O previsor de home runs do Google Cloud no MLB All-Star Game de 2025

O que o sistema realmente faz no Truist Park

O Google Cloud construiu, junto com a unidade Statcast da MLB, uma ferramenta que estima onde um possível home run vai cair nas arquibancadas durante o All-Star Game. Quando um jogador vai para o rebote, o modelo prevê a seção mais provável de aterrissagem caso ele acerte um home run.

A previsão se baseia em dados históricos de todo o elenco do All-Star: estatísticas convencionais como média de rebatidas e percentuais de home run, além de dados sobre a direção das tacadas em estádios ao longo da história. O clima também entra na conta — a fonte cita direção do vento e temperatura como variáveis de entrada.

Numa demonstração antes do jogo, o modelo determinou que um home run de Shohei Ohtani provavelmente cairia perto das seções 152-154. Esse resultado específico mostra que o sistema entrega uma faixa concreta de assentos, não só uma pontuação de probabilidade.

Dois modelos, duas funções diferentes

A escolha de design interessante aqui é a divisão de tarefas. Um modelo preditivo faz a estimativa de trajetória e escolhe uma seção. Só depois disso o pipeline passa a bola para o Gemini 2.5 Pro, que gera algumas dezenas de mensagens candidatas para o telão, placares e telas do estádio.

É uma divisão de trabalho sensata. Não se pede ao modelo generativo para prever física; pede-se que ele escreva o texto depois que a seção já foi escolhida. O Google credita a orquestração ao Vertex AI, e destaca que a versão para outdoors devolvia as mensagens em poucos segundos.

O humano no processo não é um detalhe

A fonte é clara: durante o jogo, uma equipe de revisores humanos escolheria a mensagem favorita e faria ajustes na linguagem — tamanho, escolha de palavras ou layout — antes que ela aparecesse nas telas do estádio. O Google menciona essa prática diretamente.

Se isso acontecesse durante o jogo, uma equipe de revisores humanos escolheria a opção favorita, fazendo rapidamente os ajustes necessários na linguagem, seja por tamanho, escolha de palavras ou layout.Montana Labs

Essa etapa de revisão importa porque o texto gerado vai direto para as telas do estádio, na frente de uma multidão em tempo real. O modelo produz as opções; a decisão final é de uma pessoa. É um lembrete de que gerar algumas dezenas de candidatos é barato, e parte do valor do sistema está em oferecer aos revisores uma lista rápida para escolher.

A versão dos outdoors revela a engenharia mais difícil

Antes do jogo, o mesmo mecanismo alimentava outdoors móveis circulando por Atlanta com mensagens específicas por localização — por exemplo, uma frase sobre uma bola batida por Ronald Acuña Jr. que viajou a 121 mph, comparada com a velocidade média do trânsito na cidade.

O Google descreve a versão dos outdoors como mais complexa do que a do estádio: ela foi além dos home runs, incluindo lançamentos e outras estatísticas, e precisou incorporar dados de localização e trânsito junto com o clima. É nas variáveis extras, não na novidade da ideia, que se concentrou o trabalho de orquestração.

O que uma demo de estádio revela sobre pipelines agênticos

Sem o glamour do evento, isso é um pipeline de dois estágios: um modelo de domínio que estreita uma previsão, um modelo generativo que produz opções de texto limitadas, e uma barreira humana antes de qualquer coisa ir ao ar. O Google enquadra isso como IA agêntica, ao lado de exemplos como o Gemini fazendo reservas em restaurantes ou clientes de bancos construindo agentes de pesquisa.

A lição prática é que as partes mais exigentes foram o encanamento de dados e a latência — combinar estatísticas históricas com ordens de rebatida em tempo real, clima e trânsito, e devolver mensagens em segundos. A implicação específica para equipes que constroem sistemas parecidos: a escolha do modelo é a decisão fácil, enquanto definir uma tarefa de geração bem delimitada logo após um preditor confiável, e manter uma etapa de revisão humana no caminho, é o que torna o resultado utilizável em um ambiente real.