![Lo que está cambiando ahora no es esa pasión por medir el béisbol. Está cambiando la profundidad con la que podemos hacerlo.](data:image/svg+xml,%3Csvg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 16 9"%3E%3C/svg%3E){kind=small}
Del box score a la inteligencia artificial: cómo los datos están cambiando el béisbol
Durante generaciones, el béisbol ha tenido una relación especial con los números. Promedio de bateo, carreras impulsadas, home runs, efectividad de los lanzadores o porcentaje de embasado forman parte del lenguaje cotidiano de un deporte en el que las estadísticas siempre han servido para comparar jugadores y entender lo ocurrido sobre el terreno.
Mucho antes de que se hablara de Big Data o inteligencia artificial, aficionados, entrenadores y periodistas ya utilizaban enormes cantidades de cifras para discutir quién era el mejor bateador, qué lanzador estaba atravesando un buen momento o por qué un equipo conseguía ganar más partidos que otro.
Lo que está cambiando ahora no es esa pasión por medir el béisbol. Está cambiando la profundidad con la que podemos hacerlo.
De contar hits a medir cada lanzamiento
Las estadísticas tradicionales describen principalmente resultados. Un bateador consiguió un hit, un pitcher permitió una carrera o una pelota terminó fuera del estadio.
Los sistemas modernos pueden observar mucho más.
Hoy es posible analizar la velocidad con la que sale la pelota del bate, su ángulo de lanzamiento, la rotación de un pitcheo, su trayectoria, la posición defensiva de los jugadores o la velocidad de desplazamiento de un corredor.
Un solo partido puede convertirse así en miles de pequeñas observaciones.
Y precisamente ahí las computadoras tienen una ventaja evidente. Una persona puede estudiar detalladamente un encuentro. Un sistema automatizado puede procesar miles de partidos y buscar patrones dentro de millones de lanzamientos.
La revolución no consiste simplemente en tener más estadísticas. Consiste en poder relacionarlas.
La sabermetría abrió el camino
Mucho antes del actual auge de la inteligencia artificial, la sabermetría ya había cuestionado algunas de las formas tradicionales de evaluar el béisbol.
La idea era sencilla: determinadas estadísticas utilizadas durante décadas no necesariamente describían con precisión el verdadero valor de un jugador.
El análisis comenzó entonces a buscar métricas capaces de responder preguntas más específicas.
¿Con qué frecuencia consigue realmente un bateador llegar a base? ¿Cuánto depende un resultado de la defensa? ¿Qué características de un lanzamiento hacen que resulte especialmente difícil de golpear?
Con el tiempo, el desarrollo de sistemas de seguimiento permitió añadir una nueva capa de información.
Ya no observamos únicamente qué ocurrió. Podemos estudiar cómo ocurrió.
La inteligencia artificial da el siguiente paso
Aquí entra la inteligencia artificial.
Un modelo puede recibir información histórica sobre miles de enfrentamientos entre lanzadores y bateadores e intentar identificar relaciones entre variables.
Velocidad del lanzamiento, tipo de pitcheo, ubicación, conteo, características del bateador, mano dominante, situación del partido y muchas otras variables pueden formar parte del análisis.
El objetivo no tiene por qué ser afirmar:
“Este bateador conseguirá un hit”.
Una utilización mucho más realista sería estimar algo como:
“En estas condiciones, la probabilidad de determinado resultado aumenta o disminuye”.
Esta diferencia es fundamental.
Como explica un análisis de Apuestas-ES sobre inteligencia artificial y modelos aplicados al deporte, los algoritmos trabajan con probabilidades, no con certezas. Una estimación del 70% sigue dejando espacio para que ocurra algo diferente.
El béisbol es especialmente atractivo para los modelos
No todos los deportes producen información de la misma manera.
El béisbol tiene una característica especialmente interesante: durante una temporada se repiten miles de situaciones relativamente estructuradas.
Pitcher contra bateador.
Lanzamiento tras lanzamiento.
Partido tras partido.
Temporada tras temporada.
Esto proporciona una enorme cantidad de observaciones que pueden compararse.
Un modelo puede estudiar cómo responde determinado tipo de bateador ante una recta a cierta velocidad o cómo cambia la efectividad de un pitcher cuando disminuye la rotación de uno de sus lanzamientos.
