Análise de IA ou canal de prognósticos: 5 diferenças

Uma boa análise de um jogo feita por IA não é uma resposta, são cinco coisas na ficha, e lê-la bem significa lê-las todas as cinco: a probabilidade de cada resultado, uma confiança à parte, uma avaliação dos dados em que assenta, os argumentos a favor e contra, e o único risco que pode partir a conclusão. Se ficas só com o veredicto, deitas fora quatro quintos da informação. A seguir, como ler cada elemento num minuto, para que a ficha trabalhe para ti em vez de apenas te dar uma linha.

A ficha, não o título

Uma análise terminada arruma toda a cadeia numa só ficha de uma vez. A probabilidade de cada resultado em percentagem, que somadas dão cem. Uma escala à parte de confiança, que responde a outra pergunta: quanto é que o sistema confia no próprio cálculo. Uma avaliação da qualidade dos dados reunidos. Argumentos a favor e contra — e o “contra” não está ali por educação. E a linha do risco principal, onde é nomeada com antecedência a circunstância em que a conclusão vai falhar.

Exemplo de ficha de análise. Números ilustrativos.

Nada disto entrega um título de impacto. O que entrega é algo verificável: dá para ver do que a conclusão é feita e onde está o ponto fraco. Como esta cadeia funciona, dos dados em bruto até à conclusão final, está explicado em como a IA analisa um jogo.

Cinco coisas para ler na ficha

Dá para passar pelas cinco em qualquer análise em menos de um minuto, assim que sabes onde olhar.

1. As probabilidades — e se estão equilibradas

Uma conclusão sem probabilidade é uma opinião. A probabilidade diz como a conclusão se reparte pelos resultados, e as repartições equilibradas são mais honestas do que as espetaculares. Um jogo em que sai 44 contra 28 e 28 está mesmo equilibrado, e a ficha faz bem em dizê-lo. Um 85% seguro de si sobre o mesmo jogo não seria mais preciso, só mais confortável de ler. Quando os números estão perto, a informação útil é precisamente essa proximidade.

2. O nível de confiança, lido à parte da probabilidade

A probabilidade e a confiança respondem a duas perguntas diferentes. A primeira: para que resultado pendem os dados. A segunda: quanto é que o sistema confia no próprio cálculo. Um favorito a 60% com confiança alta e um favorito a 60% com confiança baixa não são a mesma ficha. Lê a confiança como o botão de volume de tudo o resto: alta quer dizer dados muitos e concordantes, baixa quer dizer poucos ou a puxar em direções diferentes.

3. A avaliação de qualidade dos dados — verifica-a primeiro num jogo pequeno

A avaliação de qualidade da pesquisa diz sobre quanto material assenta a conclusão. Vê-se mais facilmente num jogo de uma divisão regional ou numa ronda inicial de uma taça menor: aí a avaliação desce e a ficha diz para deixar passar, porque havia pouco com que trabalhar. Num jogo do primeiro escalão a avaliação sobe. Ler essa avaliação evita que dês a uma conclusão pobre em dados o mesmo peso de uma rica.

4. O argumento de dois lados — lê o “contra” tão atento como o “a favor”

A parte mais saltada da ficha, e a mais útil. O lado “a favor” diz porque é que a conclusão pende como pende; o lado “contra” diz o que a conclusão está, em silêncio, a dar por certo que não acontece. Se a coluna “contra” é fina ou decorativa, a conclusão é mais frágil do que o veredicto admite. Ler os dois lados é como transformas uma só linha numa compreensão real do jogo.

5. A linha do risco principal — a saída de emergência da própria conclusão

Nomear com antecedência a circunstância em que a conclusão vai sair errada é a linha mais honesta da ficha. É a conclusão a apontar o próprio ponto fraco antes do apito inicial. Lê-a como uma condição a vigiar: se essa circunstância surgir — uma mudança de onze tardia, o tempo, um favorito poupado —, já sabes que a conclusão foi construída para vacilar precisamente ali.

