Predpovedanie športových výsledkov už dávno nie je len zábavou fanúšikov pri pive. Dnes ide o sofistikovaný priemysel, ktorý využívajú stávkové kancelárie na nastavovanie kurzov, ale aj samotné kluby na strategickú prípravu.
Nepredvídateľnosť a moment prekvapenia sú tým, čo robí futbal pre diváka výnimočným. Zdroj: iStock.com/Irina_Strelnikova
Tréneri a analytici potrebujú vedieť, ako sa súper zachová v kritických momentoch. Cieľom moderných technológií je odstrániť z rozhodovania subjektívne pocity a nahradiť ich objektívnymi faktmi. Kým človek sa môže nechať uniesť emóciami, algoritmy vidia len dáta.
Keď intuícia naráža na limity
Futbal je zo štatistického hľadiska nesmierne chaotický systém. Na rozdiel od basketbalu či hádzanej, kde padajú desiatky bodov, vo futbale často rozhoduje jediná nepredvídateľná situácia, napríklad nešťastne odrazená lopta. Aj preto sa futbal predikuje ťažšie než iné športy. Tradičné matematické prístupy, označované ako modely Poissonovho rozdelenia, dlhé roky predpokladali, že góly padajú v zápase nezávisle od seba.
Tieto staršie modely fungujú na zjednodušenom princípe, akoby bola pravdepodobnosť gólu v každej minúte zápasu rovnaká. Je to podobné, ako keď čakáte na autobus, ktorý chodí v pravidelných intervaloch. Futbal však takto nefunguje, pretože tlak a riziko sa v priebehu 90 minút menia. Takéto výpočty navyše vnímajú zápas ako statickú udalosť, teda ako jeden nemenný celok, o ktorom je rozhodnuté už pred prvým výkopom. Výsledok sa snažia určiť len na základe postavenia konkrétnych tímov v ligovej tabuľke či súpisky známej ešte pred zápasom. Ignorujú pri tom faktory ako počasie, aktuálne nasadenie či momentálnu náladu v tíme.
Tento prístup má zásadný nedostatok. Neberie do úvahy psychológiu a taktiku v reálnom čase. Tím, ktorý v 80. minúte prehráva o gól, začne hrať úplne inak – riskantnejšie a ofenzívnejšie – než tím, ktorý napríklad v úvode udržiava nerozhodný stav. Moderné prístupy umelej inteligencie preto opúšťajú staré vzorce. Učia sa „čítať” hru naživo, priamo počas jej priebehu.
Medzi fanúšikmi často víťazí lojalita nad logikou. Kým dáta naznačujú nepriaznivý výsledok, komunita fanúšikov zostáva jednotná v presvedčení, že odhodlanie na ihrisku dokáže prelomiť akúkoľvek predikciu. Zdroj: iStock.com/lemono
Statické a dynamické dáta: vrstvený pohľad na hru
Rozdiel medzi priemernou a špičkovou predikciou spočíva v schopnosti spojiť minulosť s prítomnosťou. Výskum ukazuje, že najpresnejšie systémy využívajú takzvanú vrstvenú architektúru modelov. Znamená to, že systém sa nespolieha na jeden zdroj, ale kombinuje rôzne informácie v postupných krokoch.
Na prvej úrovni model spracúva statické dáta známe pred zápasom. Kľúčovým nástrojom je tu často Elo rating. Ide o bodovací systém, pochádzajúci zo šachu, ktorý nehodnotí len výhru, ale aj silu súpera, ktorého daný tím porazil.
Na druhej úrovni prichádza revolúcia v podobe dynamických dát. Algoritmy sledujú okrem striel a držania lopty aj počet rohových kopov, žlté či červené karty alebo intenzitu útokov v nebezpečných zónach ihriska. Vedecké štúdie potvrdzujú, že presnosť predpovedí dramaticky stúpa, keď sa k historickej sile tímu pridajú informácie z trávnika. Kým predzápasový model môže byť slepý voči tomu, že favorit má zlý deň, dynamický model okamžite reaguje na zmenu tempa. Systém tak neustále prepočítava šance podľa toho, čo sa práve deje.
Nie je zápas ako zápas
Jednou z najväčších chýb jednoduchých algoritmov je, že všetky zápasy hádžu do jedného vreca. Najnovšie trendy v informatike však využívajú metódu označovanú ako zoskupovanie (clustering). Ide o techniku, kde počítač sám hľadá spoločné črty zápasov bez toho, aby mu človek musel vopred povedať, čo má hľadať.
