कदम 1: डेटा, जो 70% काम है
आपको कई सीज़न के मैच चाहिए जिनमें अंतिम स्कोर, लाइनअप, कार्यक्रम और सबसे ज़रूरी हर मुकाबले के क्लोज़िंग ऑड्स हों। ऐतिहासिक ऑड्स बिना आप नहीं जान पाएँगे कि मॉडल मार्केट को हराता है या नहीं, और यही एकमात्र अहम सवाल है।
दोहराए गए टीम नाम, रद्द मैच और अलग टाइमज़ोन की तारीख़ें साफ़ करें। Gambeta में शुरुआती महीनों की ज़्यादातर गलतियाँ डेटा की थीं, मॉडल की नहीं।
गेंद की हर लड़ाई एक डेटा पॉइंट है। मॉडल कभी मैच नहीं देखता: वह उन पंक्तियों को देखता है जिन्हें आपने पहले सहेजने का फ़ैसला किया।
कदम 2: मैच से पहले मौजूद वेरिएबल
क्लासिक जाल है लीकेज: वह डेटा इस्तेमाल करना जो मैच के बाद ही पता चलता है, जैसे उसी मैच के ऑन-टारगेट शॉट। प्रशिक्षण में मॉडल परफ़ेक्ट लगता है; असल में ढह जाता है।
वैध वेरिएबल: हाल का फ़ॉर्म, पिछले मैचों के अपेक्षित गोल, मैचों के बीच आराम, घरेलू फ़ायदा, पुष्ट गैर-मौजूदगी और ओपनिंग ऑड्स खुद। खेल सट्टेबाज़ी के लिए मशीन लर्निंग में हम अपने मॉडल के वेरिएबल बताते हैं।
कदम 3: मॉडल
शुरू करने के लिए न्यूरल नेटवर्क ज़रूरी नहीं। लॉजिस्टिक रिग्रेशन या अच्छी तरह रेगुलराइज़्ड ग्रेडिएंट बूस्टिंग 1X2 या ओवर/अंडर संभावनाएँ मज़बूती से बताते हैं। अहम यह है कि आउटपुट संभावना हो, "जीत या हार" का लेबल नहीं।
हर खेल के लिए अलग मॉडल प्रशिक्षित करें। फुटबॉल, टेनिस, बेसबॉल और बास्केटबॉल की संरचनाएँ अलग हैं: टेनिस में सर्व पॉइंट्स, बेसबॉल में स्टार्टिंग पिचर, बास्केटबॉल में गैर-मौजूदगी। सबके लिए एक मॉडल चारों को ख़राब सीखता है।
कदम 4: कैलिब्रेशन
कैलिब्रेटेड मॉडल वह है जो 60% कहे तो 10 में लगभग 6 बार सही हो। इसे भविष्यवाणियों को रेंज में बाँटकर और हुए नतीजों से तुलना करके मापते हैं। कैलिब्रेशन बिना ऑड्स से तुलना बेमानी है और स्टेक ग़लत आकार का।
गई या नहीं गई। कैलिब्रेटेड मॉडल ऐसे हज़ारों शॉट्स से सीखता है; कुछ सौ से सिर्फ़ शोर सीखता है।
कदम 5: ईमानदार परीक्षण
आख़िरी सीज़न अलग रखें और अंत तक न देखें। सिर्फ़ तब बेट सिमुलेट करें जब आपकी संभावना क्लोज़िंग ऑड्स की निहित संभावना से ज़्यादा हो, फ्लैट स्टेक से। अगर नतीजा पॉज़िटिव नहीं, तो मॉडल काम नहीं करता, चाहे सटीकता कितनी भी ऊँची दिखे।
सिर्फ़ फ़ायदे में बेट लगाने का यही तर्क वैल्यू बेटिंग है, और यही एक प्रेडिक्टर को बेटिंग उपकरण बनाता है।
कदम 6: सब कुछ प्रकाशित करें
जो मॉडल रिकॉर्ड नहीं प्रकाशित करता, वह टिपस्टर से अलग नहीं। हर पिक को संभावना, ऑड्स और नतीजे के साथ दर्ज करें और खुला छोड़ें। हारने पर असहज लगता है और जीतने पर भरोसे का यही एक रास्ता है।
अगर यह सब बहुत काम लगता है, तो है: Gambeta में हम रोज़ यही करते हैं, और मुफ़्त प्रकाशित करते हैं ताकि आपको शून्य से न बनाना पड़े।
अक्सर पूछे जाने वाले सवाल
क्या बिना कोडिंग खेल सट्टेबाज़ी की AI प्रशिक्षित कर सकते हैं?
स्प्रेडशीट से सरल रिग्रेशन तक पहुँच सकते हैं। कैलिब्रेशन और ऐतिहासिक ऑड्स पर परीक्षण के लिए Python या R चाहिए।
प्रशिक्षण के लिए कितने मैच चाहिए?
एक ही लीग के कई सीज़न। कुछ सौ मैचों से मॉडल शोर सीखता है, पैटर्न नहीं।
कौन सा डेटा अनिवार्य है?
नतीजे, लाइनअप, कार्यक्रम और ऐतिहासिक क्लोज़िंग ऑड्स। ऑड्स बिना आप नहीं जान सकते कि मार्केट को हराते हैं।
क्या ChatGPT जैसी सामान्य AI यह कर सकती है?
कोड लिख सकती है और डिज़ाइन पर चर्चा कर सकती है, मॉडल नहीं बन सकती: उसके पास डेटा नहीं, कैलिब्रेशन नहीं।