Якщо ви фанат НБА, то знаєте, що майже кожен гравець у певний момент своєї професійної кар’єри стикається з «холодною смугою». Космолот скачать на телефон може кожен український гравець та насолоджуватися грою будь-де.
Кілька тижнів поспіль усе, що вони кидають, — це ніщо інше, як сітка; вони метафорично «палають». А потім, ні сіло ні впало, вони регулярно влучають у дужку кільця.
Це той самий гравець із тією самою технікою, тими самими кидками, але м’яч вилітає з кільця. У баскетболі це називається спадом влучності, і він зводить усіх з розуму: статистиків, тренерів, гравців і, звісно, бетторів. Що найгірше? Усі сперечаються про причини цього явища.
Аналіз «старої школи» давно припинив це обговорювати; вони просто віднесли це до категорії міфу про «гарячу руку». Але справжні фанати баскетболу ніколи в це не вірили.
Будь-хто, хто грав у професійний баскетбол, знає, що втома, переїзди та впевненість гравця ніколи не відображаються чітко в таблицях. Гравці не забувають, як кидати, але іноді їхні тіла починають бунтувати, хоча вони виконують ті самі рухи.
Штучний інтелект (ШІ) вступає в гру, щоб спробувати передбачити спади влучності за допомогою старої доброї математики. Якщо ви «нагодуєте» алгоритм достатньою кількістю даних відстеження, він почне фіксувати певні закономірності до того, як м’ячі почнуть вилітати. Наприклад, якщо немає достатнього стрибка. Або випуск м’яча повільніший. Можливо, ігри стали напруженішими. Це ті види розпізнавання патернів, які бачить людське око, але не може точно кількісно оцінити, як це робить ШІ.
І якщо модель може виявити «холодну серію» до того, як її помітить ринок? Це чудова новина для бетторів. Тому що перевага полягає не лише в тому, щоб вгадати, хто «гарячий»; вона у протилежному. У НБА різниця між «палаючою» серією та посухою влучності може змінити проп, спред або банкрол за тиждень!
Тож чи може ШІ передбачити спади влучності? Давайте з’ясуємо!
Що спричиняє спади влучності в НБА?
Коли надійний гравець просто не може влучити в кошик, для цього є причини. Це можуть бути фізичні, ментальні фактори, статистична випадковість або комбінація всіх трьох.
Фізичні Фактори
Фізичний стан має величезний вплив на ефективність кидків, і втома — це ворог номер один для стрільця. Розклад НБА досить виснажливий, і втомлене тіло може призвести до того, що кидки в стрибку не долітатимуть або збиватимуться з курсу. Ви можете побачити це в іграх «бек-ту-бек» (дві гри поспіль): гравці можуть казати, що почуваються добре, але цифри свідчать про інше; без днів відпочинку відсоток влучності падає, а кількість помилок зростає.
Травми, навіть найменші, є ще однією поширеною причиною. Забитий палець або хворе плече може порушити механіку кидка. Коли Стеф Каррі переживав спад у 2022 році, спостерігачі вказували на те, що він мав кілька травм руки, і це, ймовірно, змусило його промахуватися у звичайних, здавалося б, «відкритих» кидках. Його відсоток триочкових кидків у відкритих ситуаціях (без захисника на відстані 4–6 футів) упав із 43% роком раніше до 32,6%.
Навіть без травм тонкі зміни в механіці кидка можуть означати проблеми; гравець може несвідомо змінити випуск м’яча через втому або стрес.
Під час спаду в середині сезону Кайл Лаурі з «Торонто» кидав із більш плоскою дугою, ніж зазвичай. Тренер Нік Нерс повернувся до даних і виявив, що дуга кидка Лаурі впала приблизно до 41 градуса, тоді як коли він кидав добре, вона становила близько 46–47 градусів. Невеликого механічного збою було достатньо, щоб порушити його точність. Як тільки це помітили, Лаурі та персонал виправили його форму і допомогли йому вийти зі спаду.
Фізичне виснаження від переїздів є ще одним фактором, який може спричинити спад. Гравці НБА перетинають країну, змінюючи часові пояси та сплячи в готельних ліжках, і це впливає на продуктивність. Команди, які грають після інтенсивних переїздів і без відпочинку, зазвичай грають гірше, і їхня загальна ефективність падає. Менше відпочинку означає менше відновлення для м’язів і розуму.
Довга ввіїжджасерія або відтинок із чотирьох ігор за п’ять ночей може вичерпати енергію стрільця достатньо, щоб перетворити влучні кидки на промахи.
