Jak działa AI w analizie meczów: droga od danych do wniosku

AI nie przewiduje wyniku meczu. AI liczy, na ile prawdopodobny jest każdy z możliwych wyników, a potem mówi, na ile ufa własnym obliczeniom. Ta różnica jest ważniejsza, niż wygląda. Prognoza brzmi jak „tak będzie”. Prawdopodobieństwo brzmi nudniej i znaczy więcej: „w takiej sytuacji, przy takich danych, zwykle dzieje się to”. Między surowymi liczbami a gotową analizą są cztery kroki i żaden z nich nie wygląda jak magia. Poniżej po kolei.

Co AI naprawdę robi z meczem

Wyobraź sobie, że ktoś kładzie przed tobą dwieście liczb o dwóch drużynach i daje godzinę. Bramki, strzały, seria u siebie i na wyjeździe, kto jest kontuzjowany, kto wrócił, co działo się w pięciu ostatnich spotkaniach, jak obie ekipy grają na koniec sezonu. Zadanie: powiedzieć, który wynik jest bardziej prawdopodobny.

Poradzisz sobie. Ale przy dwusetnym meczu z rzędu będziesz zmęczony, a przy trzechsetnym zaczniesz naginać odpowiedź do tego, co postanowiłeś w pierwszych trzydziestu sekundach. Tak działają ludzie.

Maszyna się nie męczy i nie zakochuje się we własnym pierwszym pomyśle. I na tym jej przewaga się kończy. Nie widzi tego, czego nie ma w danych, nie rozumie kontekstu, którego nikt jej nie podał, i nie ma pojęcia, że trener pokłócił się dziś rano z kapitanem. Staje się przydatna nie dlatego, że jest „mądrzejsza”, tylko dlatego, że wykonuje tę samą nudną robotę na tym samym poziomie trzysta razy pod rząd.

Krok 1. Jakie dane trafiają do analizy meczu

Rzecz, którą warto zrozumieć na starcie: o jakości analizy decyduje niemal wyłącznie to, co do niej weszło. Piękny model na złych danych produkuje piękne bzdury.

Statystyki i forma

Podstawą są wyniki i sposób, w jaki powstały. Nie sam rezultat, ale ile drużyna wykreowała, ile pozwoliła wykreować u siebie i jak stabilna była przez ostatnie tygodnie. „Pięć zwycięstw z rzędu” i „pięć zwycięstw z rzędu wyszarpanych po jednym celnym strzale” to dwie zupełnie inne serie — o tym, jak liczyć i kiedy zerować taką serię, jest osobny tekst forma drużyny: jak ją liczyć. Do rozdzielenia jakości od przypadku służy metryka sytuacji bramkowych — opisuje ją tekst co to jest xG.

Historia bezpośrednich spotkań

Jak te drużyny radziły sobie ze sobą wcześniej. Wskaźnik zdradliwy: działa, dopóki składy i style gry pozostają te same, a zamienia się w szum, gdy przez dwa lata zmienił się trener, połowa wyjściowej jedenastki i klasa rozgrywkowa. W Ekstraklasie, gdzie aktywne okno transferowe potrafi przemeblować zespół w miesiąc, ta poprawka jest szczególnie potrzebna, a jej brak to najczęstszy błąd analizy robionej ręcznie.

Składy

Kto wychodzi w wyjściowym składzie, kto jest kontuzjowany, kogo oszczędza się przed europejskim tygodniem. Jeden zawodnik rzadko zmienia obraz meczu, ale zmiana bramkarza albo brak obu środkowych obrońców — owszem.

Świeże wiadomości, kilka minut przed analizą

Statystyka opisuje przeszłość, a mecz odbywa się dzisiaj. Dlatego zanim cokolwiek zostanie policzone, system osobno sprawdza to, co pojawiło się przed chwilą: potwierdzone składy, komunikaty klubów, pogodę, wyznaczonego sędziego. To jedyna warstwa, której nie da się wziąć z bazy danych — trzeba ją wyszukać w momencie analizy.

Warstwa konsensusu

Osobne piętro: jak profesjonalne źródła oceniają to spotkanie. Sharkline zbiera to z ponad dwudziestu niezależnych źródeł, sprowadza je do jednej skali i waży każde według jego wiarygodności. Nie po to, żeby skopiować cudzy werdykt, tylko żeby zobaczyć, gdzie konsensus źródeł nie zgadza się ze statystyką. Sama rozbieżność jest informacją: za nią zwykle stoi albo wiadomość, która nie zdążyła dotrzeć do liczb, albo pomyłka jednej ze stron.

Krok 2. Dlaczego surowych danych nie da się użyć wprost

Między „dane zebrane” a „liczby policzone” jest etap, którego z zewnątrz nie widać, a który decyduje o więcej niż cała reszta.

