La era del béisbol de golpear y correr de la vieja escuela de “Whitey ball” se acabó hace mucho tiempo. En el juego actual, los entrenadores, los ojeadores, el personal de la oficina y los propios jugadores dependen en gran medida de los análisis cuantitativos, que han transformado el mundo del deporte durante la última década.
Pero, ¿y si la inteligencia artificial (IA) pudiera usarse para impulsar aún más esas ganancias? Se ha demostrado que un enfoque de teoría del juego computacional 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 promedio y por debajo del promedio de las Grandes Ligas.
“Esencialmente, usamos una combinación de un modelo de juego estocástico (determinado aleatoriamente) y técnicas de aprendizaje de redes neuronales profundas para calcular secuencias de lanzamiento óptimas en un turno al bate de béisbol”, dijo Yevgeniy Vorobeychik, profesor asociado de informática e ingeniería y co- 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 los resultados de los lanzamientos cada vez que un bateador hace un swing. Luego modelaron un 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 turno al bate que realmente ayudó a mejorar la eficacia de los lanzadores promedio y por debajo del promedio.
Los hallazgos clave del estudio incluyen:
-Juegos dinámicos: Vorobeychik y sus coautores desarrollaron un modelo teórico de juego dinámico que tiene en cuenta el repertorio y el control de un lanzador, y la paciencia del bateador, o la tendencia a hacer swing en lanzamientos fuera de la zona de strike, para generar una estrategia de secuencia de lanzamiento óptima. por cada turno al bate.
-Integración de datos: al integrar datos completos de jugadores y juegos, incluido el rendimiento histórico y el seguimiento de lanzamientos, los investigadores crearon un marco capaz de generar estrategias de lanzamiento personalizadas para lanzadores individuales contra bateadores específicos.
-Análisis de rendimiento: el estudio evaluó la eficacia de las estrategias de lanzamiento optimizadas comparándolas con la eficacia de lanzamiento observada en los datos. Los resultados demostraron una reducción significativa en el porcentaje de embase del bateador, particularmente para los lanzadores de menor rango.
“Sospecho que esencialmente todos los lanzadores que llegan a las Grandes Ligas tienen grandes cosas”, dijo Vorobeychik. “Lo que distingue a los que son geniales de los que son simplemente buenos es, en parte, cómo usan su arsenal en un entorno de juego, para bateadores particulares. Resolver esto formalmente como un juego puede permitir que los lanzadores con menos experiencia o capacidad descubran el mejor secuenciación de lanzamientos y para utilizar mejor sus cosas”.
Pero, ¿se puede usar el modelo para ayudar a los lanzadores de las Grandes Ligas en un entorno de juego?
“Creo que sí”, dijo Vorobeychik. “Ciertamente, hay más trabajo por hacer. Por ejemplo, asumimos que cada turno al bate es independiente, lo que claramente no es así. Eso es algo en lo que estamos trabajando ahora”.
Fuente: Tech Xplore.