Il Scout Advisor del Sevilla FC mette una casella di ricerca davanti a 300.000 report di scouting

L'interfaccia è una domanda, il prodotto è ciò che accade prima che il modello la veda

Il problema di scouting del Sevilla FC era un problema di ricerca. Il club possiede oltre 300.000 report di scouting, e valutare una singola shortlist di giocatori richiedeva ai recruiter dalle 200 alle 300 ore di lettura manuale. Scout Advisor, costruito dal reparto dati del club insieme a IBM su watsonx e basato su Llama 3.1 70B Instruct di Meta, sostituisce tutto questo con una casella di testo: un recruiter fa una domanda e ottiene in risposta un elenco di giocatori corrispondenti più riassunti generati dall'IA.

Dal punto di vista frontend, la superficie è deliberatamente semplice — linguaggio naturale in entrata, risultati classificati in uscita. Ma l'annuncio è insolitamente franco sul fatto che una query digitata di getto da un recruiter non è ciò che viene effettivamente inviato al modello. C'è un passaggio di traduzione nel mezzo, ed è lì che il sistema dimostra il suo valore.

L'arricchimento del prompt come livello di vocabolario di settore

Meta chiama questo meccanismo prompt enrichment: il sistema riscrive automaticamente la domanda dell'utente per aggiungere contesto calcistico specifico prima che arrivi all'analisi. L'esempio fornito è concreto. Un recruiter scrive "mostrami ali di talento," e il sistema lo espande internamente in "Un'ala di talento affronta i difensori con il dribbling, crea spazio e penetra nella difesa avversaria."

Il caso di fallimento citato da Meta è rivelatore — senza arricchimento, un modello generico potrebbe restituire una ricetta di ali di pollo. È tutto l'argomento a favore della costruzione di questo livello: un termine calcistico come "ala" è ambiguo per un modello generico, e il club non può addestrare i recruiter a scrivere prompt disambiguati. Quindi la disambiguazione risiede nell'applicazione, non nella testa dell'utente. Il frontend rimane semplice come una barra di ricerca proprio perché il livello di arricchimento assorbe la conoscenza di settore.

Perché la scelta del modello riguardava lo spagnolo e la sintesi, non la potenza bruta

Il Chief Data Officer Elias Zamora è specifico sul perché hanno scelto questo modello invece di puntare di default sull'opzione più grande disponibile.

Abbiamo selezionato Llama 3.1 70B per le sue prestazioni di arricchimento testuale e sintesi, in particolare in lingua spagnola.Montana Labs

Questa impostazione conta. I report di scouting portano giudizi qualitativi — attitudine, tenacia, leadership — scritti nel linguaggio dei recruiter. Il compito del modello è comprimere tutto questo in riassunti che chi deve decidere possa leggere velocemente, in spagnolo. Il Direttore Sportivo Victor Orta descrive il vantaggio concreto al momento dell'uso: invece di rivedere 45 report su un giocatore, dice di poter ottenere ciò che gli serve per decidere in circa due minuti. Il valore si manifesta come tempo di lettura ridotto, non come una capacità inedita.

Cosa dimostra il progetto del Sevilla sull'integrazione di un modello per utenti non tecnici

L'implicazione specifica qui è che la parte difficile di un'interfaccia in linguaggio naturale su dati proprietari non è la chat — è la riscrittura invisibile che fa corrispondere domande informali a un corpus specializzato. Il Sevilla FC non ha chiesto ai recruiter di imparare il prompt engineering; ha spostato il vocabolario di settore in un passaggio di arricchimento, così l'input poteva restare conversazionale.

Il consiglio di Zamora stesso definisce i prerequisiti in modo chiaro: una solida base di dati, una profonda comprensione del business e un team ben formato. Quei 300.000 report erano la risorsa; l'interfaccia ha funzionato solo perché qualcuno ha codificato il significato di "un'ala di talento" prima che la query arrivasse al modello. I team che costruiscono strumenti simili dovrebbero considerare questo livello di traduzione come una parte essenziale del prodotto, non un ripensamento aggiunto in fretta al prompt.