Sin embargo, disponer de una enorme base de datos no significa que todo sea predecible.
Una pelota golpeada a gran velocidad puede terminar directamente en el guante de un defensor. Un contacto mucho peor puede convertirse en hit porque cae exactamente en el lugar adecuado.
El azar continúa formando parte del juego.
Saber qué ocurrió ya no es suficiente
Esta transformación también está cambiando la forma en que se consume el deporte.
Durante mucho tiempo, la estadística ayudaba principalmente a explicar el pasado. Hoy existe un interés creciente por utilizar los datos para interpretar el presente y estimar escenarios futuros.
La diferencia puede parecer pequeña, pero es enorme.
Una estadística descriptiva nos dice que un jugador bateó .300 durante determinado periodo.
Un modelo predictivo intenta responder a otra pregunta: dadas sus características actuales y las del próximo rival, ¿qué podemos esperar de él?
El mismo cambio aparece en otros deportes y en sectores relacionados con el análisis probabilístico. Sitios especializados como stavkovanie-sk.com dedican cada vez más espacio a explicar cómo funcionan las probabilidades, los datos y los modelos, en lugar de limitar el análisis a quién ganó o perdió el último partido.
Más datos no significan automáticamente mejores predicciones
Existe, sin embargo, un riesgo evidente.
Cuando tenemos acceso a cientos de variables resulta tentador pensar que utilizar todas producirá necesariamente un modelo mejor.
No siempre ocurre así.
Algunos datos contienen información útil. Otros pueden ser prácticamente ruido. Y determinadas relaciones que funcionaron perfectamente durante varias temporadas pueden desaparecer cuando cambia el deporte.
Los jugadores evolucionan, aparecen nuevas estrategias y los equipos comienzan a utilizar precisamente los mismos datos que antes proporcionaban una ventaja a unos pocos.
Un modelo también puede aprender demasiado bien el pasado y fracasar cuando intenta analizar situaciones nuevas.
Por eso la calidad de los datos y la forma de interpretarlos continúan siendo tan importantes como la capacidad de procesamiento.
¿Puede una máquina sustituir al entrenador?
Probablemente esta tampoco sea la pregunta correcta.
Un algoritmo puede encontrar patrones dentro de millones de registros con una velocidad imposible para una persona. Pero un entrenador puede disponer de información contextual que todavía no aparece correctamente en los datos.
Puede conocer el estado físico de un jugador, observar un pequeño cambio técnico o comprender una situación dentro del vestuario.
La combinación puede ser más potente que cualquiera de las dos partes por separado.
La máquina procesa. El especialista interpreta.
En el deporte profesional ya resulta cada vez más difícil imaginar ambas funciones completamente separadas.
Cuba y un deporte construido alrededor de los números
Para una cultura deportiva tan vinculada históricamente al béisbol como la cubana, esta transformación resulta especialmente interesante.
Los números siempre estuvieron presentes en las conversaciones sobre peloteros, temporadas y grandes actuaciones. La diferencia es que ahora podemos medir aspectos del juego que anteriormente dependían principalmente de la observación.
Eso no reduce el valor del conocimiento tradicional del béisbol. Puede ocurrir precisamente lo contrario.
Los datos permiten formular nuevas preguntas, mientras la experiencia ayuda a decidir cuáles merecen realmente una respuesta.
La inteligencia artificial no está inventando el análisis estadístico del béisbol. Es una nueva etapa de una relación entre números y pelota que existe desde hace más de un siglo.
Más información, la misma incertidumbre
Quizá ahí se encuentre la paradoja más atractiva de toda esta revolución.
Cuanto más medimos el béisbol, mejor podemos entender por qué ocurren determinadas cosas.
Podemos conocer la velocidad exacta de una pelota, calcular su trayectoria, estudiar miles de lanzamientos anteriores y construir modelos cada vez más sofisticados.
Pero seguimos sin saber con certeza qué ocurrirá cuando el pitcher realice el próximo lanzamiento.
Y probablemente sea mejor así.
La inteligencia artificial puede ayudarnos a comprender mejor el béisbol. Lo que difícilmente podrá eliminar es precisamente una de las razones por las que millones de personas continúan mirándolo: la posibilidad de que la siguiente pelota produzca algo que nadie esperaba.
