211service.com
Maskiner kommer för din March Madness kontorspool
Medurs från övre vänster: Getty / Getty / The Jetsons / Getty / Getty / Matt Groening / Getty / Flickr RV1864
March Madness – slutspelet i NCAA college-basketmästerskap – är bland de mest populära sportevenemangen i USA, delvis tack vare den omfattande tävlingen som har utvecklats kring att förutsäga vilka lag som kommer att gå vidare genom turneringen. I år är nästan 10,4 miljoner dollar på spel i kontorspooler eller mer organiserade tävlingar, och mer än 40 miljoner amerikaner kommer att fylla i sina egna versioner av slutspelet för att delta, enligt American Gaming Association . Chanserna att förutsäga en perfekt bracket, vilket ingen någonsin har gjort, är minst 1 på 128 miljarder och kan vara lika avlägset som 1 på 9,2 kvintiljoner.
Nu tar maskininlärning ett skott.
Kaggle, onlineplattformen för tävlingar för prediktiv modellering och analys som förvärvades av Googles moderbolag Alphabet förra året, är anordna en tävling för både NCAA herr- och damturneringar. Kaggle tillhandahåller en datauppsättning med information som turneringsfrön som går tillbaka till säsongen 1984-85; slutresultat för alla ordinarie säsonger, konferensturneringar och NCAA-turneringar sedan 1984-85; och varje Division I basketboll för män och damer spela-för-spel-ögonblick sedan 2009. Det hela summerar till mer än 40 miljoner datapunkter.
Konkurrenter fyller inte i en traditionell parentes; istället skapar och använder de modeller för att förutsäga hur sannolikt ett lag är att vinna varje match. Modellen bedöms utifrån både resultatet av spelet och det förtroende som modellen finner i sin förutsägelse. Så om en modell är 99 procent säker på att ett lag vinner och det visar sig vara rätt, får den fler poäng än en med en korrekt förutsägelse som bara var 95 procent säker. Om en modell är väldigt säker och felaktig kommer den dock att förlora fler poäng. Detta för att göra det svårare att vinna med dum tur eller slumpmässig chans. En prispott på $100 000 ska delas upp mellan de tre översta grupperna för båda turneringarna. Anmälningar sker på torsdag och 500 lag är redan anmälda.
Men det är oklart att maskininlärning är redo att ta sig an bracketologi, vilket kan vara mer av en konst än 40 miljoner datapunkter skulle få dig att tro. Eftersom collegelag byter spelare och laglistor från säsong till säsong, kanske algoritmerna inte ens har rätt data att analysera i jakt på mönster.
Och så finns det de okantifierbara elementen, som spelare som klickar eller ett lag på en rad. Städerna som är värd för turneringsspel kan också påverka ett lags prestation på sätt som en algoritm kanske inte förutser. Till exempel kan spel i en stad som Denver leda till höjdproblem för lag som är vana vid att spela på havsnivå, eller så kan en särskilt bråkig publik hjälpa ett lag att få fart i de sista ögonblicken. I år har de tio stora lagen haft två veckor ledigt före March Madness för första gången någonsin, och deras spelare kan vara bättre utvilade – eller rustigare – än lag från andra konferenser. En algoritm kan inte ta hänsyn till en händelse som den aldrig har sett förut. Upprördheter kallas upprörda av en anledning; om maskininlärning kunde förutsäga dem skulle termen bli omtvistad.
Jag tror faktiskt att turneringar som NCAA [March Madness] inte är det bästa stället för maskininlärning, skrev Kaggles vd Anthony Goldbloom, på till Reddit AMA . Det finns många färre March Madness-spel än annonsklick/bedrägerihändelser etc.
Kaggle har varit värd för fyra tidigare March Madness-tävlingar, även om detta är den första säsongen med prispengar. Förra årets vinnare, Andrew Landgraf, baserade sin modell på tidigare vinnares algoritmer, men med en twist. Han övervägde vad andra deltagare i Kaggles tävling kunde göra och riktade sin algoritm för att dra fördel av deras potentiella misstag. Människor gör det här med kontorspooler hela tiden: om du var på ett kontor med ett gäng Duke-fans, kan spel mot Duke ge dig den bästa bracket om Blue Devils skulle förlora. Även med sin noggrant planerade modell, säger Landgraf, var turen en stor del av hans framgång.
Så småningom kan algoritmer vara tillräckligt bra för att förutsäga saker som heta streck, men under tiden kan samarbete mellan människa och maskin representera framtiden för parentes. Bettingsyndikat tror det – de använder redan både prediktiv analys och data från människodrivna onlinespelmarknader för att placera sina insatser, enligt Adam Kucharski, en forskare och författare till Den perfekta satsningen: Hur vetenskap och matematik tar lyckan av spelande .
Trots alla deras brister är vadslagningsmarknader ett bra sätt att ta del av en publiks kunskap, säger Kucharski. Att förstå det mänskliga elementet kan vara mycket användbart.
Resultaten av Kaggles turnering kan bedömas utifrån de ofullkomliga parenteserna från tidigare år. Trettio-nio spel är närmast någon har kommit ett perfekt resultat , så det är ett enkelt riktmärke för framgång. Och om en av Kaggles algoritmiska utmanare eller ett samarbete mellan människa och maskin uppnår det slutliga målet, finns det några lukrativa belöningar som väntar. Miljardären Warren Buffett har en långvarigt erbjudande att belöna någon av sina anställda som kommer med en perfekt bracket en miljon dollar per år för livet.
Men när vi väl får en perfekt konsol, vad händer härnäst? Kaggles tävling startar efter urvalet av alla 64 lag. Nästa utmaning kan bli förutsäga turneringens vinnare före eller du vet vem som är ens i tävlingen.