Erklärung des Algorithmus
von Francisco Pascual Romero (Koordinator des U. Master in Computer Engineering)
Diese Woche gibt es Neuigkeiten, dass es leider 26 Todesfälle auf spanischen Straßen gegeben hat. Dies verbessert die Prognosen von Big Data bzw. der Algorithmen der künstlichen Intelligenz, die Big Data nutzen, die 36 waren.
Aus dieser Vorhersage ergeben sich mehrere Fragen, erstens wird eine absolute Zahl normalerweise nicht vorhergesagt oder prognostiziert, die Ergebnisse einer Vorhersage sind meist etwas komplexer, zum Beispiel ein Vertrauensgrad der Zahl angeboten wird oder in welchem Intervall sie liegt zuverlässiger diese Zahl. Eine einzelne Zahl ist eine gute Daten für das Publikum, aber nicht wirklich nützlich.
Andererseits ist bei vielen Gelegenheiten die Berechnung der Zahl wertvoller als die Zahl selbst. Vermutlich wurden Variablen wie die Zeitreihe, meteorologische Umstände usw. berücksichtigt, um diese "36" zu erhalten. Die Kenntnis der Faktoren, die die Vorhersage beeinflussen, ist eines der wertvollsten Elemente, die es gibt, um die Entscheidungsfindung zu unterstützen.
Schließlich gibt es noch die Verzerrung der Vorhersage selbst. Wenn Sie etwas über ein Phänomen vorhersagen, beeinflussen Sie es bereits. Das habe ich von der Lehrerin gelernt José Angel Olivas vor mehr als 20 Jahren und es ist immer noch gültig. Beispielsweise verwendet die DGT die Zahl, um unser Verhalten durch eine Werbekampagne zu konditionieren und versucht, uns dazu zu bringen, am Steuer vorsichtiger zu sein. Das heißt, die „großen Daten“ werden verwendet, damit die „großen Daten“ es nicht richtig machen, da es nicht darauf ankommt, es richtig zu machen, sondern die Zahl der Verkehrstoten zu reduzieren.
Ein weiteres Beispiel: Nadal bei den Australian Open.
Jeder sah das Bild von Nadals 4% Siegchance gegen Medveveed im Finale der letzten Australian Open. Nachfolgende Schlagzeilen ähnelten „Nadal Beats Big Data“ usw. Wenige Wochen später erzielt Marco Asensio ein Tor, das nach dem im Fernsehen gezeigten Modell eine Torchance von 10 % hatte. Anschließend identische Schlagzeilen, möglicherweise passiert uns, dass wir, wenn wir auf den Mond zeigen, auf den Finger schauen und nicht erkennen, was sich hinter diesen Zahlen verbirgt.
Wahrscheinlichkeit vs Möglichkeit. Eine Wahrscheinlichkeit von 4 % zeigt an, dass Nadals Sieg möglich war, und noch mehr mit dem Tennis-Punktesystem. Es ist kein unmögliches Ereignis, es ist selten, aber es ist nicht unmöglich. Halten wir einen Moment inne, jeden 21. Dezember denken wir, dass wir am nächsten Tag den Lotto-Jackpot gewinnen, und das mit einer Wahrscheinlichkeit von 0,001%, und wir halten es immer für möglich.
Wie berechnet das Modell diese Zahl? An erster Stelle wird eine A-priori-Wahrscheinlichkeit verwendet, bei der Nadal eine Wahrscheinlichkeit von 36 % hatte, das Match zu gewinnen. Normalerweise basieren diese A-priori-Modelle auf den Platzierungen (höher als die von Medveded), vergangenen Streaks, der Spieloberfläche, den letzten Spielen usw. Dann gibt es die Zukunft der Partei; Nimmt man ein einfaches Modell, das ähnliche historische Situationen analysiert, so wurde nur in 4 von 100 Matches zu 5 Sätzen ein Ergebnis wie dieses zurückverfolgt. Wenn wir uns auf Nadal konzentrieren, kam er in dieser Situation nur aus 2 von 20 Spielen. Die Zahl ist also gerechtfertigt, aber gibt sie uns genügend Informationen?
Wie kommst du auf diese Nummer? Eine Figur ist ein Augenblick, und wenn wir einen Augenblick wertschätzen, verlieren wir einen Teil der Geschichte. Erinnern wir uns an Heisenbergs Unbestimmtheitsprinzip: Wenn wir eine Variable sehr genau bewerten, verlieren wir die Perspektive auf den Rest. Andererseits ist das Erreichen dieser 4 % von 1 % nicht dasselbe wie ein Rückgang von 32 %. Und nicht nur das, es ist nicht nur notwendig, diese Zahl zu bewerten, sondern auch, wie sie sich später während des Spiels entwickelt hat und wie verschiedene Ereignisse wie das Halten eines Breakballs oder ein Break im dritten Satz diese Wahrscheinlichkeit stark verändern können Sieg. Diese Ereignisse, sie zu kennen und zu analysieren, sind der Schlüssel zu dieser Analyse.
Wie kann ich diese Wahrscheinlichkeit ändern? Dies ist der nützliche Teil der Zahl, wenn Sie einem Spieler in einem bestimmten Moment sagen, dass er eine Siegchance von 4% hat, geben Sie ihm nichts Neues, er weiß das, indem er auf die Anzeigetafel schaut. Das Wichtigste, was Sie beitragen können, ist, was in Ihrem Spiel passiert, was Sie zur Niederlage führt, und wie Sie diese Dynamik ändern können. Nützlich wäre also zu sagen: „Schau Rafa, er holt alle Punkte, die du wirfst, mit dem zweiten Aufschlag, und du hast keine Doppelfehler, bedenke das“ oder „der Aufschläge dass er dich andersherum wirft, verlierst du 90% und mit Ballwechseln von weniger als 3 Bällen“. Dies kann für den Spieler und den Trainer nützlich sein, das ist der wahre Nutzen der Anwendung dieser Algorithmen und Modelle.
Zusammenfassend sind die isolierten Zahlen diese Zahlen, aber sie brauchen einen Kontext und eine detaillierte Analyse, es besteht keine Notwendigkeit für eine „numerische“ Interpretation von ihnen. Algorithmen und Modelle können viel mehr Informationen und relevantes Wissen liefern, mit denen Sie Verhaltensweisen verstehen und bessere Ergebnisse erzielen können.