Ментальні Фактори
Баскетбол — це фізична гра, але це також і гра розуму. Впевненість, концентрація та тиск впливають на те, чи впаде м’яч у кошик, і як гравці, так і тренери говорять про ментальний бік спадів влучності. Якщо стрілець втрачає впевненість, навіть трохи, це може перетворитися на самоздійснюване пророцтво: він починає цілитися м’ячем замість того, щоб кидати вільно, або вагається на відкритих кидках.
Прислів’я «стрільці кидають» актуальне тут; на практиці це означає, що найкращі ліки від спаду — це продовжувати робити хороші кидки і вірити, що відсотки повернуться, а це вимагає ментальної стійкості.
Зірка «Голден Стейт Ворріорз» Клей Томпсон пережив один із найгірших спадів у своїй кар’єрі у 2018 році, по суті, вдаючи, що його не існує. Коли репортери запитали його про його проблеми, Клей категорично відмовився визнати, що він у спаді: «Я не думаю, що це спад влучності. Я дійсно так не думаю», — сказав він. Його впевненість у собі зовсім не похитнулася, і він вирвався з «холодної смуги».
Джеймс Харден, після жахливого відрізка з трьох ігор, де він реалізував лише 22% кидків із гри у 2015 році, відмахнувся від цього, сказавши: «Це зміниться, і все налагодиться… Це все вирівняється. Просто залишатися впевненим і бути скромним щодо цього».
Стеф Каррі визнав необхідність залишатися ментально сильним під час «холодної серії». В розпал свого рідкісного спаду влучності Каррі сказав репортерам, що дотримується свого звичайного розпорядку дня і не панікує. «Зрештою, це зміниться. Не можна втрачати впевненість у тому, що ти робиш», — сказав він, зберігаючи ширшу перспективу.
Його давній тренер, Брендон Пейн, підкреслив, наскільки Каррі ментально жорсткий, сказавши, що впевненість Каррі «не хитається, тому що він вклав у це занадто багато роботи».
Тиск і очікування також можуть відігравати роль; у ситуаціях високого тиску або у важливих іграх деякі гравці «застигають», і такі ставки можуть створити спад. Командна динаміка також має значення: якщо гравець знає, що його команда покладається на нього, кілька промахів будуть тяжче давити на його думки, ніж якби він був рольовим гравцем. Але наявність підтримуючої команди та тренера може допомогти гравцеві у спаді, продовжуючи давати йому м’яч, щоб відновити його впевненість, або знімаючи тиск іншими способами.
Статистична Дисперсія
Іноді? Спад — це просто випадковість. Баскетбол має величезний елемент шансу; ідеальний кидок може вилетіти з кільця, а поганий кидок — залетіти від щита. Протягом сезону кожен гравець матиме періоди, коли цифри падають через закон середніх чисел.
Гравець, який кидає триочкові з 40%, може реалізувати 2 з 14 протягом кількох ігор виключно через невезіння, навіть якщо він отримує хороші кидки. Оригінальні дослідження «гарячої руки» у 1980-х роках стверджували, що те, що ми сприймаємо як спади чи «гарячі серії», зазвичай є не чим іншим, як природним скупченням випадкових подій. Чудовий стрілець неминуче матиме період, коли він багато промахується, і це чиста ймовірність.
Тренери та аналітично налаштовані гравці нагадують про це всім. Коли Клей Томпсон вирвався зі свого спаду з 32 очками, тренер «Ворріорз» Стів Керр сказав, що тут немає жодної таємниці; Клей отримував ті самі кидки, і «закон середніх чисел просто взяв своє».
Клей був занадто хорошим стрільцем, щоб продовжувати промахуватися, і він обов’язково мав повернутися до свого середнього показника. Концепція регресії до середнього просто означає, що те, що зростає, має впасти (і навпаки). Гравець, який протягом певного періоду значно нижче свого звичайного відсотка влучності, ймовірно, рано чи пізно повернеться до своєї норми, навіть без будь-якого втручання.
Протилежне також вірно: гравець, який є надзвичайно «гарячим» (вище своїх нормальних середніх показників), ймовірно, скоро охолоне. Беттори знають це, тому «продай дорого, купи дешево» є поширеною стратегією; вони припускаються, що екстремальні серії не триватимуть. Статистики можуть обчислити довірчі інтервали, щоб з’ясувати, чи є спад статистично значущим, чи це просто випадковість.
У більшості випадків? Погана влучність — це дисперсія, але відрізнити «випадковий» спад від того, що спричинений виправними проблемами (як-от втома чи механіка), важко. Традиційні метрики можуть сказати вам, що спад стався, але вони не можуть сказати вам, чому. Це та область, де вступає розширений аналіз, і потенційно ШІ, і намагається розрізнити невезіння та погану форму.
