L’IA pourrait transformer le baseball

L’ère du baseball à l’ancienne « balle blanche » est révolue depuis longtemps. Dans le jeu d’aujourd’hui, les entraîneurs, les dépisteurs, le personnel du front office et les joueurs eux-mêmes s’appuient fortement sur les analyses quantitatives, qui ont transformé le monde du sport au cours de la dernière décennie.

Mais que se passerait-il si l’intelligence artificielle (IA) pouvait être utilisée pour pousser ces gains encore plus loin ? Il a été démontré qu’une approche informatique de la théorie des jeux proposée par un membre du corps professoral de la McKelvey School of Engineering de l’Université de Washington à St. Louis augmente l’efficacité des lanceurs moyens et inférieurs à la moyenne des ligues majeures.

« Essentiellement, nous avons utilisé une combinaison d’un modèle de jeu stochastique (déterminé au hasard) et de techniques d’apprentissage de réseau neuronal profond pour calculer des séquences de lancer optimales dans un baseball au bâton », a déclaré Yevgeniy Vorobeychik, professeur agrégé d’informatique et d’ingénierie et co- auteur de l’article « Computing an Optimal Pitching Strategy in a Baseball At-Bat », qu’il a récemment présenté à la conférence de la Florida AI Research Society (FLAIRS).

Vorobeychik et ses co-auteurs ont utilisé des réseaux de neurones profonds pour apprendre à prédire les résultats des lancers chaque fois qu’un frappeur se balance. Ils ont ensuite modélisé un at-bat comme un jeu stochastique, qu’ils ont résolu en utilisant une méthode connue sous le nom d’itération de valeur, combinée à la programmation linéaire, une technique de modélisation mathématique.

En se concentrant sur les données des saisons 2015-2018 de la Ligue majeure de baseball, ils ont déterminé une approche pour chaque batteur qui a réellement contribué à améliorer l’efficacité des lanceurs moyens et inférieurs à la moyenne.

Les principales conclusions de l’étude comprennent :

• Jeux dynamiques : Vorobeychik et ses co-auteurs ont développé un modèle théorique de jeu dynamique qui prend en compte le répertoire et le contrôle d’un lanceur, ainsi que la patience d’un frappeur, ou sa tendance à se balancer sur des lancers en dehors de la zone de frappe, pour générer une stratégie de séquence de lancer optimale pour chaque au bâton.
• Intégration des données : en intégrant des données complètes sur les joueurs et les matchs, y compris les performances historiques et le suivi des lancers, les chercheurs ont créé un cadre capable de générer des stratégies de lancer personnalisées pour les lanceurs individuels contre des frappeurs spécifiques.
• Analyse des performances : l’étude a évalué l’efficacité des stratégies de tangage optimisées en les comparant à l’efficacité de tangage observée dans les données. Les résultats ont démontré une réduction significative du pourcentage de batteur sur base, en particulier pour les lanceurs de rang inférieur.

« Je soupçonne qu’essentiellement tous les lanceurs qui se rendent dans les ligues majeures ont de bonnes choses », a déclaré Vorobeychik. « Ce qui distingue ceux qui sont géniaux de ceux qui sont simplement bons, c’est en partie la façon dont ils utilisent leur arsenal dans un cadre de jeu, pour des frappeurs particuliers. Résoudre cela formellement comme un jeu peut permettre aux lanceurs avec moins d’expérience ou de capacité de comprendre le meilleur séquencement de pitch et de mieux utiliser leur matériel. »

Mais le modèle peut-il être utilisé pour aider les lanceurs des ligues majeures dans un cadre de jeu ?

« Je le crois », a déclaré Vorobeychik. « Certes, il reste encore du travail à faire. Par exemple, nous supposons que chaque batteur est indépendant, ce qui n’est clairement pas le cas. C’est en fait quelque chose sur lequel nous travaillons actuellement. »