Bloomberg — Imagina que es la hora de la verdad al final del último cuarto de la Super Bowl. Un equipo se enfrenta a un tercer down y gol, a cinco yardas de un touchdown que ganaría el partido. En la banda, el entrenador y su instinto le dicen que corra el balón, pero no está seguro de adónde enviar al corredor. Así que se dirige a un entrenador asistente y le pregunta: “Cuando hablaste con nuestro chatbot de IA esta mañana, ¿qué pensó que deberíamos hacer en este escenario?”.
Para los puristas del deporte, esta situación es impensable. Al fin y al cabo, se supone que el deporte celebra la excelencia humana. Pero les guste o no, la inteligencia artificial se está incorporando a los partidos dentro y fuera del campo. Algunos equipos ya la utilizan, y otros se unirán a ellos aunque sólo sea para mantener el ritmo.
A pesar de todas las preocupaciones sobre la sustitución de puestos de trabajo por la IA (malo), este es un ejemplo de cómo la IA puede ayudar a la gente a hacer esos trabajos de manera más eficiente mediante la eliminación de parte del trabajo tedioso (bueno). En lugar de sustituir al elemento humano, la IA generativa está diseñada para reconocer patrones y situaciones en deportes específicos que pueden aprovechar los datos e intensificar la competición.
Para hacerme una idea de cómo podría ser el futuro, recientemente me uní a más de 2.500 profesionales de la industria del deporte, entre ellos representantes de al menos 120 equipos, en la Conferencia de Analítica Deportiva Sloan del MIT. El foro, que se viene celebrando desde 2006, abarcó toda una serie de temas de orientación analítica, desde la forma en que el equipo olímpico estadounidense maximizó sus resultados en el medallero de patinaje artístico hasta si el Scouting Combine de la NFL sigue siendo una forma eficaz de juzgar el talento.
A lo largo de los años, el trabajo de los analistas se ha hecho más difícil debido al creciente volumen de datos deportivos. Y no sólo en términos de números, como las yardas ganadas en el fútbol americano o los tiros a puerta en el fútbol. Ahora también aumenta el número de vídeos que se generan -de retransmisiones de vídeo o cámaras integradas en los eventos- para analizar el rendimiento individual de los deportistas.
A medida que se acumulan los archivos, aumenta el reto de extraer conclusiones procesables. Por ejemplo, en un partido medio de la Liga Nacional de Hockey hay más de 3.000 mediciones distintas de los puntos fuertes y débiles de los jugadores, según Brian Hall, fundador y responsable de inteligencia artificial de AlphaPlay AI, una plataforma generativa utilizada por equipos profesionales de hockey y fútbol.
La mente humana no puede comprender tantos datos, y los equipos de la NHL, al menos, carecen de buenos sistemas para procesarlos, afirma Hall. Como resultado, no pueden ver la información potencialmente útil -como los desajustes defensivos- enterrada en las estadísticas.
Ahí es donde la IA resulta útil.
“De repente, puede darte ideas de su propio pensamiento sobre lo que cree que es útil [para] ganar”, dice Hall. “Lo que parece aleatorio puede resultar no serlo”.
La experiencia de usar una IA deportiva, como AlphaPlay, no es muy distinta de la de usar ChatGPT. Está diseñada para aprender de grandes conjuntos de datos, reconocer patrones en ellos y utilizar esa información para generar resultados comprensibles para los no informáticos. Por ejemplo, antes de un reciente partido de la NFL entre los Broncos de Denver y los Jaguares de Jacksonville (ninguno de los dos equipos es cliente de AlphaPlay), se preguntó al sistema: “Vamos a jugar contra los Broncos la semana que viene; ¿cuáles son algunos de los puntos débiles de su defensa, a menudo ignorados?”.
AlphaPlay respondió teniendo en cuenta millones de situaciones, alineaciones de jugadores, puntos fuertes y débiles. Luego habló el lenguaje del fútbol americano: “Bradley Chubb ha tenido problemas para fijar el borde esta temporada, dejando al descubierto un posible punto débil en una defensa de los Broncos que, por lo demás, es fuerte”.
Durante décadas, los entrenadores han llevado consigo portapapeles con consejos analíticos de este tipo. La diferencia de la analítica de IA es doble. En primer lugar, los consejos proceden de una fuente de información mucho más profunda. En segundo lugar, los resultados no se presentan en forma de tabla o gráfico, sino en un lenguaje sencillo, directo y práctico. Cuando una situación requiere una decisión en una fracción de segundo, esa franqueza puede generar confianza en la intuición del entrenador sobre la elección correcta.
Y, sobre todo, la decisión sigue siendo del entrenador (un ser humano). La dinámica cambiante de un partido en tiempo real sigue exigiendo que el entrenador decida cuándo desplegar los consejos generados por la IA (un humano no ejecutará la misma jugada una y otra vez sólo porque la IA identifique un desajuste).
Esta nota no refleja necesariamente la opinión del consejo editorial o de Bloomberg LP y sus propietarios.
Lea más en Bloomberg.com