Чому традиційний аналіз зазнає невдачі
Традиційні інструменти баскетбольного аналізу можуть виявляти спади лише після факту. На той час, коли середні показники гравця за сезон або відсотки влучності помітно знизилися? Вони, ймовірно, вже перебувають у «холодній смузі» деякий час.
Метрики, як-от відсоток влучності з гри (FG%), ефективний відсоток влучності з гри (eFG%) або справжній відсоток влучності (TS%), чудово описують продуктивність протягом періоду, але вони не дуже прогностичні день у день.
Це реактивна статистика. Якщо гравець сьогодні реалізує 4 із 20 кидків, його відсоток FG% за сезон трохи впаде завтра, але це не обов’язково сигналізує про тривалий спад; він міг бути лише на одну ніч. Але якщо він збирається «охолонути», його поточні середні показники не попередять вас; вони все одно показуватимуть його загальну роботу на сьогодні, і це може бути підкріплено попередньою «гарячою» влучністю.
Навіть коли ви розбиваєте статистику на менші частини, як-от останні 10 або 5 ігор, це лише розповідає вам про те, що вже сталося, а не про те, що наближається. Багато бетторів і тренерів дивляться на нещодавні журнали ігор на предмет тенденцій, і це дає їм кращі дані. Дані про короткострокову продуктивність можуть виділити імпульс або проблеми, які згладжуються статистикою за весь сезон.
Якщо відсоток триочкових кидків гравця становив 25% за останні два тижні порівняно з 40% за перший місяць, це червоний прапорець спаду, що відбувається. Але знову ж таки, це ідентифікація спаду, який уже настав.
Традиційний аналіз не може прогнозувати спади з кількох причин.
По-перше, він ігнорує основні фактори. Якщо ви бачите, що влучність гравця знизилася, ви можете не помітити, що він багато кидає в передню дужку (можливий індикатор втоми) або що його вибір кидків змінився (можливо, він робить важчі кидки або більше триочкових, ніж кидків із середньої дистанції).
По-друге, базова статистика не враховує контекст, як-от якість захисту, з яким він зіткнувся, робоче навантаження гравця або механічні зміни; це грубі інструменти. І, нарешті, людські аналітики мають упередження, і фанат чи тренер може раціоналізувати погану влучність гравця як «йому просто потрібно продовжувати», тоді як проблема цілком може бути чимось конкретним, як-от нерозкрита травма чи виснаження.
Розширені метрики, які коригуються на складність кидка (як-от очікуваний ефективний відсоток влучності з гри), дають уявлення, але більшість із них — заднім числом. Вони можуть сказати вам: «Гравець X цього тижня значно недотягує до своєї очікуваної влучності». Корисно? Звичайно, але це все ще опис спаду, а не прогнозування наступного.
Обмеження не в тому, що нам бракує даних; навпаки, НБА відстежує величезний потік статистики в кожній грі. Йдеться про швидке осмислення цього, щоб передбачити майбутнє. Це та область, яку ШІ та машинне навчання хочуть виправити. Обробляючи безліч точок даних і знаходячи закономірності, ШІ може бути здатним розпізнати ранні попереджувальні ознаки, які традиційний аналіз пропускає.
Як вступають у гру ШІ та Машинне Навчання
Чи міг би ШІ справді передбачити спади влучності? Машинне навчання має спосіб синтезувати всі фактори, що сприяють продуктивності, і сигналізувати, коли щось здається не так, тож схоже, що це може спрацювати!
Вхідні Дані, що Використовуються в Моделях ШІ
Щоб модель ШІ могла прогнозувати спад, вона повинна мати правильні дані, а сучасна баскетбольна аналітика має їх цілу тонну! Нижче наведено деякі вхідні дані, які модель машинного навчання використовувала б для спроби передбачити «холодні серії»:
- Продуктивність Кидків від гри до гри: статистика кожної гри формує базову лінію. Це включає основні показники влучності, як-от відсоток влучності з гри, відсоток 3-очкових і відсоток штрафних кидків, а також обсяг кидків (спроб за гру). Тенденції в цих числах можуть показати, чи знижується ефективність гравця. Замість того, щоб дивитися на середній показник за весь сезон, ШІ може сильніше зважувати нещодавні ігри, щоб побачити зниження, як тільки воно починається.
