Машинное обучение может уравнять правила игры в борьбе с договорными матчами

Прочитано: 48 раз(а)


Машинное обучение может уравнять правила игры в борьбе с договорными матчами, помогая регулирующим органам выявить мошенничество.

Накануне чемпионата мира по регби уже ходили слухи о том, что команды шпионят друг за другом. Возможно, это неизбежное мастерство игры, но нет никаких сомнений в том, что мошенничество в спорте является проблемой, с которой власти пытаются бороться.

Наша новая модель машинного обучения может изменить правила игры, когда дело доходит до обнаружения сомнительного поведения и необычных результатов, особенно в практике договорных матчей.

В настоящее время акт изменения результатов матчей ради личной или командной выгоды в основном подхватывается аномалиями на рынках спортивных ставок. Когда букмекеры замечают необычные коэффициенты или изменения в линии ставок, они предупреждают регулирующие органы.

Однако этот подход ограничен и часто не позволяет выявить все договорные матчи, особенно в менее популярных видах спорта или лигах. Вот где машинное обучение может помочь.

По сути, машинное обучение, являющееся разновидностью искусственного интеллекта (ИИ), действует как цифровой зонд: анализирует спортивные данные, выявляет скрытые закономерности и отмечает необычные события. Машины могут анализировать результаты командной работы и неожиданные колебания, исследуя все аспекты спортивных событий.

Использование ИИ для обнаружения необычной активности

В рамках нашего исследования мы представили концепцию «идентификации аномальных матчей», которая предполагает выявление неправильных результатов в играх, независимо от того, каковы могут быть основные причины.

Здесь могли действовать различные факторы: от стратегических потерь ради будущего преимущества (например, практика «танкования» в Национальной баскетбольной лиге США (НБА)) до маркетинговой тактики, направленной на увеличение продаж билетов, или просто дня плохих результатов.

Наша модель исследования позволяет нам отмечать необычные результаты игр и передавать их регулирующим органам для более глубокого расследования. Используя машинное обучение, мы можем обнаружить аномальные совпадения, сравнивая наши прогнозы с фактическими результатами игры.

Когда мы обсуждаем аномалии в спорте, мы говорим о матчах, которые выделяются из нормы.

Хотя договорные матчи — преднамеренное манипулирование результатами ради выгоды — является одним из возможных объяснений необычных результатов игр, оно не единственное. Признание множества причин необычных результатов матчей также может помочь улучшить наше понимание сложностей спорта.

Столкнувшись с необычным или неожиданным результатом, зрители и официальные лица могут задаться вопросом: было ли это результатом непредвиденной стратегии или здесь повлияли другие факторы?

Учимся на баскетболе

Наша методология исследования включала обучение алгоритмов машинного обучения обнаружению закономерностей между конкретными прошлыми событиями и последующими результатами игр.

Как только эти взаимосвязи установлены, алгоритмы могут прогнозировать вероятные будущие результаты матчей. Расхождения между этими прогнозами и фактическими результатами могут указывать на потенциально ненормальные совпадения.

Чтобы протестировать нашу модель, мы посмотрели, были ли какие-нибудь необычные матчи в плей-офф НБА 2022 года. Мы построили модели, используя данные с 2004 по 2020 год, для прогнозирования результатов матчей, а затем сравнили то, что предсказала машина, с фактическими результатами игры.

Мы обнаружили несколько аномалий в плей-офф 2022 года, в частности в серии игр между « Финикс Санз» и «Даллас Маверикс» . В семи матчах друг против друга в мае 2022 года «Даллас» выиграл четыре игры, а «Финикс» — три.

Согласно данным, аномалии в плей-офф 2022 года включали вероятность 0,0000064 того, что «Санз» и «Маверикс» действительно сыграют друг против друга в полуфинальной серии Западной конференции НБА, в которую входят 15 команд.

Мы также выявили несколько игроков, чьи результаты в плей-офф были особенно ненормальными, основываясь на данных их предыдущих игр.

Это не значит, что речь шла о договорных матчах. Скорее, наши результаты указывают на игры и игроков, за которыми затем могли бы следить регулирующие органы, если бы договорные матчи вызывали беспокойство, чего не было, это был просто пример для проверки модели.

Этот подход к обнаружению аномалий в серии матчей можно применять во многих видах спорта.

Изучение значительного количества аномалий может дать ценную информацию о необычных событиях в матчах, помогая регулирующим органам и спортивным организациям проводить тщательные расследования и поддерживать честную конкуренцию.

Поощрение доверия к спорту

Хотя наше исследование концентрируется на конкретных видах спорта, принципы и методы могут быть распространены и на другие области.

Исследование показывает, что машинное обучение можно использовать для защиты честности спортивных соревнований, а также для оказания помощи регулирующим органам, спортивным организациям и правоохранительным органам в обеспечении справедливости и общественного доверия.

Но поскольку мы используем потенциал машинного обучения, мы также должны учитывать этические последствия и обеспечивать прозрачность его использования.

В будущем спорта искусственный интеллект вполне может стать союзником болельщиков, помогая обеспечить равные условия игры, где таланты преуспевают, а зрители наслаждаются подлинностью спортивных событий.

Машинное обучение может уравнять правила игры в борьбе с договорными матчами



Новости партнеров