5 maneiras pelas quais a IA está mudando o beisebol – e o big data está em alta

A ascensão da inteligência artificial (IA) afetou todos os setores, mas a exploração de dados na Liga Principal de Beisebol (MLB) é a definição de mudança de jogo.

“Novas fontes de dados estão online o tempo todo”, disse Oliver Dykstra, engenheiro de dados da equipe Texas Rangers da MLB, que disse à ZDNET como é seu trabalho transformar as informações que a organização coleta em uma vantagem competitiva.

Além disso: sua transformação em IA depende dessas 5 táticas de negócios

Dykstra está no Rangers desde outubro de 2022 e fez parte da equipe de bastidores que apoiou os jogadores na vitória de 2023 na World Series.

“É uma ótima equipe para trabalhar”, disse ele. “É incrível ver o impacto imediato em situações da vida real. Nunca tive um emprego onde você pudesse comemorar suas vitórias como acontece em um time esportivo.”

Dykstra aprendeu algumas lições importantes durante seus dois anos no Rangers. Aqui estão cinco maneiras pelas quais a IA e os dados estão ajudando a mudar o beisebol.

1. Fornecendo melhores previsões

Dykstra disse que a principal coisa que aprendeu com o uso da IA ​​é a importância das correspondências preditivas baseadas em dados.

“Podemos executar esses cenários com muito mais rapidez e ter uma noção melhor do que está por aí”, disse ele. “Trata-se de ser capaz de brincar com esses confrontos e fazer simulações para ver como um jogo poderia ser se colocássemos esse cara ou outro ou fizéssemos uma sequência de arremesso específica.”

Dykstra disse que seu departamento tem centenas de modelos que cobrem áreas que produzem constantemente informações novas.

“Do mais alto nível, fazemos previsões para a temporada completa – quantas vitórias achamos que conseguiremos e as outras equipes da nossa divisão. Fomos muito precisos em 2023”.

As tendências de massa são outra área importante para previsões.

“Ao criar esse confronto, você pode ter uma imagem bastante clara de onde os batedores têm maior probabilidade de rebater e errar”, disse ele.

Esse tipo de percepção pode ser crucial para os arremessadores. No entanto, tal como acontece com qualquer conhecimento de qualquer projeto alimentado por IA, o impacto cultural da utilização de dados deve ser considerado.

Além disso: 4 maneiras de transformar experimentos generativos de IA em valor comercial real

“Você não se torna um arremessador fazendo tudo o que alguém lhe diz”, disse ele. “Eles têm uma forte noção de onde estão. Portanto, nosso trabalho é capacitá-los tanto quanto possível.”

2. Criando novas parcerias

O talento interno de dados não é o único recurso importante. As relações de trabalho das equipes da MLB bem-sucedidas vão além da empresa.

Dykstra disse que os Rangers coletam dados de fontes diferentes e usam uma combinação de Apache Airflow e Plataforma de orquestração e observabilidade do astrônomo para garantir que a equipe e os jogadores recebam insights oportunos.

“Queríamos algo que pudesse ser dinâmico e mais gerenciável e que nos desse muitos insights”, disse ele.

Além disso: a integração da IA ​​começa com bases de dados robustas. Aqui estão três estratégias que os executivos empregam

O departamento de Dykstra trabalha com o Astronomer para ajudar a gerenciar a implementação do Airflow e a enorme quantidade de dados sendo processados.

“Não é apenas com o nível profissional que estamos trabalhando. Pense na natureza dinâmica do jogo. A qualquer momento, você pode ter um jogo acontecendo por dia ou 1.000 em todo o país e no mundo”, disse ele. .

“O fluxo de dados não é tão consistente e se a informação numa dessas peças começar a demorar mais tempo, poderá prejudicar toda a cadeia. A gestão da infra-estrutura de suporte exigiria muita manutenção e significaria que não poderíamos olhar para o futuro tanto quanto gostaríamos.”