Porque é que um “90% de precisão” sozinho não diz nada

Assim que sabes ler uma ficha, sabes ler também uma afirmação sobre uma ficha. Uma percentagem de precisão sozinha não significa nada sem três esclarecimentos, e os esclarecimentos são simples.

Sobre que amostra. Vinte jogos ou duas mil. Em vinte, dá para tirar um 90% por pura coincidência.

Em que período. Um intervalo fixo com datas, ou “desde sempre”, do qual em silêncio se tiraram os meses maus.

Que resultados foram contados. Uma conclusão que se confirma sobre um jogo com favorito claro e sobre um jogo equilibrado valem coisas diferentes, mas na percentagem total acabam iguais.

Há ainda um quarto problema, o mais chato. Uma percentagem não dá para verificar de fora se ao lado não há um registo de conclusões datadas antes de os jogos começarem. Por isso a reação certa perante uma percentagem sozinha não é discutir, é perguntar: sobre que amostra, em que período, onde estão os dados originais. Estas mesmas três perguntas, aplicadas a qualquer serviço externo de previsões com IA, estão explicadas em as previsões de IA no futebol funcionam mesmo?.

Como a Sharkline monta a ficha e o que não promete sobre si própria

A Sharkline analisa jogos em nove desportos com antecedência, antes de abrires a aplicação. Para cada um mostra a probabilidade dos resultados, a conclusão, a percentagem de confiança, as estrelas de qualidade da pesquisa, os argumentos dos dois lados e o risco principal. Quando há pouco dado, coloca uma avaliação baixa e diz para deixar passar.

O que não faz: não promete resultado nem publica “o prognóstico certo”. Uma estatística resumida sobre as conclusões que se confirmaram ainda não a publica, e enquanto ela não existir, qualquer afirmação sobre a própria precisão tem de ser pesada com o mesmo ceticismo dado à percentagem sozinha acima. É uma posição incómoda, mas honesta.

Um lado menos positivo que vale a pena saber antes: não dá para escrever um jogo à mão. Há a lista do dia e a análise por foto — uma captura ou uma foto do calendário — mas um campo “escreve as equipas” não existe na app. Se preferes escrever um jogo a fotografá-lo, aqui não dá.

Como toda a nossa cadeia é construída está descrito em como funciona a Sharkline, e porque é que o fazemos assim em quem somos. Onde fica o teto de qualquer sistema parecido está no artigo o que a IA não sabe sobre um jogo.

Perguntas frequentes

Como se lê uma análise de um jogo feita por IA? Lê os cinco elementos, não só o veredicto: a repartição das probabilidades pelos resultados, o nível de confiança como sinal à parte, a avaliação de qualidade dos dados, os argumentos a favor e contra, e a linha do risco principal. O veredicto sozinho é a parte menos informativa da ficha.

Qual é a diferença entre a probabilidade e o nível de confiança? A probabilidade é para que resultado pendem os dados. A confiança é quanto é que o sistema confia no próprio cálculo. Uma conclusão a 60% com confiança alta e uma a 60% com confiança baixa têm de ser tratadas de forma muito diferente.

Porque é que percentagens próximas e equilibradas são melhores do que um único número seguro? Porque um jogo mesmo equilibrado sai equilibrado. Uma repartição como 44 / 28 / 28 leva informação real — que o jogo é difícil de decidir — enquanto um 85% sozinho lê-se mais fácil mas não é mais preciso.

Porque é que um “90% de precisão” sozinho não me diz nada? Porque sem o tamanho da amostra, o período exato e a lista de resultados considerados, esse número não dá para verificar. Num intervalo curto, um número assim sai por acaso, e os períodos maus desaparecem facilmente de um registo que ninguém audita.

A Sharkline dá respostas prontas? Não. Mostra as probabilidades dos resultados, o nível de confiança, a qualidade dos dados e o risco principal, enquanto a escolha continua a ser tua. Nenhum formato garante o resultado, e vale a pena aceitar isso de antemão. A subscrição dá acesso à aplicação e às análises, o resultado ninguém o garante.