Nous demandons à l’IA de prédire les résultats des tournois de la NCAA : obtenez 75 % de réussite !

La folie de mars est là, avec le monde occidental obsédé par l’analyse et le choix du déroulement du tournoi de basket-ball masculin de la NCAA, une tâche qui, selon la ligue sportive, a une chance sur 9 223 372 036 854 775 808. Cependant, les chances de 1:9,2 quintillion supposent une chance de 50-50 pour chaque match, aussi simple que de lancer une pièce de monnaie.

Chaque équipe et chaque match apportent d’innombrables variables, et c’est ce qui rend les prédictions de March Madness si absorbantes pour les fans (et les parieurs). Cela représente beaucoup d’informations à traiter pour les humains, mais qu’en est-il de l’intelligence artificielle ?

Battre les probabilités

Après les huit premiers matchs, moins de 2,5 % des brackets restent parfaits, selon la NCAA ; Le plus grand « crève-cœur » de la première journée a été la défaite du Kentucky, troisième au classement, contre le n°14 d’Oakland U, 80-76 jeudi.

En réalité, si chaque personne ayant vécu sur Terre depuis la nuit des temps complétait une case différente, il y aurait encore 99,9999999883 % de chances que personne ne devine tous les gagnants. Si vous aviez créé une image unique chaque seconde depuis le Big Bang, il n’y aurait toujours aucune chance d’obtenir un score parfait.

Par rapport à cela, vous avez une probabilité relativement élevée de gagner à la loterie.

L’IA entre en action

Jusqu’à présent, personne n’a obtenu une image parfaite. Du moins, aucun humain ne l’a fait. L’apprentissage automatique est utilisé depuis longtemps pour contribuer à cet effort, mais l’IA a désormais progressé à un rythme explosif.

Google, une entreprise qui ne fait généralement pas la promotion des paris ou des jeux d’argent, recherche et partage depuis des années les résultats liés aux prédictions de March Madness. Le géant de la technologie propose une section entière dédiée à l’enseignement de l’utilisation de Google Cloud pour analyser les données du basket-ball universitaire de la NCAA. Cela permet aux utilisateurs d’étudier diverses variables, de comparer les mesures de performances du jeu, de télécharger des statistiques complètes sur les joueurs et les équipes, et bien plus encore.

Google a même été partenaire officiel du tournoi de basket-ball masculin de la NCAA, partageant des outils d’analyse de données pour le plus grand spectacle sportif annuel d’Amérique comme cas d’utilisation de l’IA dans l’analyse du Big Data en 2020.

Choisir une IA pour choisir les gagnants

Depuis, l’IA a progressé à un rythme explosif, et il existe de nombreuses façons d’exploiter l’intelligence artificielle pour la bracketologie : vous pouvez traiter des tonnes de données selon votre propre méthodologie, vous appuyer sur le travail d’un autre, ou même former votre propre modèle à partir de zéro.

Nous avons emprunté la voie la plus paresseuse et consulté ChatGPT. Parmi les nombreux GPT experts en basket-ball disponibles, nous avons choisi « March Madness Bracket Buster Bot » car c’était le seul qui montrait une véritable analyse statistique derrière ses prédictions.

Alerte spoiler, le support a été détruit après le premier jour.

Ce:

• Florida Atlantic contre Northwestern : Cela pourrait être serré, mais je penche pour Northwestern avec leur jeu équilibré. Correct!
• Illinois contre Morehead St. : La tête de série de l’Illinois suggère qu’elle est l’équipe à battre dans ce match. Correct!
• Washington St. contre Drake : Washington St. semble prêt à aller de l’avant avec son solide classement. Correct!
• Iowa St. contre South Dakota St. : Les classements et les statistiques d’Iowa St. disent qu’ils continueront à danser. Correct!
• BYU contre Duquesne : BYU pourrait avoir l’avantage avec son attaque dynamique. Incorrect.
• UConn contre Stetson : Le pouvoir passe définitivement par UConn ici, et je m’attendrais à ce qu’ils avancent.
• San Diego St. contre UAB : San Diego St. a la capacité défensive d’arrêter l’UAB.
• Auburn contre Yale : Auburn devrait dominer ce match académique sur le terrain.

