Die KI Dieses Jahres Sagte Den Europapokalsieger Voraus, Und Alle Wurden Ins Gesicht Geschlagen

Der Europapokal, der einen Monat dauerte, ging endgültig zu Ende.

Am frühen Morgen des 12. Juli (Montag) Pekinger Zeit traf Italien im Finale dieses Europapokals auf England. Die beiden Mannschaften trennten sich nach 120 Minuten 1:1 unentschieden und Italien besiegte England im Elfmeterschießen mit 3:2 und gewann den Europapokal.

Italien hat den Europapokal zuletzt 1968 gewonnen, 2000 und 2012 wurde es Vizemeister. In diesem Jahr holte es nach 53 Jahren erneut die Meisterschaft. Dies machte die um ein Jahr verschobene Europameisterschaft in den letzten Tagen weltweit zu einem heiß diskutierten Thema.

Bereits einige Monate vor dem Wettbewerb gaben zahlreiche Forschungseinrichtungen ihre Prognosen für den Wettbewerb bekannt. Jede KI kombinierte die Daten, Spielergebnisse und Spielerleistungen der einzelnen Teams der letzten Jahre, um die Favoriten für den Gewinn des Europapokals und die Ergebnisse einzelner Spiele vorherzusagen.

Mittlerweile scheinen sich die meisten KI-Vorhersagen als falsch erwiesen zu haben.

Der Analyst: Frankreich hat die besten Chancen, die Meisterschaft zu gewinnen

Die Datenwebsite The Analyst hat mithilfe einer KI die Chancen der einzelnen Teams auf den Gewinn des Europapokals vorhergesagt.Die KI-Vorhersageergebnisse zeigen, dass Frankreich mit einer Gewinnrate von 20,5 % die höchste Gewinnwahrscheinlichkeit hat., doch am Ende schied das französische Team im Viertelfinale aus.

Vergleicht man die Vorhersageergebnisse der KI des Analysten mit den Endergebnissen, so scheint es tatsächlich einen großen Unterschied zu geben. Italien, das tatsächlich die Meisterschaft gewann, galt als sechster Favorit auf den Sieg, während England, der letzte Zweitplatzierte, sogar auf Platz neun der Prognoseliste rangierte.

Goldman Sachs: Wir glauben, der Champion ist Belgien!

Die Prognose von Goldman Sachs ist ausgereifter und stabiler. Nachdem die Gruppenphase beendet war und die besten vier feststanden, entschied sich Goldman Sachs, das Modell anzupassen und es auf der Grundlage der Endergebnisse zu überprüfen.

Goldman Sachs verwendete zunächst einen großen Datensatz von mehr als 6.000 internationalen Fußballspielen seit 1980, um die Anzahl der von jeder Mannschaft erzielten Tore (Freundschaftsspiele ausgenommen) zu modellieren, und quantifizierte diese Daten in vier Dimensionen, um die Gewinnchancen der Mannschaft zu bewerten:

1. Teamstärke: ELO-Wertung im Weltfußball

2. Aktuelle Dynamik: Anzahl der in den letzten Spielen erzielten und kassierten Tore

3. Heimvorteil: 0,4 Tore mehr im eigenen Stadion

4. Big Game-Effekt: Die Leistung in großen Spielen ist besser als in anderen Spielen

Basierend auf den oben genannten Daten und Dimensionen glauben die Forscher von Goldman Sachs, dassBelgien wird letztendlich die Meisterschaft gewinnen und die ersten vier sind: Spanien, Belgien, Italien und Portugal.

Angesichts der endgültigen realistischen Ergebnisse äußerten sich die Forscher auch humorvoll: „Obwohl wir die Zufälligkeit des Spiels sorgfältig berücksichtigt haben, haben wir auch vorhergesagt, dass die Ergebnisse höchst unsicher sein würden.“ Es zeigt sich, dass Fußball auch mit ausgefeilten statistischen Techniken ein unberechenbares Spiel bleibt.

Warum sind Fußballspiele so schwer vorherzusagen?

Bei der diesjährigen Europameisterschaft scheinen die meisten KI-Vorhersagen zu den Ergebnissen ein Schlag ins Gesicht gewesen zu sein.

Bei diesem Europapokal schieden die Niederlande und Frankreich unerwartet früh aus, und Außenseiterteams wie Tschechien und England qualifizierten sich unerwartet, was für zusätzliche Aufmerksamkeit und hitzige Diskussionen sorgte.

Neben The Analyst und Goldman Sachs haben sich in den letzten Jahren viele Institutionen mit der Vorhersage von Ergebnissen bei Sportereignissen beschäftigt und dabei in der Regel traditionelle Statistiken mit Methoden des maschinellen Lernens kombiniert.

Normalerweise ist diese Art der Ereignisvorhersage-KI,Dabei werden zig Milliarden Datenpunkte aus Zehntausenden von Spielen gesammelt, die in den letzten Jahren von mehr als tausend Teams auf der ganzen Welt gespielt wurden, und alle Faktoren strukturiert, die das Spiel beeinflussen können (wie etwa Spielerverletzungen, Transfers, Wetterbedingungen usw.).

RekombinationHandicap und Quoten des Buchmachers, verwenden Sie Algorithmen der künstlichen Intelligenz wie maschinelles Lernen und Deep Learning, um Modelle zu erstellen und durch Analyse und Abgleich Ergebnisse zur Übereinstimmungsvorhersage zu erhalten.

Derzeit ist künstliche Intelligenz auf quantifizierbare Daten zur Beobachtung angewiesen. Wenn die Daten jedoch nicht stimmen, sind die Ergebnisse zwangsläufig ungenau.Darüber hinaus kann das Modell keine Faktoren berücksichtigen, die schwer zu quantifizieren sind, wie etwa den unmittelbaren Status des Teams, die Emotionen der Spieler, die Emotionen der Fans vor Ort usw. 

Debs Balme, Direktor des Datenanalyseunternehmens Merkle, sagte:Vorhersagen bei Fußballspielen sind von Natur aus komplexer als bei anderen Spielen.Aufgrund der Natur von Fußballspielen ist die Anzahl der Spiele weitaus geringer als bei anderen Sportarten wie Basketball und Baseball und es stehen auch weniger Daten zur Verfügung. Beispielsweise müssen Baseballspieler 162 Spiele pro Saison absolvieren, während in der Footballliga nur 38 Spiele pro Saison stattfinden. Zählt man noch andere Wettbewerbe wie Pokalspiele hinzu, können selbst die Topteams pro Saison nur mehr als 50 Spiele absolvieren. Daher ist es viel schwieriger, Fußballspiele vorherzusagen als bei anderen Sportereignissen.

Die Spannung, bis zur letzten Minute noch nicht über den Sieger entscheiden zu können und die Ungewissheit im Spiel sind einer der Gründe, warum Fußball die beliebteste und unterhaltsamste Sportart der Welt ist und zugleich den größten Reiz eines Sportereignisses ausmacht.