新的 AI 驅動的分析模型追蹤棒球選手通向大聯盟之路
作者：巴布羅·蘇亞雷斯，馬裏蘭大學
每年，美國職棒大聯盟球隊大約遴選 1,500 名潛力新秀，但只有不到 20%最終能夠晉升至大聯盟。馬裏蘭大學的研究人員在以 2003 年的書籍《火力基地》所融入的統計方法和思想的基礎上，可能有助於球隊加快新秀晉升的速度。題為《從小聯盟到大聯盟的棒球訊息學》的研究論文發表在 2023 年版的《資料分析決策》中，旨在幫助被徵召入小聯盟體系的球員找出需要改進的遊戲方面，以增加他們達到大聯盟的機會，無論他們只在聯盟停留了一個星期還是像剛納·亨德森(Gunnar Henderson)對進入季後賽的巴爾的摩金鶯隊(Baltimore Orioles)起到了改變比賽的作用。
馬裏蘭大學的資料分析師李仲豪和資訊系統的副臨床教授亞當·李，二人都對棒球充滿熱情，他們運用機器學習(一種被用於訓練系統以類似人腦學習的人工智慧)分析了 2001 年至 2010 年間被徵召的棒球選手的表現統計資料和非棒球資料，並建立起模型來預測他們晉升到大聯盟的可能性。“如果這樣的機器智慧結果能夠提高他們的表現，讓他們更早地獲得更高的職業機會，我們會感到高興，”亞當·李說道(他與李仲豪無聯動)。他們的研究發現，影響球員發展的四個重要因素包括擊球率、壘上野球率、被選中的位置以及在小聯盟的總時間。然而研究模型並不過分強調守備、跑壘和純粹的運動能力（儘管這些因素也會促成潛力新秀的晉升）。“《火力基地》教給我們的是，衡量一個球員能否進入大聯盟的重要因素是他們的上壘率，”現在擔任臺灣 Winstron 公司的人工智慧和機器學習專案經理的李仲豪表示“但是根據我們的模型，我們發現擊球率更重要，可以決定球員能否入選。”
在球隊為球員支付巨額簽約獎金的時代，比如華盛頓國民隊在 7 月支付給他們的頭等選秀選手迪倫·克魯斯(Dylan Crews) 900 萬美元，球隊能夠追蹤球員的發展情況以最大化他們的成功至關重要。“從這個角度來看，這些球隊將更理解應該召集哪些球員以及何時應該召集他們，”李仲豪說道，“理解這兩點將為大聯盟球隊節省時間和金錢，同時球員也能夠加固訓練，提高他們的價值。”
為了提高模型的準確性，未來的研究可以擴充套件到包含新的進階資料，包括打擊率、揮棒後的落地球率、比起平均水準而言的勝利和權重創造的分數等等。
參考來源：馬裏蘭大學