- Місце кидка та захисний тиск: Завдяки даним відстеження гравців (від систем, як-от Second Spectrum у НБА), ми знаємо точно, звідки зроблено кожен кидок і наскільки близько його захищали. Модель ШІ може враховувати якість кидків, які отримує гравець; це переважно відкриті кутові триочкові чи щільно оспорювані кидки після ведення? Зміна профілю кидка може передвіщати спад. Якщо стрілець, який зазвичай влучає у відкриті кидки з ловлі та кидка, робить більше оспорюваних кидків після ведення, його ефективність може впасти. ШІ буде використовувати метрики, як-от середня відстань захисника, контекст часу володіння та відстань кидка для кожної спроби.
- Метрики Втоми Гравця та Робочого Навантаження:
Ми можемо досить добре кількісно оцінити фактори, пов’язані з втомою. Модель ШІ буде дивитися на те, скільки хвилин гравець відіграв, скільки ігор за скільки ночей, відстань переїзду між іграми та дні відпочинку. Чи гравець на другій ночі «бек-ту-бек»? Це саме по собі є червоним прапорцем для зниження ефективності кидків. Чи грає він 38 хвилин за гру протягом останнього тижня через травму товариша по команді, коли зазвичай грає 30 хвилин? Велике робоче навантаження може означати, що він втомився. А контекст розкладу, як-от 5 ігор за 7 ночей або довга виїжджальна серія на Західному узбережжі, може бути використаний як ознака для моделі. Індикатори втоми корелюють зі спадами, оскільки дані підтверджують, що менше відпочинку призводить до гіршої влучності та більшої кількості втрат. Ввівши все це в алгоритм, він може оцінити, наскільки відпочив гравець у будь-яку конкретну ніч. - Історичні Патерни Продуктивності:
ШІ може покладатися на власну історію гравця як на путівник. Можливо, певний гравець має тенденцію погано кидати в певні місяці. Або, можливо, щоразу, коли він має три вибухові результативні ігри поспіль, за цим слідує спад у четвертій грі. Патерни, поховані в роках даних, можуть бути виявлені машинним навчанням. Це може бути настільки детально, як помітити: «коли відсоток 3PT гравця X піднімається на 10% вище його середнього протягом п’яти ігор, наступні дві ігри зазвичай на 5% нижче середнього». Це схоже на те, як модель погоди навчається на історичних кліматичних патернах, щоб прогнозувати погоду на завтра. - Біомеханічні Дані та Дані про Здоров’я:
Команди все частіше збирають біометричні дані з ношених пристроїв на тренуваннях, які відстежують такі речі, як висота стрибка, прискорення, частота серцевих скорочень та якість сну. Хоча не всі ці дані доступні в іграх (НБА ще не дозволяє більшість ношених пристроїв під час ігор), на практиці та тренуваннях ці дані є безцінними. Якщо доступно? Модель ШІ буде використовувати метрики здоров’я в реальному часі: показники втоми, індекси відновлення м’язів тощо. Усе це підпадає під «біомеханічні дані», які можуть живити модель.
Приклади Алгоритмів
Які алгоритми могли б використовувати ці дані для прогнозування спаду? Є кілька типів підходів машинного навчання та ШІ, які підходять для цієї роботи:
| Тип Моделі | Опис та Підхід до Прогнозування Спаду |
| Моделі Регресії та Виявлення Аномалій | Модель передбачає очікувану ефективність кидків на основі контексту (втома, захист). Якщо фактична ефективність значно нижча за очікування протягом кількох ігор, система позначає це як аномалію або ранній сигнал спаду. Використовує контрольні карти для визначення, коли продуктивність виходить за межі нормального діапазону. |
| Моделі Часових Рядів (RNN/LSTM) | Рекурентні нейронні мережі (RNN) та їхня розширена форма LSTM спеціалізуються на послідовних даних. Модель навчається на послідовності статистики ігор, щоб передбачити ймовірність того, що гравець кидатиме нижче певного порогу в наступній грі, використовуючи «пам’ять» про попередні ігри. |
| Машинне Навчання з Комп’ютерним Зором | Аналіз відео кидків гравця для виявлення тонких змін у біомеханіці. Якщо система бачить, що кидки постійно не долітають (у дужках) або кут випуску м’яча змінився, вона може зробити висновок про втому або механічний збій, який передвіщає спад. |
| Ансамблеві та Гібридні Моделі | Комбінування кількох моделей (наприклад, модель класифікації для позначення «спад/норма» та LSTM для прогнозування послідовності) для підвищення загальної точності. Ансамбль агрегує висновки різних моделей для кращої надійності. |
Навчання та Валідація
Як ми можемо навчити ШІ передбачати спади? Що ж, це починається зі збору тонн даних про минулі спади для використання як прикладів. Ми б складали дані для гравців протягом сезонів, позначаючи, коли вони переживали помітні «холодні серії».
