Накануне старта Кубка мира по регби уже появились слухи о том, что команды шпионят друг за другом. Возможно, это неизбежно, но, несомненно, мошенничество в спорте — это проблема, с которой власти борются.
Дулани Джаясурия, преподаватель бухгалтерского учета и финансов Оклендского университета, Джеки Лю, ассистент преподавателя Оклендского университета и Райан Элмор, доцент кафедры бизнес-информации и аналитики Денверского университета представляют новое исследование для помощи в этой борьбе.
Наша новая модель машинного обучения может изменить ситуацию, когда речь идет о выявлении сомнительного поведения и необычных результатов — в частности, практики подтасовки результатов матчей.
В настоящее время изменение результатов матчей в личных или командных интересах в основном выявляется по аномалиям на рынках спортивных ставок. Когда букмекеры замечают необычные коэффициенты или изменения в линии ставок, они предупреждают об этом регулирующие органы.
Однако этот подход ограничен и часто не позволяет выявить все случаи «договорных матчей», особенно в менее популярных видах спорта или лигах. Именно здесь может помочь машинное обучение.
По сути, машинное обучение — это подмножество искусственного интеллекта (ИИ), которое действует как цифровой зонд: изучает спортивные данные, выявляет скрытые закономерности и отмечает необычные события. Машины могут изучать результаты команд и неожиданные колебания, исследуя все аспекты спортивных событий.
Использование ИИ для выявления необычной активности
В рамках нашего исследования мы ввели понятие «идентификация аномальных матчей», которое предполагает выявление нестандартных исходов в играх, независимо от того, какие причины лежат в их основе.
При этом могут быть задействованы различные факторы, от стратегических потерь ради будущего преимущества — например, практика «танкинг» в Национальной баскетбольной ассоциации США (NBA) — до маркетинговой тактики, направленной на повышение продаж билетов, или просто неудачного дня.
Наша исследовательская модель позволяет нам отмечать необычные результаты игр и передавать их регуляторам для более глубокого изучения. Используя машинное обучение, мы можем выявлять аномальные матчи, сравнивая наши прогнозы с реальными результатами игры.
Когда мы говорим об аномалиях в спорте, мы имеем в виду матчи, которые отличаются от нормы.
Хотя договорные матчи — преднамеренное манипулирование результатами в корыстных целях — является одним из возможных объяснений необычных результатов игры, оно не является единственным. Признание множества причин необычных результатов матчей также может помочь нам лучше понять всю сложность спортивной жизни.
Зрители и официальные лица, столкнувшись с необычным или неожиданным результатом, могут задаться вопросом: был ли это результат непредвиденной стратегии, или же здесь действуют другие факторы?
Обучение на примере баскетбола
Методология нашего исследования предполагает обучение алгоритмов машинного обучения для выявления закономерностей между конкретными прошлыми событиями и последующими результатами игры.
После установления этих взаимосвязей алгоритмы могут прогнозировать вероятные результаты будущих матчей. Расхождения между этими прогнозами и фактическими результатами позволяют выявить потенциально аномальные матчи.
Для проверки нашей модели мы проанализировали, были ли какие-либо неординарные матчи в плей-офф НБА 2022 года. Мы построили модель, используя данные с 2004 по 2020 год, для прогнозирования исходов матчей, а затем сравнили предсказанные машиной результаты с фактическими.
Мы обнаружили несколько аномалий в плей-офф 2022 года, в частности, в серии матчей между командами Phoenix Suns и Dallas Mavericks. В семи матчах между ними в мае 2022 года «Даллас» выиграл четыре встречи, 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 выделили несколько игроков, чьи выступления в плей-офф были особенно аномальными, основываясь на данных их предыдущих игр.
Это не означает, что в игре присутствовал какой-то подстроенный матч. Напротив, полученные нами результаты указывают на игры и игроков, за которыми могут следить регулирующие органы, если бы речь шла о «договорных матчах», чего не было, это был просто пример для проверки модели.
Такой подход к выявлению аномалий в серии матчей может быть применен во многих видах спорта.
Изучение значительного числа аномалий может дать ценные сведения о необычных событиях в матчах, помочь регулирующим органам и спортивным организациям в проведении тщательных расследований и обеспечении честной конкуренции.
Повышение доверия к спорту
Хотя наше исследование посвящено конкретным видам спорта, принципы и методы могут быть использованы и в других сферах.
Исследование показывает, что машинное обучение может быть использовано для обеспечения честности спортивных соревнований, а также для помощи регулирующим органам, спортивным организациям и правоохранительным органам в поддержании справедливости и общественного доверия.
Однако, используя потенциал машинного обучения, мы должны также ориентироваться на этические последствия и обеспечивать прозрачность его использования.
В будущем спорта искусственный интеллект вполне может стать союзником болельщиков, который поможет обеспечить равные условия, где таланты раскрываются, а зрители наслаждаются подлинностью спортивных событий.