La era del b\u00e9isbol de golpear y correr de la vieja escuela de “Whitey ball” se acab\u00f3 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 an\u00e1lisis cuantitativos, que han transformado el mundo del deporte durante la \u00faltima d\u00e9cada.<\/p>\n\n\n\n
Pero, \u00bfy si la inteligencia artificial (IA) pudiera usarse para impulsar a\u00fan m\u00e1s esas ganancias? Se ha demostrado que un enfoque de teor\u00eda del juego computacional propuesto por un miembro de la facultad de la Escuela de Ingenier\u00eda 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.<\/p>\n\n\n\n
“Esencialmente, usamos una combinaci\u00f3n de un modelo de juego estoc\u00e1stico (determinado aleatoriamente) y t\u00e9cnicas de aprendizaje de redes neuronales profundas para calcular secuencias de lanzamiento \u00f3ptimas en un turno al bate de b\u00e9isbol”, dijo Yevgeniy Vorobeychik, profesor asociado de inform\u00e1tica e ingenier\u00eda y co- autor del art\u00edculo “Computing an Optimal Pitching Strategy in a Baseball At-Bat”, que present\u00f3 recientemente en la conferencia Florida AI Research Society (FLAIRS).<\/p>\n\n\n\n
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 estoc\u00e1stico, que resolvieron usando un m\u00e9todo conocido como iteraci\u00f3n de valor, combinado con programaci\u00f3n lineal, una t\u00e9cnica de modelado matem\u00e1tico.<\/p>\n\n\n\n
Centr\u00e1ndose en los datos de las temporadas 2015-18 de las Grandes Ligas de B\u00e9isbol, determinaron un enfoque para cada turno al bate que realmente ayud\u00f3 a mejorar la eficacia de los lanzadores promedio y por debajo del promedio.<\/p>\n\n\n\n
Los hallazgos clave del estudio incluyen:<\/p>\n\n\n\n
-Juegos din\u00e1micos: Vorobeychik y sus coautores desarrollaron un modelo te\u00f3rico de juego din\u00e1mico 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 \u00f3ptima. por cada turno al bate.<\/p>\n\n\n\n
-Integraci\u00f3n de datos: al integrar datos completos de jugadores y juegos, incluido el rendimiento hist\u00f3rico y el seguimiento de lanzamientos, los investigadores crearon un marco capaz de generar estrategias de lanzamiento personalizadas para lanzadores individuales contra bateadores espec\u00edficos.<\/p>\n\n\n\n
-An\u00e1lisis de rendimiento: el estudio evalu\u00f3 la eficacia de las estrategias de lanzamiento optimizadas compar\u00e1ndolas con la eficacia de lanzamiento observada en los datos. Los resultados demostraron una reducci\u00f3n significativa en el porcentaje de embase del bateador, particularmente para los lanzadores de menor rango.<\/p>\n\n\n\n
“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, c\u00f3mo 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 secuenciaci\u00f3n de lanzamientos y para utilizar mejor sus cosas”.<\/p>\n\n\n\n
Pero, \u00bfse puede usar el modelo para ayudar a los lanzadores de las Grandes Ligas en un entorno de juego?<\/p>\n\n\n\n
“Creo que s\u00ed”, dijo Vorobeychik. “Ciertamente, hay m\u00e1s trabajo por hacer. Por ejemplo, asumimos que cada turno al bate es independiente, lo que claramente no es as\u00ed. Eso es algo en lo que estamos trabajando ahora”.<\/p>\n\n\n\n