Для сезону кожного гравця набір даних містив би статистику від гри до гри та контекстуальні ознаки (втома, суперник тощо), а також мітку, що вказує, чи була ця гра частиною спаду, чи ні. Якщо ми визначимо «спад влучності» як будь-який період принаймні 3 послідовних ігор, де відсотки влучності гравця були значно нижче його базової лінії, використовуючи це визначення, ми повернемося назад і ідентифікуємо всі такі періоди.
Процес навчання моделі тоді буде схожий на те, щоб дати ШІ посібник для вивчення ситуацій «спад» проти «не спад». Під час навчання алгоритм коригує свої внутрішні параметри, щоб спробувати правильно класифікувати або передбачити статус спаду. Він дізнається, які патерни у вхідних даних мають тенденцію передувати мітці «спад». Він може навчитися, що для Гравця Y, коли його відсоток триочкових падає більш ніж на 10 відсоткових пунктів протягом двох ігор, і його робоче навантаження високе, спад, ймовірно, починається. Помножте це навчання на сотні гравців і патернів? Модель створює узагальнене розуміння з нюансами для кожного гравця.
Валідація є ключем для гарантії того, що модель не просто «запам’ятовує» минулі дані, а й може узагальнювати до нових випадків. Ми б зазвичай використовували такі методи, як перехресна валідація або розділення на навчання/тестування, де ми навчаємо модель на, скажімо, даних із сезонів 2015–2023 років, а потім тестуємо її на даних сезону 2024 року, щоб побачити, наскільки добре вона прогнозує спади, що сталися у 2024 році. Якщо вона працює добре і фіксує 80% реальних спадів з невеликою кількістю хибних тривог, це справді багатообіцяюче. Якщо ні, ми б налаштували модель або надали їй більше даних. Ми також повинні бути надзвичайно обережними щодо нерозголошення будь-якої майбутньої інформації; якби ми використовували змінну середнього значення як ознаку, ми б переконалися, що вона використовує лише минулі ігри до цього моменту, а не майбутні.
Велика проблема в навчанні полягає в тому, що спади не є надзвичайно поширеними відносно нормальних ігор, тому набір даних може бути незбалансованим (набагато більше «нормальних» ігор, ніж ігор «спаду»). Такі методи, як надмірне семплювання випадків спаду або використання збалансованих метрик точності, гарантують, що модель не завжди прогнозує «немає спаду» за замовчуванням. Ми також могли б навчати окремо для кожного гравця (створюючи персоналізовані моделі), оскільки те, що є спадом, може бути дуже індивідуальним. Період 30% влучності триочкових може бути нормальним для одного гравця, але катастрофічним для іншого. Ми б також додали базову статистику гравця як ознаки, щоб модель знала контекст кожного гравця.
Ще одне міркування — оновлення моделі. Поведінка гравця може змінюватися з року в рік, тому модель ШІ потребуватиме перенавчання з найновішими даними. Ми також могли б впровадити онлайн-навчання, і модель змогла б оновлювати себе, як тільки надходять нові дані гри протягом сезону.
Ранні висновки: Чи може ШІ справді побачити наближення спаду?
Ми говорили про це в теорії, але давайте перейдемо до доказів! Чи може ШІ винюхати спад влучності до того, як він станеться? Концепція досить нова, і вона не була оприлюднена в НБА, тому ми повинні покладатися на експериментальні налаштування та тематичні дослідження; моделі показали певний потенціал у виявленні спадів. Ми дослідимо гіпотетичний тематичний випадок та деякі патерни, які виникли!
Тематичні Дослідження
Для нашого гіпотетичного тематичного дослідження ми використаємо Клея Томпсона. Він є одним із провідних снайперів ліги, і він пережив виражений спад влучності в першій половині сезону 2018–2019. Клей розпочав той сезон надзвичайно «холодним» за його стандартами: у жовтні він реалізував лише близько 31% своїх триочкових; у листопаді він трохи піднявся до 36,6%; а потім впав до 33,7% у грудні. До Нового року він був значно нижче свого кар’єрного середнього показника 42% із дальньої дистанції. Це був один із найгірших відрізків у його кар’єрі, і кожен міг бачити, що Клей був у поганому стані.
Якби в той час у нас працювала модель ШІ, яка моніторила всі індикатори Клея, що б вона могла побачити? Модель зафіксувала б тенденцію до зниження його відсотка 3PT. Приблизно після перших 10 ігор його показники були значно нижчі за його норму. Але крім необроблених відсотків, ШІ міг би побачити інші «червоні прапорці»: можливо, робоче навантаження Клея було високим, що означає втому. Можливо, модель також мала дані про якість кидків, які показували, що Клей робив більше оспорюваних триочкових кидків, ніж зазвичай, у той період; захист грав проти нього по-іншому. І якби вона також знала, що історично Клей кидає гірше на початку сезону і «розігрівається» пізніше.
