprastų rungtynių. Sukūrėme modelius naudodami 2004–2020 m. duomenis, kad prognozuotume rungtynių rezultatus, o tada palyginome mašinos numatytus rezultatus su tikrais žaidimo rezultatais.
Aptikome keletą anomalijų 2022 m. atkrintamosiose varžybose, ypač rungtynėse tarp Phoenix Suns ir Dalaso Mavericks. 2022 m. gegužės mėn. per septynias tarpusavio rungtynes Dalasas laimėjo keturias, o Finiksas – tris.
Remiantis duomenimis, 2022 m. atkrintamųjų varžybų anomalijos apėmė 0,0000064 tikimybę, kad „Suns“ ir „Mavericks“ iš tikrųjų žais tarpusavyje NBA Vakarų konferencijos pusfinalio serijoje, kurią sudaro 15 komandų.
Taip pat nustatėme keletą žaidėjų, kurių pasirodymai atkrintamosiose varžybose buvo ypač neįprasti, remiantis jų ankstesnių žaidimų duomenimis.
Tai nereiškia, kad buvo susitarta dėl rungtynių. Atvirkščiai, mūsų rezultatai žymi žaidimus ir žaidėjus, kuriuos vėliau galėtų stebėti reguliavimo institucijos jeigu susitarimas dėl rungtynių kėlė susirūpinimą, o ne, tai buvo tiesiog pavyzdys modeliui išbandyti.
Šis požiūris į anomalijų aptikimą rungtynių serijoje gali būti taikomas daugelyje sporto šakų.
Išnagrinėjus daug anomalijų galima gauti vertingų įžvalgų apie neįprastus rungtynių įvykius, padedant reguliavimo institucijoms ir sporto organizacijoms atlikti nuodugnius tyrimus ir palaikyti sąžiningą konkurenciją.
Skatinti pasitikėjimą sportu
Nors mūsų tyrimas sutelktas į konkrečias sporto šakas, principai ir metodai gali būti išplėsti į kitas arenas.
Tyrimas rodo, kad mašininis mokymasis gali būti naudojamas siekiant užtikrinti sporto varžybų vientisumą ir padėti reguliavimo institucijoms, sporto organizacijoms ir teisėsaugos institucijoms išlaikyti sąžiningumą ir visuomenės pasitikėjimą.
Tačiau išnaudodami mašininio mokymosi potencialą, taip pat turime atsižvelgti į etines pasekmes ir užtikrinti skaidrų jo naudojimą.
Ateityje sporto srityje dirbtinis intelektas gali tapti gerbėjų sąjungininku, padedančiu užtikrinti vienodas sąlygas, kuriose talentai išsiskiria, o žiūrovai mėgaujasi sporto renginių tikrumu.
Šis straipsnis iš naujo paskelbtas iš The Conversation pagal Creative Commons licenciją. Skaitykite originalų straipsnį.
Citata: mašininis mokymasis gali sudaryti vienodas sąlygas prieš susitarimą dėl rungtynių – padėti reguliavimo institucijoms pastebėti sukčiavimą (2023 m., rugsėjo 8 d.), gauta 2023 m. rugsėjo 8 d. iš https://techxplore.com/news/2023-09-machine-playing-field-fixinghelping.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
