(NOTA: questo articolo fa parte di una serie in corso che documenta un esperimento con l’uso dell’intelligenza artificiale per riempire le fasce NCAA e vedere come se la cava rispetto advert anni di esperienza umana. L’articolo originale è il seguente.)
Questa è l’ultima voce della mia serie sull’uso dell’intelligenza artificiale per giocare ai pool di March Insanity. Come la maggior parte delle storie, speravo che anche questa avesse un lieto advantageous. Ahimè, il mio esperimento con ChatGPT per aiutarmi a compilare i gironi dei miei tornei NCAA è meglio riassunto come vicino, ma senza sigaro.
Eppure, definirei comunque l’esperimento un successo.
Può sembrare strano detto da qualcuno che non ha vinto. Ma una delle più grandi lezioni da questo esercizio è questa L’intelligenza artificiale ha migliorato il mio processo più di quanto abbia migliorato la certezza. In altre parole, mi ha aiutato a pensare meglio, anche se non è riuscito a eliminare la follia.
La settimana scorsa ero entusiasta di aver ottenuto 13 delle squadre Candy 16 a destra. Le mie posizioni erano in cima alla classifica e stavo iniziando a pensare che avrei potuto farcela. Poi è arrivato il classico caos di marzo.
In un girone con 65 gironi, sono ancora vicino alla vetta – secondo in un girone e sesto in un altro – il che non è certo un disastro. Avevo Arizona e Michigan che avanzavano correttamente da un lato del girone, ma mi mancavano completamente dall’altro. Avevo previsto l’incontro tra Duke e Florida in semifinale, con Duke che alla advantageous avrebbe vinto tutto. C’period una certa giustizia karmica nel fatto che Duke finisse per ricevere un’Ave Maria in stile Laettner, ma ha anche messo advantageous alle mie possibilità di vittoria.
Tuttavia, entrando nell’Elite Eight, le mie parentesi erano nel 98esimo percentile su 26 milioni di voci su ESPN. Onestamente non posso dire che sarei stato lì senza l’aiuto dell’intelligenza artificiale. E, cosa più importante, sono tornato con una serie di lezioni che userò l’anno prossimo, perché sì, lo farò di nuovo.
Processo migliore, stessa follia
Il takeaway centrale è semplice.
L’intelligenza artificiale non ha prodotto un miracolo, ma ha prodotto un processo migliore.
Invece di compilare una parentesi basata su vaghe intuizioni, recenti momenti salienti o qualunque squadra sembrasse imbattibile un sabato pomeriggio, avevo un modo più strutturato di pensare al campo. L’intelligenza artificiale mi ha aiutato a organizzare la decisione, a confrontare i probabili risultati con scelte contrarie al rialzo e a far emergere alcune delle variabili che contano di più nei tornei.
Quel quadro ha funzionato. Ha identificato correttamente molte delle squadre più forti. Mi ha impedito di commettere alcuni dei soliti errori pigri. Mi ha spinto verso un gruppo più disciplinato e meno emotivo.
Ciò che non ha fatto è stato abrogare le leggi del basket a eliminazione diretta.
Questa è una distinzione importante, che si applica ben oltre lo sport. L’intelligenza artificiale può migliorare la capacità di giudizio. Non può rimuovere la volatilità.
Dai più peso allo slancio di advantageous stagione
Una delle lezioni più chiare di questo torneo è che non ho dato abbastanza credito alle squadre che si stavano scaldando al momento giusto.
Da dove vengono l’Illinois e l’Iowa?
Sì, entrambe erano buone squadre in quella che è stata chiaramente la conferenza più forte del paese quest’anno. Ma non li ho visti eliminare un seme n. 1 in Florida e un seme n. 2 a Houston. Stavano raggiungendo il picco tardi e non li ho appesantiti abbastanza.
L’anno prossimo presterò maggiore attenzione a chi giocherà effettivamente il miglior basket a marzo, piuttosto che appoggiarmi troppo ai parametri dell’intera stagione. Naturalmente un curriculum lungo una stagione conta ancora. Ma in un torneo come questo, la forma può contare quasi quanto la qualità di fondo.
In termini aziendali, è la differenza tra valutare un’azienda sulla base dei risultati di dodici mesi e riconoscere che qualcosa di significativo è cambiato nelle ultime sei settimane.
Date più peso agli allenatori, non solo ai giocatori
Sono anche uscito convinto di aver sottopesato il teaching.
Sì, i giocatori sono quelli in campo. Ma gli allenatori contano enormemente a marzo, soprattutto in un formato unico in cui preparazione, aggiustamenti, sostituzioni e compostezza possono influenzare un’intera stagione.
Dan Hurley ha ricordato a tutti, ancora una volta, perché è una story forza in questo ambiente. John Scheyer? Non così tanto.
L’anno prossimo dedicherò più tempo a esaminare quali allenatori hanno costantemente dimostrato di sapersi orientare nel caos dei tornei di basket. Il talento è ancora la base. Ma il teaching è spesso il moltiplicatore di forza.
Accettare i limiti della previsione
Questa potrebbe essere la lezione più grande di tutte.
Le previsioni, anche se aiutate dall’intelligenza artificiale, sono efficaci nell’identificare modelli generali. È molto meno affidabile quando si tratta di prevedere esattamente cosa farà una determinata persona, o una determinata squadra, in un giorno specifico.