Поєднавши всі ці фактори, ШІ міг би видати сповіщення про спад наприкінці жовтня або на початку листопада, яке прогнозувало, що погана влучність Клея — це не просто тижнева справа, а може тривати, доки щось не зміниться.
Порівняйте гіпотетичне попередження моделі з тим, як букмекерські ринки ставилися до Клея в той час; під час його спаду середній показник Клея знизився, і він мав кілька ігор значно нижче своєї звичайної результативності. Протягом шести ігор поспіль він набирав у середньому лише 12,3 очка за гру і реалізував жахливі 19,4% триочкових. Якби спортивні букмекери все ще встановлювали його тотал очок більше/менше близько 20 очок (на основі його репутації та типової статистики), беттори, які довіряли попередженню ШІ, могли б взяти менше і, ймовірно, виграти. Протягом більшої частини того спаду ставка на менше очок або реалізованих триочкових Клея була б прибутковою, оскільки букмекерам знадобився час, щоб повністю скоригувати коефіцієнти вниз для гравця такого калібру, як Клей.
Звісно, моделі ШІ не зможуть зловити кожен спад. Будуть хибні спрацьовування (наприклад, модель каже про спад, але гравець негайно виходить із нього) і промахи (де модель оптимістична, а гравець зненацька «охолоджується»). Але порівняно лише з людською інтуїцією? Модель можна протестувати за її показником влучання. Якщо протягом сезону ШІ точно передбачив 70% тривалих спадів принаймні за одну гру до того, як вони були розпізнані, це велика перевага.
Ранні польові випробування в інших контекстах спортивної аналітики показали, що моделі виявляють патерни, які люди пропускали; у бейсболі ШІ використовувався для прогнозування того, коли пітчер ось-ось втомиться і втратить ефективність, що є чимось аналогічним тому, як стрілець втрачає свій «нюх». Системи можуть вловити характерні ознаки за іннінг чи два до того, як пітчер виснажиться.
У нашому гіпотетичному випробуванні НБА ШІ міг би «спрогнозувати» спад Клея Томпсона в середині сезону за кілька ігор до того, як він сам визнав, що щось не так. Так само він міг би спрогнозувати, коли він, ймовірно, повернеться до норми, помітивши покращення в його основних метриках!
Знайдені Кореляції
На основі ранніх аналізів було виявлено кілька кореляцій та провісників спадів, які зазвичай фіксує ШІ:
Зміни в Механіці Кидка
Постійним висновком є те, що коли механіка кидка стрільця відхиляється від норми, продуктивність погіршується. Якщо час випуску м’яча гравця сповільнюється (можливо, через втому потрібна додаткова частка секунди), це може дати захисникам кращу можливість оспорити кидок і порушити точність. Моделі ШІ, які моніторять такі показники, як кут випуску, дуга та глибина кидка, позначатимуть ці зміни як провісники. Тренери інтуїтивно знали це; вони казали: «Його кидки пласкі» або «Він не використовує ноги», а ШІ підтверджує ці спостереження у великому масштабі. Невелике зменшення середньої дуги кидка або тенденція кидків, що влучають у передню дужку, є ознаками того, що спад може бути на порозі.
Індикатори Втоми та Робочого Навантаження
Коли метрики втоми зростають, успіх кидків може падати. Моделі ШІ кількісно оцінили це: гравці помічають помітне падіння ефективності, коли грають поспіль ночі, після тривалих перельотів або в періоди великої кількості хвилин. Виявлена кореляція полягає в тому, що зростання «індексу втоми» (що поєднує зіграні хвилини, кількість ігор за короткий проміжок часу, відстань переїзду тощо) зазвичай передує спаду.
Якщо графік нещодавнього робочого навантаження гравця виглядає як гора, графік відсотка влучності незабаром може виглядати як долина. ШІ може корелювати, що ефективний відсоток влучності гравця X в іграх, де він помірно відпочив, становить 55%, але після 3 ігор за 4 ночі він падає до 45%. Ці зв’язки виділяються в даних ліги; це підкреслює, чому стрілець може розпочати виїзну серію «гарячим», а закінчити її «крижаним». Накопичена втома наздоганяє його.
