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

O que o sistema faz realmente no Truist Park

A Google Cloud construiu, em conjunto com a unidade Statcast da MLB, uma ferramenta que estima onde um potencial home run poderá cair nas gradas durante o All-Star Game. Quando um jogador se prepara para bater, o modelo prevê a secção mais provável de queda caso esse batter consiga um home run.

A previsão baseia-se em dados históricos de todo o plantel de All-Stars: estatísticas convencionais, como a média de rebatidas e a percentagem de home runs, além de dados sobre a direção dos rebatimentos em estádios ao longo da história. O clima também entra na equação — a fonte indica a direção do vento e a temperatura como variáveis.

Numa demonstração antes do jogo, o modelo determinou que um home run de Shohei Ohtani cairia muito provavelmente nas secções 152-154. Este resultado concreto mostra que o sistema produz um intervalo específico de lugares, e não apenas uma pontuação de probabilidade.

Dois modelos, duas funções distintas

A escolha de design mais interessante aqui é a divisão de tarefas. Um modelo preditivo trata da estimativa da trajetória e escolhe a secção. Só depois é que o pipeline passa a tarefa ao Gemini 2.5 Pro, que gera algumas dezenas de mensagens candidatas para o painel gigante, os placares e os ecrãs das zonas comuns.

Esta é uma divisão de trabalho sensata. Não se pede ao modelo generativo que preveja a física; pede-se-lhe que escreva o texto depois de a secção já estar escolhida. A Google atribui a orquestração ao Vertex AI, e refere que a versão dos outdoors devolveu mensagens em poucos segundos.

A supervisão humana não é um detalhe menor

A fonte é explícita ao afirmar que, durante o jogo, uma equipa de revisores humanos selecionaria a mensagem favorita e ajustaria a linguagem em termos de comprimento, escolha de palavras ou disposição antes de esta aparecer nos ecrãs do estádio. A Google nomeia esta prática diretamente.

Se isto ocorresse durante o jogo, uma equipa de revisores humanos selecionaria a opção favorita, fazendo rapidamente os ajustes necessários à linguagem, seja em comprimento, escolha de palavras ou disposição.Montana Labs

Esse passo de revisão é importante porque o texto gerado vai para os ecrãs do estádio, diante de uma multidão em direto. O modelo produz opções; uma pessoa toma a decisão final. É um recordatório de que gerar algumas dezenas de candidatos é barato, e o valor do sistema reside em parte em oferecer aos revisores um leque rápido de opções entre as quais escolher.

A variante dos outdoors revela a engenharia mais complexa

Antes do jogo, o mesmo motor alimentava outdoors móveis que circulavam por Atlanta com mensagens específicas do local — por exemplo, uma frase sobre uma bola batida por Ronald Acuña Jr. que viajou a 121 milhas por hora, comparada com a velocidade média do trânsito na cidade.

A Google descreve a versão dos outdoors como mais complexa do que a versão dentro do estádio: expandiu-se além dos home runs para incluir lançamentos e outras estatísticas, e teve de integrar dados de localização e trânsito juntamente com o clima. É nos dados adicionais, e não na novidade da ideia, que se concentrou o trabalho de orquestração.

O que uma demonstração num estádio revela sobre pipelines agênticos

Despido do glamour do evento, isto é um pipeline em duas fases: um modelo de domínio que reduz uma previsão a algo concreto, um modelo generativo que produz opções de texto delimitadas, e um filtro humano antes de qualquer coisa ser publicada. A Google enquadra isto como AI (Inteligência Artificial) agêntica, ao lado de exemplos como o Gemini a ligar para um restaurante ou clientes bancários a construir agentes de investigação.

A lição prática é que as partes mais exigentes foram a canalização de dados e a latência — combinar estatísticas históricas com ordens de rebatida em tempo real, clima e trânsito, devolvendo depois mensagens em segundos. A implicação específica para equipas que constroem sistemas semelhantes: a escolha do modelo é a decisão fácil, enquanto definir uma tarefa de geração bem delimitada a jusante de um previsor fiável, e manter um passo de revisão humana no processo, é o que torna o resultado utilizável num contexto em direto.