L’apprentissage automatique peut uniformiser les règles du jeu contre les matchs truqués, aidant ainsi les régulateurs à détecter les tricheries

À la veille du coup d’envoi de la Coupe du monde de rugby, des rumeurs couraient déjà selon lesquelles des équipes s’épieraient mutuellement. Un jeu inévitable, peut-être, mais il ne fait aucun doute que la tricherie dans le sport est un problème que les autorités ont du mal à combattre.

Notre nouveau modèle d’apprentissage automatique pourrait changer la donne lorsqu’il s’agit de détecter des comportements douteux et des résultats inhabituels, en particulier la pratique des matchs truqués.

Actuellement, le fait de modifier les résultats d’un match à des fins personnelles ou d’équipe est largement imputable aux anomalies sur les marchés des paris sportifs. Lorsque les bookmakers remarquent des cotes inhabituelles ou des changements dans la ligne de paris, ils alertent les régulateurs.

Mais cette approche est limitée et ne parvient souvent pas à identifier tous les matchs truqués, en particulier dans les sports ou les ligues les moins populaires. C’est ici que l’apprentissage automatique peut vous aider.

Essentiellement un sous-ensemble de l’intelligence artificielle (IA), l’apprentissage automatique agit comme une sonde numérique : il exploite des données sportives, révèle des modèles cachés et signale des événements inhabituels. Les machines peuvent se plonger dans les performances d’une équipe et les fluctuations inattendues, explorant ainsi toutes les facettes des événements sportifs.

Utiliser l’IA pour détecter les activités inhabituelles

Dans le cadre de nos recherches, nous avons introduit le concept « d’identification des matchs anormaux », qui impliquait l’identification des résultats irréguliers dans les jeux, quelles que soient les causes sous-jacentes.

Différents facteurs pourraient être en jeu, depuis des pertes stratégiques pour un avantage futur – comme la pratique du « tanking » dans la ligue nationale de basket-ball (NBA) des États-Unis – jusqu’aux tactiques de marketing visant à augmenter les ventes de billets, ou simplement à une journée de mauvaises performances.

Notre modèle de recherche nous permet de signaler les résultats de jeu inhabituels et de les transmettre aux régulateurs pour une enquête plus approfondie. En tirant parti du machine learning, nous pouvons repérer les matchs anormaux en comparant nos prédictions avec les résultats réels du jeu.

Quand on parle d’anomalies dans le sport, on parle de matchs qui sortent de la norme.

Bien que les matchs truqués – la manipulation délibérée des résultats à des fins lucratives – soient une explication possible des résultats inhabituels d’un jeu, ce n’est pas la seule. Reconnaître les nombreuses raisons qui expliquent les résultats inhabituels des matchs peut également aider à améliorer notre compréhension des complexités du sport.

Face à un résultat inhabituel ou inattendu, les spectateurs et les officiels peuvent se demander : est-ce le résultat d’une stratégie imprévue ou y a-t-il d’autres influences en jeu ?

Apprendre du basket

Notre méthodologie de recherche impliquait la formation d’algorithmes d’apprentissage automatique pour découvrir des modèles entre des événements passés spécifiques et les résultats de jeux ultérieurs.

Une fois ces relations établies, les algorithmes peuvent prévoir les résultats probables des futurs matchs. Les écarts entre ces prédictions et les résultats réels peuvent signaler des correspondances potentiellement anormales.

Pour tester notre modèle, nous avons regardé s’il y avait eu des matchs hors du commun lors des playoffs NBA 2022. Nous avons construit des modèles utilisant des données de 2004 à 2020 pour prévoir les résultats des matchs, puis comparé ce que la machine avait prédit avec les résultats réels du jeu.

On a constaté plusieurs anomalies lors des playoffs 2022, notamment dans une série de matchs entre les Phoenix Suns et les Dallas Mavericks. Lors de leurs sept matches les uns contre les autres en mai 2022, Dallas a remporté quatre matchs et Phoenix en a remporté trois.

Selon les données, les anomalies des séries éliminatoires de 2022 comprenaient une probabilité de 0,0000064 que les Suns et les Mavericks s’affrontent réellement dans la série de demi-finales de la Conférence Ouest de la NBA, qui comprend 15 équipes.

Nous avons également identifié plusieurs joueurs dont les performances lors des séries éliminatoires étaient particulièrement anormales selon les données de leurs matchs précédents.

Cela ne veut pas dire qu’il y a eu des matchs truqués. Nos résultats signalent plutôt les jeux et les joueurs qui pourraient ensuite être suivis par les régulateurs. si Les matchs truqués étaient un problème – ce qui n’était pas le cas, il s’agissait simplement d’un exemple pour tester le modèle.

Cette approche permettant de repérer les anomalies au sein d’une série de matchs peut être appliquée à de nombreux sports.

L’examen d’un nombre important d’anomalies peut offrir des informations précieuses sur des événements de match inhabituels, aidant ainsi les organismes de réglementation et les organisations sportives à mener des enquêtes approfondies et à maintenir une concurrence loyale.

Encourager la confiance dans le sport

Bien que notre étude se concentre sur des sports spécifiques, les principes et techniques peuvent s’étendre à d’autres domaines.

L’étude montre que l’apprentissage automatique peut être utilisé pour contribuer à préserver l’intégrité des compétitions sportives et pour aider les organismes de réglementation, les organisations sportives et les forces de l’ordre à maintenir l’équité et la confiance du public.

Mais à mesure que nous exploitons le potentiel de l’apprentissage automatique, nous devons également gérer les implications éthiques et garantir son utilisation transparente.

L’avenir du sport pourrait bien voir l’intelligence artificielle devenir l’alliée des supporters, contribuant ainsi à garantir des règles du jeu équitables où les talents excellent et où les spectateurs se délectent de l’authenticité des événements sportifs.