Dane przeczą sobie nawzajem. Jedno źródło ma zawodnika na liście kontuzjowanych, drugie w kadrze meczowej. Jedno pokazuje drużynę w świetnej formie wynikowej, drugie w fatalnej formie mierzonej jakością kreowanych sytuacji. Model musi to jakoś rozstrzygnąć, a sposób rozstrzygnięcia waży więcej niż sam model.

Dane się starzeją. Skład znany dobę przed pierwszym gwizdkiem i skład znany godzinę wcześniej to dwa różne składy. Analiza zrobiona rano nic nie wie o urazie z popołudniowego treningu.

Czasem danych po prostu jest mało. Trzecia liga, wczesna runda Pucharu Polski, egzotyczne rozgrywki — materiału bywa dziesięć razy mniej niż przy spotkaniu z czołówki. To nie jest powód, by liczyć gorzej. To powód, by uczciwie powiedzieć, że pewność jest tu niższa.

Krok 3. Jak z danych powstaje prawdopodobieństwo wyniku

Teraz właściwa arytmetyka. Na wyjściu nie ma jednej opcji, tylko rozkład: procent dla każdego wyniku, w sumie sto.

Przykładowa karta analizy. Liczby są ilustracyjne.

Weźmy tę kartę. Manchester City przeciwko Liverpoolowi: 44% na wygraną gospodarzy, 28% na remis, 28% na wygraną gości. To nie czyta się jako „City wygra”. To czyta się nudniej i znacznie pożyteczniej: w takim meczu, przy takich danych, gospodarz wygrywa mniej więcej w czterech przypadkach na dziesięć. A w sześciu — nie.

Wynikają z tego dwa wnioski i oba psują przyzwyczajenie.

Bardziej prawdopodobne nie znaczy „na pewno”. 44% to mniej niż połowa. Najbardziej prawdopodobny wynik tego konkretnego meczu i tak zdarza się rzadziej, niż nie zdarza. Kto mówi „model wskazał zwycięstwo City”, po prostu przestał czytać przed liczbą.

Płaskie procenty są uczciwsze od ładnych. Kiedy analiza wychodzi 44 / 28 / 28, mówi rzecz najważniejszą: mecz jest wyrównany, przewaga niewielka. Serwis, który na tym samym spotkaniu rysuje 80% i obiecuje „pewny wynik”, nie jest dokładniejszy. On sprzedaje pewność, bo pewność sprzedaje się lepiej niż rozkład.

Krok 4. Skąd bierze się procent pewności

Obok prawdopodobieństw karta niesie drugą liczbę — pierścień na 74%. Mylona jest z pierwszą bez przerwy, a to zupełnie inna skala.

Prawdopodobieństwo odpowiada na pytanie „na ile prawdopodobny jest ten wynik”. Pewność odpowiada na pytanie „na ile system ufa własnym obliczeniom”. Można być bardzo pewnym, że mecz jest nie do przewidzenia. I można wyprodukować efektowne prawdopodobieństwo na danych, które są nic nie warte.

Najłatwiej poczuć różnicę na prognozie pogody. „40% szans na deszcz jutro” i „szczerze mówiąc nie wiemy, jak wygląda jutro, stacja nie nadaje od trzech dni” to dwa różne komunikaty, i ten drugi jest ważniejszy.

Główne ryzyko

Dlatego każda analiza ma osobną linijkę z tym, co najprawdopodobniej ją wywróci. W przykładzie powyżej jest to rotacja składu przed europejskim tygodniem. Nie wymówka wymyślona po fakcie, tylko część analizy: serwis z góry nazywa okoliczność, w której się pomyli.

Ta jedna linijka to najprostszy sprawdzian serwisu. Jeśli nigdy nie nazywa własnego głównego ryzyka, albo go nie liczy, albo liczy i chowa.

Co się dzieje, gdy danych jest za mało

Najciekawszy scenariusz i ten, w którym różnica między narzędziem a sprzedawcą staje się widoczna.

Po lewej mecz z solidną bazą danych. Po prawej przypadek, w którym uczciwa odpowiedź jest tylko jedna. Liczby ilustracyjne.

Kiedy meczu dotyczy mało danych albo dane przeczą sobie nawzajem, analiza dostaje niską ocenę jakości researchu i zwykłą rekomendację: odpuść. Nie ma tam procentu pewności, bo nie ma też samej pewności.

Dla serwisu żyjącego z abonamentu na analitykę to normalny wynik pracy. Dla kanału zobowiązanego do dostarczania każdego dnia „dzisiejszej pewnej wskazówki” to katastrofa handlowa: nie może pozwolić sobie na dzień bez odpowiedzi. Więc odpowiedź będzie zawsze, niezależnie od tego, czy cokolwiek pod nią leży.

Ta sama sytuacja, dwa przeciwne zachowania. To rozwidlenie jest najlepszym kryterium wyboru narzędzia, a pięć konkretnych sprawdzianów zebraliśmy w tekście analiza AI czy kanał z prognozami.