Algoritmy (napríklad K-means) dokážu rozdeliť zápasy do špecifických kategórií podľa ich herného prejavu a tempa. Systém tak dokáže rozlíšiť rôzne scenáre. Môže ísť o pomalé domáce zápasy, kde domáci tím takticky kontroluje hru a padá málo gólov. Inou kategóriou sú vyrovnané prestrelky s vysokým tempom, kde sa útoky striedajú na oboch stranách. Ďalším príkladom sú zápasy s jasnou dominanciou hostí alebo fyzicky náročné duely s množstvom faulov.
Pre každú z týchto kategórií následne umelá inteligencia používa iný meter. V praxi to znamená, že ak algoritmus identifikuje zápas ako divokú prestrelku, nebude predpovedať nudnú remízu 0 : 0. A to ani vtedy, ak by tomu historické štatistiky daných tímov nasvedčovali.
Lopta v pohybe generuje tisíce dátových bodov, ktoré umožňujú systémom okamžite klasifikovať charakter stretnutia a prispôsobiť predpoveď konkrétnemu scenáru na ihrisku. Zdroj: iStock.com/thaiview
Keď sa spojí viac „mozgov” naraz
Moderná AI sa nespolieha na jeden superalgoritmus. Namiesto toho využíva techniku učenia v súbore (Ensemble Learning), konkrétne metódu nazývanú vrstvenie (Stacking). Funguje to podobne ako konzílium lekárov, kde každý špecialista posúdi pacienta zo svojho pohľadu.
V tomto prípade sú špecialistami rôzne matematické modely.
- Hlboká neurónová sieť: ide o systém priamo inšpirovaný štruktúrou a fungovaním ľudského mozgu. Táto pokročilá forma umelej inteligencie dokáže spracovať tisíce vstupných údajov naraz. Hľadá skryté súvislosti, napríklad ako ovplyvňuje aktuálna fyzická forma kľúčových hráčov konečný výsledok zápasu.
- Gradient Boosting (stromové štruktúry): tento model si predstavte ako sériu stoviek otázok typu Hrá tím doma? alebo Dal v posledných piatich minútach gól?. Na základe odpovedí áno alebo nie mimoriadne presne triedi údaje a predpovedá vývoj.
- Špecializovaný model pre remízy: hľadá špecifické štatistické vzorce v dátach, ktoré viedli historicky najčastejšie k nerozhodnému stavu. Keďže remízy sú vo futbale najťažšie predvídateľné, tento model sa trénuje osobitne na rozpoznávanie vyrovnaných síl. Všíma si jemné detaily, ktoré iným modelom unikajú, napríklad keď sa stretnú dva defenzívne ladené tímy s podobnou formou.
Nad týmito modelmi stojí takzvaný metamodel (nadradený model). Jeho úlohou je rozhodnúť, ktorému z „expertov” má v danej situácii veriť najviac. Ak metamodel vidí, že sa hrá defenzívny a pomalý zápas (zistené vďaka zoskupovaniu), dá väčšiu váhu modelu, ktorý je presnejší pri nízkom skóre. Naopak, pri ofenzívnom zápase uprednostní iný model. Výsledky ukazujú, že tento hybridný prístup prekonáva akýkoľvek samostatný model, pretože eliminuje slabiny jednotlivých metód – tam, kde sa mýli neurónová sieť, môže mať pravdu stromová štruktúra.
Výskum v domácom prostredí
Vývoj takýchto pokročilých systémov nie je len doménou svetových technologických centier či veľkých univerzít v zahraničí. Zaujímavý model vznikol aj na pôde Slovenskej technickej univerzity v Bratislave. Tu sa podarilo vyvinúť systém na predpoveď futbalových výsledkov, ktorý využíva voľne dostupné (open-source) datasety. Ide o bezplatné databázy, ktoré obsahujú podrobné historické záznamy o tisíckach odohraných zápasov, o góloch či zostavách.
Slovenský model dosiahol presnosť predikcie takmer 70 percent pre celkový výsledok zápasu (výhra/remíza/prehra). Pri predpovedi presného číselného skóre dosiahol úspešnosť takmer 29 percent. Tieto čísla výrazne prevyšujú bežné štatistické metódy. Ukazujú, že prepojenie umelých neurónových sietí s detailnou analýzou herných situácií naživo je správnym smerom pre modernú športovú analytiku. Budúcnosť futbalových predikcií sa nespolieha na náhodu, ale na schopnosť spracovať obrovské množstvo dát v reálnom čase.
Zdroje: IIT.SRC 2025, scientific reports, PLOS One, Peer J, PLOS One, Futbalový analytik
(KAM)
