El Arte y la Ciencia de Predecir la Locura de Marzo: Bracketólogos y la Inteligencia Artificial

Los aficionados de baloncesto universitario podrían reconsiderar el depender de la inteligencia artificial (IA) para llenar su bracket perfecto de la Locura de Marzo.

A pesar de que el avance de la IA se ha convertido en uno de los temas más comentados recientemente, su uso en el mundo de la bracketología no es novedoso. Sin embargo, cada año los aficionados y expertos en ciencias de la computación se enfrentan a nuevas sorpresas al intentar aplicar sus modelos, desarrollados con resultados previos del Torneo de la NCAA.

Se ha descubierto que el aprendizaje automático no es suficiente para abordar los datos limitados y los impredecibles elementos humanos de la competencia.

"Todos estos aspectos son arte y ciencia. Y tienen tanto de psicología humana como de estadística," explicó Chris Ford, un analista de datos. "Es necesario entender a las personas, y eso es lo complicado."

Mientras los aficionados casuales dedican unos días a decidir qué equipo podría llevarles al éxito, como el memorable equipo de Loyola-Chicago en 2018, los más tecnológicos buscan perfeccionar funciones matemáticas y modelos para predecir el éxito en un torneo conocido por sus sorpresas.

La tarea de predecir a los ganadores de los 67 partidos en los torneos masculino y femenino se vuelve aun más compleja con la integración de la IA para refinar los códigos y decidir qué aspectos son más importantes.

La probabilidad de conseguir un bracket perfecto es mínima, incluso para los más avanzados. Un 'aficionado informado' tiene 1 en 2,000 millones de posibilidades según Ezra Miller, profesor de matemáticas y ciencias estadísticas.

"Sería como elegir a una persona al azar en el hemisferio occidental," dijo Miller.

La IA puede ser eficaz al determinar la probabilidad de que un equipo gane, pero aún así, la elección de quien ganará un partido igualado sigue siendo aleatoria.

Por décimo año consecutivo, la comunidad de ciencia de datos Kaggle organiza 'Machine Learning Madness'. A diferencia de las competiciones tradicionales de brackets, este concurso exige a los usuarios expresar su confianza con porcentajes para cada equipo.

Kaggle proporciona un vasto conjunto de datos de resultados pasados para desarrollar algoritmos, cediendo a los modelos la tarea de encontrar qué estadísticas predicen mejor el éxito en el torneo.

"Es una lucha justa. Hay personas que saben mucho de baloncesto y utilizan sus conocimientos," dijo Jeff Sonas, analista estadístico. "Pero también hay quienes no saben mucho de baloncesto y sin embargo son buenos analizando datos."

A medida que los modelos se ajustan con más información, se reconoce la importancia de elementos humanos que ninguna computadora puede considerar, como si los jugadores han dormido lo suficiente o tienen asuntos personales que afecten su desempeño.

Ningún método logra integrar todos los factores relevantes en la cancha. La necesidad de un equilibrio entre modelado e intuición representa el "arte de la analítica deportiva," dice Tim Chartier, un experto en bracketología.

Los resultados históricos del torneo de la NCAA ofrecen un tamaño de muestra pequeño y difícil de predecir - un desafío para los modelos de aprendizaje automático.

Chartier y otros expertos no tienen como objetivo la perfección en sus brackets. En las historias impredecibles como las de la locura de marzo, encuentran un recordatorio: "La belleza del deporte y de la vida misma radica en la aleatoriedad que no podemos prever."

IA, deporte, tecnología