Czego AI w tym schemacie nie wie

Lista jest krótka i warto ją trzymać pod ręką:

• Wszystko, co wydarzyło się po analizie. Analiza to zdjęcie zrobione w konkretnej chwili. Uraz na rozgrzewce ani skład ogłoszony później już się na nim nie znajdą.
• Decyzje, o których nikt nie poinformował. Miejsce w tabeli model ma i potrafi uwzględnić, że drużyna nie ma już o co grać. Czy trener oszczędzi podstawowy skład na puchar, kiedy nikt tego nie powiedział na głos, nie wie nikt.
• To, co nigdy nie stało się danymi. Konflikty w szatni, ciche ustalenia, wszystko, co nie trafia ani do statystyki, ani do wiadomości.
• Sytuacje rzadkie. Debiutant, mecz przełożony, rozgrywki bez porządnej statystyki. Tu system nie próbuje się wykręcać: jakość researchu spada, a analiza brzmi uczciwie — odpuść.

Nic z tego nie czyni analizy bezużyteczną. Tłumaczy tylko, dlaczego każda uczciwa analiza ma sufit i dlaczego obietnica wyniku zawsze jest kłamstwem, kto by jej nie składał. Gdzie dokładnie biegną te granice i które z nich są mitem, rozrysowaliśmy w tekście czego AI nie wie o meczu.

Czym to się różni od „AI wskazało ten wynik”

„AI wskazało” brzmi bardziej przekonująco i znaczy mniej. Za tym zdaniem nie widać ani danych, ani rozkładu, ani pewności, ani ryzyka. Nie da się tego sprawdzić. Jak wejdzie — „mówiliśmy”. Jak nie wejdzie — „sport jest nieprzewidywalny”.

Analizę, która ma wszystkie cztery kroki, można sprawdzić. Widać, z czego została zbudowana, gdzie serwis przyznaje się do własnego słabego punktu i na ile w ogóle ufa swojej odpowiedzi. To nie jest gwarancja — gwarancji w sporcie nie ma. To jest jasny obraz tego, za co się płaci.

Cały mechanizm opisaliśmy na stronie jak działa Sharkline.

Jak to wygląda w Sharkline

Lista meczów dnia. Spotkania i liczby są przykładowe.

Sharkline analizuje setki meczów dziennie w dziewięciu dyscyplinach i robi to, zanim otworzysz aplikację. Pełna analiza jednego spotkania zajmuje około minuty. Karta pokazuje prawdopodobieństwo każdego wyniku, wniosek, procent pewności, argumenty obu stron i główne ryzyko. Jeśli meczu nie ma na liście, można go sfotografować albo wysłać zrzut ekranu.

Czego nie robimy: nie obiecujemy wyników, nie publikujemy „pewnych wskazówek” i nie produkujemy analizy tam, gdzie nie ma danych. To nie skromność — to jedyny układ, w którym procent pewności cokolwiek znaczy. Więcej o produkcie na stronie o Sharkline.

A jeśli wolisz zrobić to ręcznie, zacznij od jak analizować mecz przed meczem.

Najczęstsze pytania

Czy AI potrafi przewidzieć wynik meczu? Nie. Ani AI, ani człowiek, ani nikt inny. AI liczy prawdopodobieństwo wyników na podstawie danych, a nawet dobrze policzone 70% oznacza, że trzy razy na dziesięć potoczy się inaczej. Kto obiecuje konkretny rezultat, sprzedaje pewność, nie analizę.

Czym różni się prawdopodobieństwo wyniku od procentu pewności? Prawdopodobieństwo mówi, na ile prawdopodobny jest sam wynik. Pewność mówi, na ile system ufa własnym obliczeniom. Wysokie prawdopodobieństwo da się wyliczyć ze słabych danych — pierwsza liczba będzie wtedy duża, druga mała, a ważniejsza jest ta druga.

Dlaczego analiza czasem radzi odpuścić mecz? Bo danych o nim jest za mało albo przeczą sobie nawzajem. W takiej sytuacji każda liczba byłaby wymyślona. Uczciwa odmowa jest bardziej użyteczna niż wiarygodnie wyglądająca odpowiedź zbudowana na niczym.

Na jakich danych opiera się analiza? Statystyki drużyn i zawodników, aktualna forma, miejsce w tabeli, historia bezpośrednich spotkań, składy i kontuzje pochodzą z API danych sportowych. Na to nakłada się warstwa konsensusu z ponad dwudziestu źródeł oraz osobne sprawdzenie świeżych wiadomości tuż przed analizą: potwierdzone składy, pogoda, sędzia. Każda analiza ma ocenę jakości tych danych, więc widać, na ile można jej ufać.

Ile trwa analiza jednego meczu? Około minuty. Mecze z listy dnia są analizowane z wyprzedzeniem, więc otwierają się gotowe.