3. Removendo tarefas manuais

Dykstra descreveu o beisebol como uma indústria com muitos textos. Os Rangers contam com batedores ao redor do mundo. Transformar seus relatórios escritos em dados úteis pode ser um trabalho árduo – e é aí que a IA generativa (Gen AI) pode ajudar.

“Existem muitos termos e códigos secretos que os olheiros usam. É demais para uma pessoa ler toda essa informação e às vezes é difícil de entender”, disse ele. “Extrair o valor pode ser difícil. Mas com LLMs e IA generativa, podemos classificar esses resumos, fornecer um ótimo dicionário para traduzir frases-chave e resumir.”

Dykstra disse que muito do trabalho da equipe na Gen AI é exploratório, incluindo o projeto para ajudar a transformar informações de olheiros em insights úteis.

Além disso: Como sua empresa pode explorar melhor a IA: diga ao seu conselho estas quatro coisas

Ele disse que a organização usou o Llama LLM. Os outros parceiros tecnológicos da franquia, incluindo Databricks e Amazon, apoiam investigações sobre modelos adicionais.

Os Rangers também estão explorando como podem usar a geração aumentada de recuperação para assimilar o livro de regras do beisebol e produzir informações úteis para funcionários e espectadores.

“Essa informação muda muito. Um exemplo pode ser o sistema de saúde e o fornecimento de uma interface de bate-papo para que nosso pessoal explore as regras”, disse ele.

“Também existem regras para quem visita o estádio. Eles têm dúvidas como ‘Posso levar garrafa de água? Preciso de mochila transparente?'”

4. Monitoramento de outros fatores

Os dados dos jogadores não são a única fonte potencial de vantagem competitiva. Dykstra disse que a equipe também alimenta seus modelos com informações externas, incluindo dados meteorológicos.

“Esta é uma nova fonte interessante. A cada cinco minutos, obtemos dados de todos os campos diferentes”, disse ele. “A dinâmica do clima em um estádio não é exatamente o que você imagina. Você não pode simplesmente levantar o dedo. Não é algo que você possa necessariamente obter intuitivamente.”

Além disso: Como melhorar seu trabalho na economia emergente de IA

O estádio do Rangers, Globe Life Field, tem teto retrátil e as condições podem variar consideravelmente em relação aos estádios abertos em outros locais dos EUA.

“É crucial dar feedback aos jogadores e dizer: ‘O vento pegou você. Em casa, isso teria sido um home run, então continue fazendo o que está fazendo. Isso foi ótimo.’ Eles querem esse feedback imediatamente – eles querem isso logo após o jogo”, disse ele.

“No dia seguinte, eles querem acordar e se concentrar no próximo jogo. A capacidade do astrônomo de atender a essas janelas de dados e fornecer insights ao nosso pessoal o mais rápido possível após o jogo ajuda em tudo.”

5. Construindo novas culturas

Especialistas do setor dizem que as organizações devem democratizar o acesso aos dados para aproveitar ao máximo os insights criados pelas tecnologias emergentes.

Dykstra disse que foi exatamente isso que aconteceu no Rangers, especialmente a preparação do treinador para abraçar oportunidades baseadas em dados.

“Fiquei incrivelmente impressionado com Bruce Bochy. Ele une os dois mundos e usa seu instinto para desafiar quaisquer suposições que estejamos fazendo”, disse ele.

Além disso: o futuro da computação deve ser mais sustentável, mesmo que a demanda por IA alimente o uso de energia

Dykstra explicou como o Rangers tem um analista de dados integrado na equipe para ajudar a garantir que treinadores e jogadores aproveitem ao máximo os dados: “É sempre uma conversa”.

É claro que a utilização generalizada de dados pode trazer riscos. Ele disse que os Rangers devem cumprir as regras e regulamentos rígidos da MLB.

“A MLB restringe fortemente o tipo de feedback que podemos dar aos nossos jogadores e treinadores durante o jogo”, disse ele.

“O sucesso tem tudo a ver com entender como seus dados estão se movendo, de onde vêm, para onde estão indo e ser capaz de comunicar essa jornada de maneira eficaz. É um caminho claro.”