قد يرغب عشاق الأطواق الجامعية في التفكير مرة أخرى قبل أن يعلقوا آمالهم على الكمال جنون مارس قوس على الذكاء الاصطناعي.
في حين تقدم الذكاء الاصطناعي في الحياة اليومية، أصبحت عبارة “الذكاء الاصطناعي” واحدة من أكثر العبارات رواجًا في العام الماضي، إلا أن تطبيقها في دوائر علم الأقواس ليس جديدًا جدًا. ومع ذلك، لا تزال مسابقات الأقواس السنوية توفر الكثير من المفاجآت لعشاق علوم الكمبيوتر الذين أمضوا سنوات في صقل نماذجهم من خلال نتائج بطولة NCAA السابقة.
لقد وجدوا أن التعلم الآلي وحده لا يمكنه حل مشكلة البيانات المحدودة والعناصر البشرية التي لا تعد ولا تحصى في “الرقصة الكبيرة”.
“كل هذه الأشياء هي فن وعلم. وقال كريس فورد، محلل البيانات الذي يعيش في ألمانيا: «إنها مجرد علم نفس بشري بقدر ما هي إحصائيات». “عليك أن تفهم الناس حقًا. وهذا هو الأمر الصعب جدًا في الأمر.
قد يقضي المشجعون العاديون بضعة أيام هذا الأسبوع في اتخاذ قرار استراتيجي بشأن ما إذا كانوا سيعتمدون على الفريق الذي يتمتع بأفضل موجو – مثل Sister Jean’s 2018 فريق Loyola-Chicago الذي وصل إلى النهائي الرابع – أو ربما ركوب أفضل لاعب في الرماية – مثل ستيف كاري وأدائه المتميز في عام 2008 الذي قاد ديفيدسون إلى Sweet Sixteen.
يسعى الأشخاص الذين يميلون إلى التكنولوجيا إلى تحقيق أهداف أكثر تعقيدًا من اختيار الفائزين في جميع المباريات الـ 67 في بطولات NCAA للرجال والسيدات. إنها تعمل على ضبط الوظائف الرياضية سعيًا وراء النموذج الأكثر موضوعية للتنبؤ بالنجاح في البطولة المليئة بالمفاجآت. يستخدم البعض الذكاء الاصطناعي لإتقان أكوادهم أو لتحديد جوانب السيرة الذاتية للفريق التي يجب أن يكون لها وزن أكبر.
إن احتمالات إنشاء شريحة مثالية تكون ضد أي منافس، مهما كانت أدواته متقدمة. “المشجع المطلع” الذي يضع افتراضات معينة بناءً على النتائج السابقة – مثل فوز بذرة واحدة على 16 بذرة – لديه فرصة واحدة من 2 مليار فرصة للوصول إلى الكمال، وفقًا لعزرا ميلر، أستاذ الرياضيات والعلوم الإحصائية في جامعة ديوك.
وقال: “بشكل تقريبي، سيكون الأمر مثل اختيار شخص عشوائي في نصف الكرة الغربي”.
وقال ميلر إن الذكاء الاصطناعي من المحتمل أن يكون جيدًا جدًا في تحديد احتمالية فوز الفريق. لكن حتى مع النماذج، أضاف أن “الاختيار العشوائي لمن سيفوز بلعبة متطابقة بالتساوي” لا يزال اختيارًا عشوائيًا.
للسنة العاشرة على التوالي، يستضيف مجتمع علوم البيانات Kaggle مؤتمر “Machine Learning Madness”. مسابقات الأقواس التقليدية هي كل شيء أو لا شيء. يكتب المشاركون اسم فريق واحد في كل فتحة مفتوحة. لكن “جنون التعلم الآلي” يتطلب من المستخدمين تقديم نسبة مئوية تعكس ثقتهم في تقدم الفريق.
توفر Kaggle مجموعة كبيرة من البيانات من النتائج السابقة للأشخاص لتطوير خوارزمياتهم. يتضمن ذلك نتائج الصندوق مع معلومات عن نسبة الرميات الحرة للفريق، والتحولات والتمريرات الحاسمة. يمكن للمستخدمين بعد ذلك تحويل هذه المعلومات إلى خوارزمية لمعرفة الإحصائيات الأكثر تنبؤًا بنجاح البطولة.
