Comment les bracketologues utilisent l’intelligence artificielle en mars

Les fans de College Hoops voudront peut-être y réfléchir à nouveau avant de fonder leurs espoirs sur un match parfait. La folie de mars parenthèse sur l’intelligence artificielle.

Alors que l’avancement de intelligence artificielle dans la vie quotidienne a fait de l’IA l’une des expressions les plus en vogue de l’année écoulée, son application dans les cercles de bracketologie n’est pas si nouvelle. Malgré cela, les concours annuels réservent encore de nombreuses surprises aux aficionados de l’informatique qui ont passé des années à perfectionner leurs modèles avec les résultats des tournois NCAA précédents.

Ils ont découvert que l’apprentissage automatique ne peut à lui seul résoudre le problème des données limitées et des éléments humains incalculables de The Big Dance.

Toutes ces choses sont de l’art et de la science. Et il s’agit tout autant de psychologie humaine que de statistiques, a déclaré Chris Ford, un analyste de données vivant en Allemagne. Il faut réellement comprendre les gens. Et c’est ce qui est si délicat là-dedans.

Les fans occasionnels passeront peut-être quelques jours cette semaine à décider stratégiquement s’ils doivent peut-être s’appuyer sur l’équipe avec le meilleur mojo comme Sister Jeans 2018. L’équipe Loyola-Chicago qui a atteint le Final Four ou peut-être pour monter le joueur le plus performant comme Steph Curry et sa performance exceptionnelle en 2008 qui a conduit Davidson au Sweet Sixteen.

Les amateurs de technologie poursuivent des objectifs encore plus compliqués que de sélectionner les vainqueurs des 67 matchs des tournois masculins et féminins de la NCAA. Ils affinent les fonctions mathématiques à la recherche du modèle le plus objectif pour prédire le succès dans ce tournoi criblé de bouleversements. Certains font appel à l’IA pour perfectionner leurs codes ou pour décider quels aspects du CV d’équipe ils devraient peser le plus lourd.

Les chances de créer un support parfait sont contre n’importe quel concurrent, aussi avancés que soient leurs outils. Selon Ezra Miller, professeur de mathématiques et de sciences statistiques à Duke, un fan informé qui fait certaines hypothèses basées sur des résultats antérieurs, comme par exemple qu’une tête de série bat une tête de série 16, a une chance sur deux milliards d’atteindre la perfection.

En gros, cela reviendrait à choisir une personne au hasard dans l’hémisphère occidental, a-t-il déclaré.

L’intelligence artificielle est probablement très efficace pour déterminer la probabilité qu’une équipe gagne, a déclaré Miller. Mais même avec les modèles, il a ajouté que le choix aléatoire de celui qui va gagner un jeu à égalité reste un choix aléatoire.

Pour la 10e année consécutive, la communauté de science des données Kaggle organise Machine Learning Madness. Les compétitions traditionnelles entre tranches sont tout ou rien ; les participants écrivent le nom d’une équipe dans chaque emplacement libre. Mais Machine Learning Madness exige que les utilisateurs soumettent un pourcentage reflétant leur confiance dans la progression d’une équipe.

Kaggle fournit un vaste ensemble de données provenant de résultats antérieurs permettant aux utilisateurs de développer leurs algorithmes. Cela comprend les scores encadrés avec des informations sur le pourcentage de lancers francs de l’équipe, les revirements et les passes décisives. Les utilisateurs peuvent ensuite transmettre ces informations à un algorithme pour déterminer quelles statistiques sont les plus prédictives du succès du tournoi.

C’est un combat loyal. Il y a des gens qui en savent beaucoup sur le basket-ball et qui peuvent utiliser ce qu’ils savent, a déclaré Jeff Sonas, un analyste statistique des échecs qui a contribué à la création de la compétition. C’est également possible pour quelqu’un qui ne connaît pas grand-chose au basket-ball mais qui sait bien apprendre à utiliser les données pour faire des pronostics.

Ford, le fan de Purdue qui a regardé l’année dernière comme l’équipe masculine la plus courte de Division I a stupéfié ses Chaudronniers au premier tour, prend une direction différente. Depuis 2020, Ford tente de prédire quelles écoles feront partie des 68 équipes.

En 2021, son année la plus réussie, Ford a déclaré que le modèle avait correctement nommé 66 des équipes de la catégorie masculine. Il utilise un faux comité de huit modèles d’apprentissage automatique différents qui prend en compte des considérations légèrement différentes basées sur les mêmes entrées : la solidité du calendrier d’une équipe et le nombre de victoires de qualité contre des adversaires plus coriaces, pour n’en nommer que quelques-uns.

Eugene Tulyagijja, spécialiste de l’analyse sportive à l’Université de Syracuse, a déclaré qu’il avait passé des années de temps libre à créer son propre modèle. Il a déclaré qu’il avait utilisé un réseau neuronal profond pour trouver des modèles de réussite basés sur des statistiques telles que l’efficacité à 3 points d’une équipe.

Son modèle a prédit à tort que le Final Four masculin de 2023 comprendrait l’Arizona, Duke et le Texas. Mais il incluait correctement UConn. En ajustant le modèle avec des années d’informations, il a reconnu certains éléments humains qu’aucun ordinateur ne pourrait jamais prendre en compte.

Les joueurs ont-ils suffisamment dormi la nuit dernière ? Est-ce que cela va affecter les performances des joueurs ? il a dit. Il se passe des choses personnelles, nous ne pouvons jamais nous y adapter en utilisant uniquement les données.

Aucune méthode n’intégrera tous les facteurs pertinents en jeu sur le terrain. L’équilibre nécessaire entre modélisation et intuition est l’art de l’analyse sportive, a déclaré Tim Chartier, expert en bracketologie chez Davidson.

Chartier étudie les brackets depuis 2009, développant une méthode qui s’appuie largement sur les records aller-retour, les performances en seconde partie de saison et la solidité du calendrier. Mais il a déclaré que les résultats historiques des tournois de la NCAA constituent un défi pour les modèles d’apprentissage automatique, qui reposent sur de grandes tailles d’échantillons.

L’objectif de Chartier n’est jamais que ses élèves atteignent la perfection dans leurs classes ; son propre modèle ne peut toujours pas expliquer l’histoire de Cendrillon de Davidson en 2008.

Dans ce mystère, Chartier trouve un rappel utile de March Madness : la beauté du sport, et la beauté de la vie elle-même, est le hasard que nous ne pouvons pas prédire.

Nous ne pouvons même pas prédire 63 matchs d’un tournoi de basket-ball où nous avons eu 5 000 matchs qui l’ont précédé, dit-il à ses cours. Alors soyez indulgent envers vous-même lorsque vous ne faites pas de prédictions correctes sur des étapes de la vie qui sont bien plus compliquées qu’un match de basket de 40 minutes.

–

Pollard est membre du corps de l’Associated Press/Report for America Statehouse News Initiative. Rapport pour l’Amérique est un programme de service national à but non lucratif qui place des journalistes dans les salles de rédaction locales pour couvrir des sujets insuffisamment médiatisés.

___

Support AP March Madness : https://apnews.com/hub/ncaa-mens-bracket et couverture : https://apnews.com/hub/march-madness