Jak sztuczna inteligencja analizuje mecz piłkarski
8 min czytania
„Analiza AI" brzmi jak wyrocznia i bywa tak sprzedawana. W rzeczywistości to uporządkowanie danych, które i tak są publiczne, plus język, którym da się je opisać. Poniżej opisujemy dokładnie, jak to działa u nas — łącznie z tym, czego ten sposób nie potrafi.
Krok pierwszy: co model dostaje na wejściu
Model językowy nie ogląda meczów. Dostaje zestaw faktów zebranych z serwisu danych sportowych i ułożonych w jeden dokument. W naszym przypadku są to:
- ostatnie mecze obu drużyn wraz z wynikami i miejscem rozegrania,
- pozycja i dorobek w tabeli bieżących rozgrywek,
- bilans bezpośrednich spotkań z ostatnich lat,
- przewidywane i potwierdzone składy oraz lista kontuzji i zawieszeń,
- statystyki zespołowe: strzały, posiadanie, skuteczność u siebie i na wyjeździe,
- najlepsi strzelcy rozgrywek i oceny zawodników z ostatnich spotkań,
- przy meczach na żywo dodatkowo wynik, wydarzenia i statystyki z toczącej się gry.
To jest cała wiedza modelu o spotkaniu. Nie ma dostępu do internetu w trakcie pisania analizy, nie zna plotek transferowych z dnia meczu ani nastrojów w szatni. Jeżeli czegoś nie ma w tym zestawie, to dla analizy nie istnieje.
Krok drugi: co model z tym robi
Zadaniem modelu nie jest wymyślenie wyniku, tylko znalezienie zależności między faktami i opisanie ich zrozumiałym językiem. Dobra analiza odpowiada na pytania w rodzaju: czy seria zwycięstw wynika z formy, czy z łatwego terminarza? Czy brakujący obrońca grał we wszystkich meczach z czystym kontem? Czy wysoka pozycja w tabeli ma pokrycie w liczbie strzałów, czy jest skutkiem serii jednobramkowych wygranych?
Prawdopodobieństwa, które widzisz przy typach, to szacunki modelu, a nie wynik obliczeń statystycznych z zamkniętym wzorem. Traktuj je jak stopień pewności autora tekstu: różnica między 55% a 60% jest w praktyce żadna, między 55% a 80% — istotna.
Czego model nie widzi
- Motywacji. Mecz o utrzymanie i mecz o nic wyglądają w danych identycznie.
- Kalendarza w szerszym sensie. To, że za trzy dni jest półfinał pucharu, nie zmienia statystyk, ale zmienia skład.
- Konfliktów wewnętrznych, zmian w sztabie w trakcie tygodnia, atmosfery po przegranych derbach.
- Pogody w dniu meczu i stanu murawy.
- Rzeczy, które wydarzyły się po ostatniej aktualizacji danych — a te przy składach potrafią zmienić się na godzinę przed gwizdkiem.
Gdzie modele mylą się najczęściej
Trzy sytuacje są przewidywalnie trudne. Po pierwsze początek sezonu: po dwóch kolejkach każda statystyka opiera się na próbie, z której nie da się nic wnioskować, a model i tak będzie ją opisywał. Po drugie zespoły po zmianie trenera — dane opisują poprzedni pomysł na grę, nie obecny. Po trzecie mecze drużyn skrajnie nierównych, gdzie faworyt wygrywa tak często, że każda przegrana wygląda na anomalię, a nie na przewidywalne ryzyko.
Dlatego przy każdej analizie pokazujemy ocenę jakości danych. Jeżeli liga dopiero ruszyła albo brakuje składów, tekst mówi to wprost, zamiast udawać pewność, której nie ma.
Jak czytać analizę ze zrozumieniem
- Zacznij od sekcji z czynnikami, nie od typu. Typ jest wnioskiem; wartość jest w przesłankach.
- Sprawdź, czy podane fakty zgadzają się z tym, co wiesz. Model bywa nieaktualny, Ty możesz nie być.
- Potraktuj wysokie prawdopodobieństwo jako „mniej niespodzianek w danych", a nie jako gwarancję.
- Dopytaj. Asystent zna komplet danych o meczu i odpowie na pytanie, którego w analizie nie było.
Jak sprawdzamy, czy to w ogóle działa
Każdy typ z analizy i z raportu zapisujemy, a po meczu rozliczamy automatycznie na podstawie oficjalnego wyniku. Na stronie skuteczności widać wszystko: trafienia, chybienia i typy pominięte, czyli takie, których nie da się rozstrzygnąć samym wynikiem końcowym.
Publikowanie chybionych typów jest niewygodne i dokładnie dlatego ma sens. Serwis, który pokazuje wyłącznie trafienia, nie podaje żadnej informacji — bo taki zestaw da się zbudować z dowolnych, także losowych, prognoz.