Захист та Складність Кидка
Ще одна кореляція? Коли частка сильно оспорюваних кидків гравця зростає, може настати спад (або він уже відбувається). Використовуючи дані відстеження, ШІ може кількісно оцінити, наскільки складними є кидки гравця. Якщо він виявить, що протягом останніх кількох ігор стрілець рідко буває відкритим — наприклад, захисники перебувають на відстані 0–2 футів на більшості його кидків у стрибку замість звичних 3–4 футів — це корелює зі зниженням відсотка влучності. Моделі бачать такі речі, як сплеск показника оспорюваних кидків або падіння можливостей для кидків з ловлі та кидка, і позначають їх як важливі. Якщо гравець зазвичай робить 50% своїх кидків без захисника в межах 4 футів, а потім протягом кількох ігор цей показник падає до 20%, ШІ корелює це з імовірним спадом; гравцеві доводиться докладати більше зусиль для кидків, і це позначається на ефективності.
Психологічні/Невидимі Фактори
ШІ не може виміряти впевненість чи менталітет, але іноді він може використовувати проксі-показники. Гравець, який пасує кидки, які він зазвичай робить, може бути зафіксований у статистиці як падіння кількості спроб кидків із гри або збільшення кількості фейків замість фактичних кидків. Це може корелювати з втратою впевненості, тому ШІ може позначати «вагання», якщо помітить падіння показника використання гравця або незвичайне небажання кидати відкриті кидки (якщо дані відстеження показують, що він отримує м’яч у позиції для набору очок, але не виконує кидки так часто).
Ці кореляції набагато складніше перевірити, але вони досліджуються. Існує також ідея «негативного імпульсу»: чим довше триває спад, тим важче його психологічно перервати. Деякі моделі включатимуть змінну для того, як довго гравець демонструє низьку продуктивність; вони корелюють тривалі «холодні серії» з подальшою низькою продуктивністю, доки втручання або випадкова «гаряча» гра не перерве чари.
Це ніби модель оцінює вагу спаду на психіку гравця за його тривалістю, і хоча це спекуляція, це нагадування про те, що цифри іноді можуть опосередковано відображати ментальний стан, і вони мають кореляції з триваючими спадами.
Обмеження Моделі
Ментальні та емоційні фактори завжди будуть суперечити логіці моделі; не існує датчика чи статистики для внутрішньої віри гравця в конкретний вечір. ШІ не може передбачити, що гравець вийде зі спаду, тому що тренер провів із ним мотиваційну бесіду або тому, що це гра, яку транслюють на всю країну, і він особливо мотивований.
ШІ ніколи по-справжньому не «зрозуміє» психологію; він може лише робити висновки з патернів після факту. Отже, модель може неправильно позначити майбутній спад або пропустити його, оскільки вона не має способу передбачити, що гравець вирішив особисту проблему чи вніс корективи на тренуванні, які підвищать його продуктивність.
Інше велике обмеження — це якість і обсяг даних. Не кожен фактор вимірюється, тому ми можемо не мати біометричних даних під час ігор або відстеження може не фіксувати травму, з якою грає гравець. Якщо важливий провісник відсутній у даних, ШІ перебуває в невіданні.
Моделі ШІ також припускають, що майбутнє поводитиметься за минулими патернами. Але кожен гравець може еволюціонувати або мати одноразову аберацію. Або гравець може пережити безпрецедентний спад, який жодна модель не могла передбачити, оскільки цього ніколи не траплялося раніше.
І ще є питання динамічних ігрових факторів. Модель може передбачити спад для гри, але що, якщо під час цієї гри гравець влучає свої перші два кидки? Впевненість зростає, і в підсумку він проводить чудовий вечір; гравці можуть вийти зі спаду в будь-який момент.
Моделі ШІ дають нам ймовірності, а не визначеності. Навіть якщо модель говорить, що ймовірність спаду становить 80%, існує 20% шансу, що цього не станеться, і на невеликій вибірці (як-от сезон одного гравця) ви будете здивовані результатами, які вона «прогнозувала».
Ставки: Використання Прогнозів Спадів для Отримання Переваги
Як можна було б використовувати прогнози спадів ШІ на різних ринках ставок? І як це змінить стратегії ставок?
- Ставки на Пропси Гравців – Коли дані починають сигналізувати про сповільнення випуску м’яча стрільця або зростання втоми, гра проста: грайте проти його результативних пропсів. Тоталі менше на очки або реалізовані триочкові мають цінність, коли метрики показують, що ноги здають. Якщо та сама модель пізніше помічає виправлення, наприклад, більше відпочинку, легші захисні матчапи, стабільніша глибина кидка, тоді це місце, де можна ставити на відскок до того, як букмекери зможуть скоригувати коефіцієнти. Це різниця між реакцією на підсумкові протоколи та їхнім передбаченням!