Ouest:

• Caroline du Nord contre Wagner : l’histoire et les statistiques de la Caroline du Nord indiquent qu’elles progresseront. Correct!
• Dayton contre Nevada : Le jeu constant de Dayton toute la saison en fait le choix ici. Correct!
• Arizona contre Long Beach St. : Le classement et les statistiques de l’Arizona en font clairement les favoris. Correct!
• Mississippi St. contre Michigan St. : Mississippi St. a de bonnes chances, mais ça va être génial. Incorrect!

Sud:

• Texas Tech contre NC State : la tête de série la plus élevée de Texas Tech pointe vers la victoire. Incorrect!
• Houston contre Montana : Houston est l’équipe à battre avec sa tête de série impressionnante.
• Wisconsin contre James Madison : Le Wisconsin est le favori ici, grâce à sa puissante programmation.
• Duke contre Vermont : Duke montrera probablement pourquoi ils constituent une puissance pérenne.

Midwest:

• Gonzaga contre McNeese St. : Le palmarès de Gonzaga dans March Madness devrait les mener à la victoire. Correct!
• Kansas contre Sanford : Le Kansas ne devrait avoir aucun problème à dépasser Sanford. Correct!
• Creighton contre Akron : Le classement plus élevé de Creighton devrait faire la différence. Correct!
• Texas contre Colorado St. : Les statistiques du Texas suggèrent qu’ils vont remporter une victoire ici. Correct!
• Tennessee contre Saint Peter’s : le classement et les statistiques impressionnants du Tennessee en font le choix. Correct!
• Caroline du Sud contre Oregon : cela pourrait être un tirage au sort, mais il est possible que la Caroline du Sud se faufile. Incorrect!

Deuxième et troisième avis

D’autres modèles d’IA ont fourni des résultats différents, même si beaucoup d’entre eux étaient d’accord sur certains résultats, comme la victoire de BYU sur Duquesne, qui a échoué hier. L’imprévisibilité des humains prévaut une fois de plus. Duquesne a certainement déjoué les pronostics en remportant sa première victoire en un demi-siècle, même si de nombreuses statistiques d’ESPN favorisaient largement BYU.

Nous avons également consulté Kaggle.com, une plateforme de concours de science des données et une communauté en ligne de scientifiques des données et de professionnels de l’apprentissage automatique, pour voir s’il y avait quelque chose pour les « bracketologues » – et effectivement, il y en avait. Un modèle d’apprentissage automatique publié par Nishaan Amin a analysé 153 Mo de fichiers de données avec des dizaines de graphiques et des milliers de statistiques et d’informations. Le référentiel a été examiné plus de 4 000 fois à ce jour.

Cela vous permet d’adapter le modèle et d’analyser ce que vous considérez comme important, en l’adaptant à votre style. Le propriétaire a partagé ses propres prédictions. Le modèle dit qu’UConn remportera le tournoi après avoir battu Purdue, mais laisse entendre que le Connecticut a une chance de battre Purdue avant la finale.

Le modèle fournit également une simulation d’une boîte à surprises avec différents paramètres et résultats pour ceux qui aiment les alternatives :

Bien entendu, prédire le comportement humain, que ce soit à des fins de cartographie, de sabermétrie ou d’analyse technique, est une science inexacte. Les modèles analysent les performances passées et font des prédictions dans des conditions « toutes choses égales par ailleurs » : le résultat le plus probable si tout se passe dans les mêmes circonstances qu’avant.

Une machine d’apprentissage peut analyser d’énormes quantités de données et trouver des modèles qui peuvent être cachés à nos yeux, comprenant ainsi la relation entre des centaines, voire des milliers de variables. Mais aucun modèle ni méthodologie ne peut prévoir des circonstances extraordinaires comme un tweet d’Elon Musk provoquant l’effondrement de l’ensemble du marché des cryptomonnaies, une personne traversant une crise existentielle et vendant une importante position en cryptomonnaies, une équipe se levant grâce au pouvoir de ses fans, la blessure prématurée de un joueur vedette ou une équipe qui a la gueule de bois après une grande fête.

Edité par Ryan Ozawa.