Ο προγνωστικός μηχανισμός home run της Google Cloud στο MLB All-Star Game 2025

Τι κάνει στην πραγματικότητα το σύστημα στο Truist Park

Η Google Cloud, σε συνεργασία με τη μονάδα Statcast της MLB, δημιούργησε ένα εργαλείο που εκτιμά πού μπορεί να προσγειωθεί στις εξέδρες ένα ενδεχόμενο home run κατά τη διάρκεια του All-Star Game. Καθώς οι παίκτες έρχονται στο batting, το μοντέλο προβλέπει την πιο πιθανή ζώνη προσγείωσης σε περίπτωση που ο συγκεκριμένος παίκτης πετύχει home run.

Η πρόβλεψη βασίζεται σε ιστορικά δεδομένα από ολόκληρο το ρόστερ του All-Star: συμβατικά στατιστικά όπως το batting average και τα ποσοστά home run, καθώς και δεδομένα για την κατεύθυνση των χτυπημάτων από γήπεδα σε όλη την ιστορία. Ο καιρός είναι επίσης παράγοντας — η πηγή αναφέρει την κατεύθυνση του ανέμου και τη θερμοκρασία ως δεδομένα εισόδου.

Σε επίδειξη πριν από τον αγώνα, το μοντέλο υπολόγισε ότι ένα home run του Shohei Ohtani θα προσγειωνόταν πιθανότατα στις ζώνες 152-154. Αυτό το συγκεκριμένο αποτέλεσμα δείχνει ότι το σύστημα παράγει ένα συγκεκριμένο εύρος θέσεων, όχι απλώς μια βαθμολογία πιθανότητας.

Δύο μοντέλα, δύο διαφορετικοί ρόλοι

Η ενδιαφέρουσα σχεδιαστική επιλογή εδώ είναι ο διαχωρισμός. Ένα προγνωστικό μοντέλο διαχειρίζεται την εκτίμηση της τροχιάς και επιλέγει μια ζώνη. Μόνο μετά από αυτό η ροή εργασιών παραδίδεται στο Gemini 2.5 Pro, το οποίο δημιουργεί μερικές δεκάδες υποψήφια μηνύματα για το jumbotron, τους πίνακες αποτελεσμάτων και τις οθόνες στους διαδρόμους.

Πρόκειται για έναν λογικό καταμερισμό εργασίας. Στο generative μοντέλο δεν ζητείται να προβλέψει τη φυσική· του ζητείται να γράψει το κείμενο αφού έχει ήδη επιλεγεί μια ζώνη. Η Google αποδίδει τον συντονισμό στο Vertex AI, και σημειώνει ότι η έκδοση για τις πινακίδες επέστρεψε μηνύματα μέσα σε λίγα δευτερόλεπτα.

Ο ανθρώπινος παράγοντας δεν είναι απλή υποσημείωση

Η πηγή είναι ξεκάθαρη ότι κατά τη διάρκεια του αγώνα μια ομάδα ανθρώπινων επόπτων θα επέλεγε το προτιμώμενο μήνυμα και θα προσάρμοζε τη διατύπωση ως προς το μήκος, την επιλογή λέξεων ή τη διάταξη πριν αυτό εμφανιστεί στο γήπεδο.

Αν αυτό γινόταν κατά τη διάρκεια του αγώνα, μια ομάδα ανθρώπινων επόπτων θα επέλεγε την προτιμώμενη επιλογή τους, κάνοντας γρήγορα τις απαραίτητες προσαρμογές στη διατύπωση, είτε για το μήκος, την επιλογή λέξεων είτε τη διάταξη.Montana Labs

Αυτό το στάδιο ελέγχου έχει σημασία γιατί το κείμενο που παράγεται εμφανίζεται στις οθόνες του γηπέδου μπροστά σε ζωντανό πλήθος. Το μοντέλο παράγει επιλογές· ο άνθρωπος παίρνει την τελική απόφαση. Είναι μια υπενθύμιση ότι η δημιουργία μερικών δεκάδων υποψήφιων μηνυμάτων είναι εύκολη υπόθεση, και η αξία του συστήματος έγκειται εν μέρει στο ότι δίνει στους επόπτες μια γρήγορη λίστα επιλογών.

Η εκδοχή για τις πινακίδες αποκαλύπτει τη δυσκολότερη μηχανική

Πριν από τον αγώνα, ο ίδιος μηχανισμός τροφοδοτούσε κινητές πινακίδες που κυκλοφορούσαν στην Ατλάντα με μηνύματα προσαρμοσμένα στην τοποθεσία — για παράδειγμα, μια φράση για μια μπάλα από το χτύπημα του Ronald Acuña Jr. που ταξίδεψε με 121 μίλια/ώρα, σε σύγκριση με τη μέση ταχύτητα κυκλοφορίας στην πόλη.

Η Google περιγράφει την έκδοση για τις πινακίδες ως πιο σύνθετη από αυτή του γηπέδου: επεκτάθηκε πέρα από τα home run σε στατιστικά pitching και άλλα, και έπρεπε να ενσωματώσει δεδομένα τοποθεσίας και κυκλοφορίας μαζί με τον καιρό. Οι επιπρόσθετες εισροές δεδομένων, όχι η πρωτοτυπία της ιδέας, ήταν εκεί όπου συγκεντρώθηκε το έργο του συντονισμού.

Τι μας λέει μια επίδειξη σε γήπεδο για τις agentic ροές εργασιών

Χωρίς τη λάμψη της εκδήλωσης, πρόκειται για μια ροή δύο σταδίων: ένα εξειδικευμένο μοντέλο που περιορίζει μια πρόβλεψη, ένα generative μοντέλο που παράγει περιορισμένες επιλογές κειμένου, και ένας ανθρώπινος έλεγχος πριν αποσταλεί οτιδήποτε. Η Google το παρουσιάζει ως agentic ΤΝ, στο ίδιο πλαίσιο με παραδείγματα όπως το Gemini να καλεί ένα εστιατόριο ή πελάτες τραπεζών να δημιουργούν agents έρευνας.

Το πρακτικό δίδαγμα είναι ότι τα πιο απαιτητικά κομμάτια ήταν η διαχείριση δεδομένων και η καθυστέρηση απόκρισης — ο συνδυασμός ιστορικών στατιστικών με ζωντανές σειρές batting, καιρό και κυκλοφορία, και η επιστροφή μηνυμάτων μέσα σε δευτερόλεπτα. Η συγκεκριμένη προσέγγιση για ομάδες που χτίζουν παρόμοια συστήματα: η επιλογή μοντέλου είναι η εύκολη απόφαση, ενώ ο ορισμός ενός στενά καθορισμένου έργου παραγωγής κειμένου μετά από έναν αξιόπιστο προγνωστικό μηχανισμό, και η διατήρηση ενός σταδίου ανθρώπινου ελέγχου στη διαδικασία, είναι αυτό που κάνει το αποτέλεσμα χρησιμοποιήσιμο σε πραγματικές συνθήκες.