- Тотали Команди та Ставки на Спред – «Холодний» стрілець змінює простір у грі; захист швидше згортається, проходи закриваються, і атакам доводиться задовольнятися гіршими кидками. Коли цей гравець є першим варіантом команди? Ефект впливає на лінію тоталу. Беттори, які відстежують прогнозовані спади, можуть зменшити кілька очок від прогнозованої результативності команди або підтримати опонента проти завищених спредів. Ринки завжди відстають у таких нюансах; вони оцінюють середні показники, а не виснаження.
- Вплив на фентезі та DFS – Власники фентезі відомі тим, що панікують на дві гри запізно. Прогностичні моделі рухаються набагато швидше, тож якщо інструмент сигналізує про зниження якості кидка або складний період переїздів попереду, час змінити гравця. У DFS це чистий важіль: грайте проти гравця, який все ще оцінюється як «гарячий», і орієнтуйтеся на товариша по команді, який отримає його втрачене використання. Коли публіка нарешті це помітить? Ви вже будете на наступному списку.
- Етичні міркування та справедливість – ставки, керовані ШІ, працюють в обидва боки, тож якщо букмекери почнуть використовувати власні моделі спадів, вони також можуть змінювати коефіцієнти до того, як громадськість дізнається, що щось не так. Це викликає дуже реальні проблеми з прозорістю, особливо якщо дані відстеження гравців або біометричні дані впливають на ціноутворення. Якщо одна сторона має аналітику в реальному часі, а інша просто вгадує, це більше не гандикап; це інформаційна асиметрія.
Майбутнє ШІ в Баскетбольній Аналітиці
Як може розвиватися ця синергія між ШІ та баскетболом? Давайте поглянемо на те, що може бути можливим у майбутньому для ШІ в баскетбольній аналітиці!
Інтеграція з Ношеними Пристроями та Відстеженням Гравців
Команди НБА вже моніторять робоче навантаження та відновлення за допомогою ношених пристроїв під час тренувань. І незабаром ці дані можуть бути безпосередньо підключені до інформаційних панелей ШІ, які сповіщають тренерів, коли механіка або витривалість стрільця падає, і це може покласти край спаду до того, як він зможе розпочатися.
Аналіз відео ШІ вже вимірює кути випуску, супроводження кидка та роботу ніг. При щоденному застосуванні вони можуть дати стрільцям оцінку «механічного здоров’я» в реальному часі для отримання інформації про те, коли кидок відхиляється і як це виправити, перш ніж ситуація вийде з-під контролю.
ШІ + Ринки Ставок
Логічним завершенням тут є те, що букмекери будуть використовувати прогностичні дані в реальному часі, що означає, що коефіцієнти оновлюватимуться протягом тижня та ґрунтуватимуться на даних відстеження кидків або моделях втоми. Бетторам, які полюють на початкові коефіцієнти, доведеться ставитися до цих ліній як до цін на акції і діяти швидко, перш ніж алгоритми зафіксують перевагу.
Людський Фактор
Жодна машина чи ШІ не може моделювати впевненість. Гравець може кинути 0 з 8 і все одно влучити наступні п’ять, тому що він вирішив, що влучить. Так, ШІ може прогнозувати втому та форму, але він не може відчути повернення ритму стрільця. Людська сторона завжди буде тією змінною, якої математика не зможе торкнутися.
Розумніші Ставки: Як Прогностична Аналітика Може Перевернути Ставки на НБА
Підсумок? Так, ШІ може змінити коефіцієнти на вашу користь, висвітлюючи приховані патерни, але він не може (і не повинен) усунути людський елемент із баскетболу. Спад влучності є як психологічним, так і фізичним, і доки ШІ не зможе читати думки (будь ласка, не дай цьому статися), завжди буде ця непередбачувана сторона у всіх видах спорту, і це включає баскетбол.
Ось короткий підсумок того, що ми розглянули:
- ШІ розбиває баскетбол на найдрібніші сигнали, відстежуючи швидкість випуску, стрибок і втому, щоб виявити ранні ознаки «холодної серії».
- Спади мають патерни, і вони можуть включати переїзди, робоче навантаження та зміни форми, які виявляються до того, як спад буде в повному розпалі.
- Моделі не бездоганні; вони можуть вимірювати механіку та відпочинок, але не менталітет чи впевненість гравця.
- Беттори, які відстежують прогностичні дані, отримують перевагу в часі, оскільки пропси та тотали рухаються набагато повільніше, ніж метрики, якими ними керують.
- Цей простір все ще розвивається. Машинне навчання та ставки на баскетбол тільки починають перетинатися, тож гонка озброєнь даними ледве розпочалася.
Чи вважаєте ви, що букмекери почнуть використовувати біометричні дані, щоб встановлювати свої лінії, чи це занадто велике порушення конфіденційності гравців?