São Paulo — InkDesign News —
O uso de machine learning no esporte tem se intensificado, conforme novas estratégias e modelos surgem para analisar e prever resultados. O papel da sorte nas decisões e performances esportivas está cada vez mais sendo avaliado através de dados.
Arquitetura de modelo
Modelos de machine learning podem ser adotados para entender a variância e a incerteza nos resultados. O conceito de “sorte” no esporte é frequentemente definido como a variância nos resultados que não pode ser atribuída à habilidade. Em termos estatísticos, isso se traduz em “resíduos de regressão” que isolam o desempenho real das previsões. Estas metodologias não apenas medem a destreza das equipes, mas também ajudam a identificar desvio padrão das expectativas.
A sorte é, em resumo, toda a variância nos resultados não explicada pela habilidade.
(“Luck is all the variance in outcomes not explained by skill.”)— Autor Desconhecido, Pesquisador, InkDesign
Treinamento e otimização
Métodos de simulação como o Monte Carlo têm sido utilizados para compreender as diversas possibilidades de resultados em situações de alta competitividade. Simulando um jogador de basquete que acerta 75% em lances livres, é possível realizar 10.000 simulações para comparar os resultados esperados com a performance real ao longo de uma temporada. Progresso no entendimento e aplicação desses modelos vem resultando em insights que podem ser aplicados na gestão de equipes.
Com esses resultados, podemos comparar os resultados baseados em habilidades com as distribuições simuladas.
(“With the results, we could compare the skill-based predicted outcomes with the simulated distributions.”)— Autor Desconhecido, Pesquisador, InkDesign
Resultados e métricas
Resultados mostram que as equipes nem sempre se comportam conforme as expectativas, deixando espaço para a interpretação de “sorte” ou ineficiências. Em análises de performance, fica evidente que o modelo pode ser otimizado, com a intenção de minimizar o componente de sorte. Por exemplo, após a simulação de um campeonato com 6 equipes, foi revelado que todos os times apresentaram um desempenho abaixo das expectativas preditivas.
“O objetivo é sempre reduzir esse componente de sorte.”
(“The goal will always be for our models to reduce this luck component.”)— Autor Desconhecido, Pesquisador, InkDesign
Além de validar modelos, essas análises têm implicações práticas. A busca contínua por reduzir a incerteza pode resultar em melhores decisões táticas, otimização de recursos e desenvolvimento de talentos no esporte.
Para detentores de dados, o futuro aponta para um aumento no uso de deep learning para capturar nuances em decisões e resultados, refletindo um panorama mais preciso das dinâmicas esportivas.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
