Google Clouds Homerun-Vorhersage beim MLB All-Star Game 2025

Was das System bei Truist Park tatsächlich leistet

Google Cloud hat gemeinsam mit der Statcast-Einheit der MLB ein Tool entwickelt, das während des All-Star Games schätzt, wo ein möglicher Homerun in den Zuschauerreihen landen könnte. Sobald ein Spieler zum Schlag antritt, sagt das Modell den wahrscheinlichsten Landebereich für einen Homerun dieses Batters voraus.

Die Vorhersage stützt sich auf historische Daten des gesamten All-Star-Kaders: klassische Statistiken wie Schlagdurchschnitt und Homerun-Quoten sowie Daten zur Schlagrichtung aus Stadien vergangener Jahre. Auch das Wetter spielt eine Rolle – laut Quelle fließen Windrichtung und Temperatur als Eingabewerte ein.

In einer Demo vor dem Spiel ermittelte das Modell, dass ein Homerun von Shohei Ohtani höchstwahrscheinlich in den Abschnitten 152–154 landen würde. Dieses konkrete Ergebnis zeigt, dass das System einen präzisen Sitzbereich liefert und nicht nur einen Wahrscheinlichkeitswert.

Zwei Modelle für zwei unterschiedliche Aufgaben

Die interessante Design-Entscheidung liegt in der Aufteilung. Ein Vorhersagemodell übernimmt die Flugbahnschätzung und bestimmt den Abschnitt. Erst danach übergibt die Pipeline an Gemini 2.5 Pro, das ein paar Dutzend Textvorschläge für die Anzeigetafel, Scoreboards und Bildschirme im Umgang generiert.

Das ist eine sinnvolle Aufgabenteilung. Vom generativen Modell wird keine Physikvorhersage erwartet; es soll lediglich Text verfassen, sobald ein Abschnitt feststeht. Google nennt Vertex AI als Orchestrierungsebene und weist darauf hin, dass die Billboard-Version Botschaften innerhalb von Sekunden zurücklieferte.

Der Mensch im Prozess ist keine Randnotiz

Die Quelle stellt klar, dass während des Spiels ein Team menschlicher Prüfer eine bevorzugte Botschaft auswählen und die Formulierung bei Bedarf hinsichtlich Länge, Wortwahl oder Layout anpassen würde, bevor sie im gesamten Stadion erscheint. Google benennt diese Praxis ausdrücklich.

Wenn dies während des Spiels der Fall war, wählte ein Team menschlicher Prüfer die bevorzugte Option aus und passte die Formulierung bei Bedarf zügig an – sei es hinsichtlich Länge, Wortwahl oder Layout.Montana Labs

Dieser Prüfschritt ist wichtig, weil der generierte Text vor einem lebendigen Publikum auf Stadionbildschirmen erscheint. Das Modell liefert Optionen; die endgültige Entscheidung trifft ein Mensch. Es ist eine Erinnerung daran, dass die Erzeugung einiger Dutzend Vorschläge günstig ist und der Wert des Systems teilweise darin liegt, Prüfern eine schnelle Auswahl zur Verfügung zu stellen.

Die Billboard-Variante zeigt die eigentliche technische Herausforderung

Vor dem Spiel trieb dieselbe Engine mobile Werbetafel-Fahrzeuge an, die mit ortsspezifischen Botschaften durch Atlanta fuhren – etwa eine Zeile über einen Ball von Ronald Acuña Jr., der mit 121 Meilen pro Stunde unterwegs war, eingeordnet im Vergleich zur durchschnittlichen Verkehrsgeschwindigkeit der Stadt.

Google beschreibt die Billboard-Version als komplexer als die Stadion-Variante: Sie ging über Homeruns hinaus und bezog auch Pitching- und andere Statistiken ein, zudem mussten Standort- und Verkehrsdaten neben dem Wetter berücksichtigt werden. Die zusätzlichen Eingabewerte, nicht die Neuartigkeit der Idee, waren der Schwerpunkt der Orchestrierungsarbeit.

Was eine Stadion-Demo über agentische Pipelines verrät

Ohne den Event-Glanz betrachtet, handelt es sich um eine zweistufige Pipeline: ein Fachmodell, das eine Vorhersage eingrenzt, ein generatives Modell, das begrenzte Textoptionen erzeugt, und eine menschliche Kontrollinstanz, bevor etwas veröffentlicht wird. Google ordnet dies als agentische KI ein, neben Beispielen wie Gemini, das ein Restaurant anruft, oder Bankkunden, die Recherche-Agenten entwickeln.

Die praktische Lehre daraus: Die anspruchsvollen Teile waren Datenanbindung und Latenz – die Kombination historischer Statistiken mit aktuellen Schlagreihenfolgen, Wetter- und Verkehrsdaten, um Botschaften binnen Sekunden auszugeben. Die konkrete Implikation für Teams, die ähnliche Systeme bauen: Die Modellwahl ist die einfache Entscheidung, während die Definition einer eng gefassten Generierungsaufgabe im Anschluss an einen zuverlässigen Prädiktor sowie das Beibehalten eines menschlichen Prüfschritts im Ablauf entscheidend dafür sind, dass das Ergebnis im Live-Einsatz brauchbar ist.