La inteligencia artificial puede cambiar el béisbol

La era del béisbol de “bola blanca” estilo “golpear y correr” se ha ido. En el juego actual, los entrenadores, los ojeadores, el personal de la oficina y los propios jugadores dependen en gran medida del análisis cuantitativo, que ha cambiado el mundo de los deportes durante la última década.

Pero, ¿y si la inteligencia artificial (IA) pudiera usarse para mejorar aún más estos beneficios? Un enfoque de teoría de juegos computacionales propuesto por un miembro de la facultad de la Escuela de Ingeniería McKelvey de la Universidad de Washington en St. Louis aumenta la efectividad de los lanzadores mediocres y por debajo del promedio en las ligas mayores.

“Básicamente, usamos una combinación de un modelo de juego estocástico (determinado aleatoriamente) y técnicas de redes neuronales de aprendizaje profundo para calcular secuencias óptimas de lanzamiento de bates de béisbol”, dijo Yevgeniy Vorobeychik, profesor de informática e ingeniería y coautor del estudio. autor del artículo “Computing an Optimal Pitching Strategy in a Baseball At-Bat”, que presentó recientemente en la conferencia Florida AI Research Society (FLAIRS).

Vorobeychik y sus coautores utilizaron redes neuronales profundas para aprender a predecir las puntuaciones de lanzamiento cada vez que un bateador hace un swing. Luego modelaron el turno al bate como un juego estocástico, que resolvieron usando un método conocido como iteración de valor, combinado con programación lineal, una técnica de modelado matemático.

Centrándose en los datos de las temporadas 2015-18 de las Grandes Ligas de Béisbol, determinaron un enfoque para cada tiro que realmente ayudó a mejorar el rendimiento de los lanzadores promedio y por debajo del promedio.

Los hallazgos clave del estudio incluyen:

• Juegos dinámicos: Vorobeychik y sus coautores desarrollaron un modelo de teoría de juegos dinámicos que tiene en cuenta el repertorio y el control del lanzador y la paciencia o tendencia del bateador a lanzar lanzamientos fuera de la zona de strike para generar la estrategia de secuencia de lanzador óptima para cada turno al bate. .
• Integración de datos: al integrar datos extensos de jugadores y juegos, incluidos puntajes históricos y seguimiento de lanzamientos, los investigadores crearon una plataforma capaz de generar estrategias de lanzamiento personalizadas para lanzadores individuales contra bateadores específicos.
• Análisis de rendimiento: el estudio evaluó el rendimiento de las estrategias de lanzamiento optimizadas comparándolas con el rendimiento de lanzamiento observado en los datos. Los resultados mostraron una reducción significativa en el porcentaje de bateadores en base, especialmente para los lanzadores de menor rango.

“Sospecho que básicamente todos los lanzadores que ingresan a las Grandes Ligas tienen grandes cosas”, dijo Vorobeychik. “Lo que separa a los que son geniales de los que son simplemente buenos es en parte cómo usan su arsenal en la configuración del juego, para bateadores específicos. Resolver esto formalmente como un juego puede permitir que los lanzadores con menos experiencia o habilidad presenten la mejor secuencia de tonos y hagan un mejor uso de sus cosas”.

Pero, ¿se puede usar el modelo para ayudar a los lanzadores de las ligas mayores en la configuración del juego?

“Creo que sí”, dijo Vorobeychik. “Por supuesto que hay más que hacer. Por ejemplo, suponemos que cada murciélago es independiente, lo que claramente no es el caso. De hecho, es algo en lo que estamos trabajando ahora mismo”.