Algoritmer som slår magkänslan - AI tar plats i spelvärlden

Grunden för AI-modellerna – historisk data

Bakom AI-modeller som syftar till att förutspå sportresultat finns ett maskineri som förmår jobba dygnet runt, utan att behöva sova eller ta en kaffepaus. Grunden för arbetet är den historiska statistiken: matchresultat, målsnitt, vinstmarginaler, hemmaplansfördelar. I de mer avancerade modellerna vägs det även in parametrar för enskilda spelare, såsom skador, byten, speltid, formkurvor. Mer abstrakta faktorer kan handla om lagdynamik, tränarbyten och tidigare möten.

Siffrorna matas in i modeller som är byggda på exempelvis tidsserieanalys och interaktionsgrafer, alltså strukturer som speglar de relationer som historiskt sett rått mellan spelare, lag och matcher. Själva maskininlärningen sker genom att algoritmen testas mot verkliga utfall och utifrån dessa justeras steg för steg. Modellen tränas, testas och trimmas, om och om igen. Och även när den väl tagits i drift fortsätter den att lära sig.

In play-modellerna arbetar medan matcherna pågår

När en match väl är igång kan förutsättningarna förstås förändras snabbt. Ett rött kort, en skadad nyckelspelare, ett oväntat mål – allt påverkar och kan förändra analysen. Det betyder att det krävs realtidsanalys för att kunna förutspå vart matchen troligen är på väg. Ny data läses kontinuerligt av, som till exempel bollinnehav, avslut, ändrade positioner och liveodds. Baserat på detta anpassar algoritmerna sina prognoser medan spelet pågår.

Det här handlar om en annan typ av beräkning än den som görs av de AI-modeller som arbetar före matchen. Det handlar inte om att tolka pulsen i matchen. In play-modeller använder ofta reinforcement learning, alltså AI som lär sig av sina egna beslut och justerar sig själv under press. Det gör att de snabbt kan identifiera när oddsen är i otakt med spelets verkliga utveckling.

Marknadspriser och värdebetting

De odds som sätts av spelbolagen fungerar som marknadspriser, satta för att balansera risk snarare än för att spegla exakta sannolikheter. Och där finns fönstret. AI-modeller som analyserar odds och jämför med egna beräkningar kan identifiera spel med positivt förväntat värde, det som kallas EV+. Det handlar egentligen inte om att hitta “vinnare”, utan om möjligheten att spela systematiskt när modellen säger att oddset är felaktigt prissatt.

Det här kräver att modellerna inte bara förstår spelet, utan även själva marknaden. Hur oddsen förändras när ny information tillkommer, att kollektiva satsningar kan driva priserna och hur bookmakers typiskt reagerar.

Men det finns en hake: AI är inte immun mot överfitting, alltså att modellen blir alltför bra på att förutsäga historien och sämre på framtiden. Därför krävs ständig testning, nya datapunkter och en tydlig gränsdragning mellan signal och brus. Det är ett rörligt mål – men träffarna kan vara väldigt värdefulla.