Una squadra di basket universitaria è composta da soli cinque adolescenti in campo contemporaneamente. Adolescenti di grande talento, sì, ma pur sempre adolescenti. E chiunque abbia trascorso del tempo con i giovani sa che hanno alti e bassi, sbalzi d’umore, giornate belle, giornate brutte e momenti in cui all’improvviso tutto va di traverso. A volte queste oscillazioni si verificano nel bel mezzo di una partita di torneo.
Se questi incontri fossero serie al meglio di cinque o al meglio di sette, ci sarebbero meno sconvolgimenti. Ma in un ambiente unico, è molto più facile per Cenerentola avere l’ultimo ballo.
Questo non è un fallimento dell’intelligenza artificiale. È solo un promemoria del fatto che alcuni ambienti sono intrinsecamente rumorosi. Il torneo è progettato per trasformare i piccoli vantaggi in risultati drammatici. Ecco perché guardiamo.
Nel mondo reale, l’intelligenza artificiale è spesso più utile di quanto lo sia in un pool di parentesi
I pool di parentesi sono un check particolarmente spietato.
Qui, dovevo avere ragione sul fatto che il Connecticut avrebbe battuto Duke. Non c’è stato alcun merito parziale per aver identificato entrambe come squadre eccellenti. Period puramente binario: vincere o perdere, giusto o sbagliato.
Nel mondo reale, molte delle decisioni in cui utilizzo l’intelligenza artificiale non funzionano così.
Anni fa, uno dei miei professori disse che più una scelta è difficile, meno spesso conta. C’è molta saggezza in questo. Se ti chiedo di scegliere tra un’antica Yugo e una Porsche Macan, deciderai all’istante. E se in qualche modo scegli lo Yugo, te ne pentirai per il resto della tua vita. Ma se ti chiedo di scegliere tra una Porsche Macan e una BMW X3, all’improvviso ti trovi davanti a una vera decisione. Potresti confrontare affidabilità, consolation, specifiche e prestazioni. Ma è probabile che ti ritroverai comunque con un’auto eccellente.
Ecco perché l’intelligenza artificiale è utile in molti contesti del mondo reale. Col senno di poi, potrebbe non identificare sempre l’unica opzione migliore, ma spesso può restringere il campo a various opzioni molto forti. Ciò è ancora estremamente prezioso.
Lo stesso vale per gli investimenti, la pianificazione e la ricerca. L’intelligenza artificiale può aiutare a identificare percorsi promettenti, risultati probabili e opzioni sensate. Sceglierà sempre il vincitore assoluto? Ovviamente no. Ma può tenerti lontano da errori evidenti e aiutarti a fare una scelta più informata.
Suggerimenti, non decisioni
Questo, per me, è il modo più sano di pensare all’intelligenza artificiale.
Di recente abbiamo visitato Lima, in Perù, e ho utilizzato ampiamente ChatGPT per decidere cosa vedere e dove mangiare. I posti che abbiamo visitato erano le dieci migliori opzioni in assoluto in città? Non ne ho concept. Ma siamo rimasti soddisfatti del viaggio? Assolutamente. Ho qualche senso persistente di perdermi qualcosa? Nessuno.
Ecco come si presenta una buona assistenza AI.
Aiuta a ordinare quantità enormi di informazioni e presenta opzioni forti. La qualità di tali opzioni dipende fortemente dalla qualità dei suggerimenti. Quanto più chiaramente spieghi i tuoi interessi, vincoli, funds e preferenze, migliori diventeranno i suggerimenti.
Ma sono pur sempre suggestioni.
Non siamo affatto vicini al punto in cui chiunque dovrebbe affidare la responsabilità della propria vita a un modello di intelligenza artificiale. Né dovremmo volerlo.
Cosa farò di diverso l’anno prossimo
L’anno prossimo darò più peso allo slancio di advantageous stagione, più peso al teaching e più peso alla volatilità. Avrò meno fiducia nei favoriti vulnerabili e più attento alle squadre che sembrano pericolose anche se il loro seme cube il contrario.
Cosa altrettanto importante, affronterò l’esercizio con una migliore comprensione di ciò che l’intelligenza artificiale può e non può fare.
Può migliorare il processo. Può affinare l’analisi. Può aiutare a organizzare l’incertezza.
Ciò che non può fare è far sì che marzo smetta di essere marzo.
Ci vediamo l’anno prossimo
Quindi sì, March Insanity alla advantageous ha rivendicato il mio esperimento sull’intelligenza artificiale.
Ma ha anche dimostrato che valeva la pena fare l’esperimento.
L’intelligenza artificiale non ha fornito una staffa perfetta. Non ha eliminato l’incertezza. Non mi ha reso un campione. Ciò che ha fatto è stato aiutarmi a pensare in modo più sistematico, a valutare il campo in modo più intelligente e a ottenere risultati molto migliori di quanto probabilmente avrei fatto con il solo istinto.
Questo è un risultato significativo.
Quindi tornerò l’anno prossimo, con una struttura leggermente migliore, un po’ più di umiltà e lo stesso rispetto per il fatto che nessun modello, per quanto sofisticato, abbia l’ultima parola a marzo.
Se hai seguito questa serie lungo il percorso, grazie per aver letto. E se mi batti nel tuo girone senza alcun aiuto da parte dell’intelligenza artificiale, goditi il giro della vittoria finché puoi.
L’anno prossimo, io e la macchina verremo a vendicarci.