“إنها معركة عادلة. وقال جيف سوناس، محلل الشطرنج الإحصائي الذي ساعد في تأسيس المنافسة: “هناك أشخاص يعرفون الكثير عن كرة السلة ويمكنهم استخدام ما يعرفونه”. “من الممكن أيضًا لشخص لا يعرف الكثير عن كرة السلة ولكنه جيد في تعلم كيفية استخدام البيانات لإجراء التنبؤات.”
فورد، مشجع بوردو الذي شاهد العام الماضي كأقصر فريق للرجال في القسم الأول أذهل صانعي الغلايات في الجولة الأولى، يأخذ الأمر في اتجاه مختلف. منذ عام 2020، حاولت فورد التنبؤ بالمدارس التي ستشارك في الملعب المكون من 68 فريقًا.
في عام 2021، وهو العام الأكثر نجاحًا له، قال فورد إن النموذج قام بتسمية 66 فريقًا في فئة الرجال بشكل صحيح. إنه يستخدم “لجنة وهمية” مكونة من ثمانية نماذج مختلفة للتعلم الآلي، والتي تضع اعتبارات مختلفة قليلاً بناءً على نفس المدخلات: قوة الجدول الزمني للفريق وعدد الانتصارات النوعية ضد خصوم أكثر صرامة، على سبيل المثال لا الحصر.
وقال يوجين تولياجيا، المتخصص في التحليلات الرياضية بجامعة سيراكيوز، إنه أمضى عامًا من وقت الفراغ في صياغة نموذجه الخاص. وقال إنه استخدم شبكة عصبية عميقة للعثور على أنماط النجاح بناءً على إحصائيات مثل كفاءة الفريق المكونة من 3 نقاط.
توقع نموذجه بشكل خاطئ أن النهائي الرابع للرجال لعام 2023 سيشمل أريزونا وديوك وتكساس. لكنها تضمنت UConn بشكل صحيح. وعندما قام بتعديل النموذج بمعلومات كافية لمدة عام آخر، اعترف ببعض العناصر البشرية التي لا يمكن لأي كمبيوتر أن يأخذها في الاعتبار.
“هل حصل اللاعبون على قسط كافٍ من النوم الليلة الماضية؟ هل سيؤثر ذلك على أداء اللاعب؟”. هو قال. “الأشياء الشخصية تحدث، ولا يمكننا أبدًا التكيف معها باستخدام البيانات وحدها.”
لا توجد طريقة يمكنها دمج كل العوامل ذات الصلة في الملعب. وقال تيم شارتييه، خبير علم الأقواس في ديفيدسون، إن التوازن الضروري بين النمذجة والحدس هو “فن التحليلات الرياضية”.
قام شارتييه بدراسة الأقواس منذ عام 2009، حيث قام بتطوير طريقة تعتمد إلى حد كبير على سجلات الذهاب والإياب، والأداء في النصف الثاني من الموسم وقوة الجدول الزمني. لكنه قال إن النتائج التاريخية لبطولة NCAA توفر حجم عينة صغير لا يمكن التنبؤ به، وهو ما يمثل تحديًا لنماذج التعلم الآلي، التي تعتمد على أحجام عينات كبيرة.
هدف شارتييه ليس أبدًا أن يصل طلابه إلى الكمال بين قوسين؛ لا يزال نموذجه الخاص غير قادر على تفسير قصة سندريلا التي كتبها ديفيدسون عام 2008.
وفي هذا اللغز، يجد شارتييه تذكيراً مفيداً من جنون مارس: “إن جمال الرياضة، وجمال الحياة نفسها، هما العشوائية التي لا نستطيع التنبؤ بها”.
“لا يمكننا حتى التنبؤ بـ 63 مباراة في بطولة كرة السلة حيث كان لدينا 5000 مباراة أدت إلى ذلك،” يقول لطلابه. “لذا كن متسامحًا مع نفسك عندما لا تقوم بتنبؤات صحيحة بشأن مراحل الحياة الأكثر تعقيدًا من مباراة كرة سلة مدتها 40 دقيقة.”
—-
بولارد هو عضو في هيئة وكالة أسوشيتد برس/تقرير لمبادرة أخبار ستيت هاوس الأمريكية. تقرير لأمريكا هو برنامج خدمة وطنية غير ربحي يضع الصحفيين في غرف الأخبار المحلية للإبلاغ عن القضايا السرية.
___
شريحة AP March Madness: https://apnews.com/hub/ncaa-mens-bracket والتغطية: https://apnews.com/hub/march-madness
