ในขณะที่ปัญญาประดิษฐ์เข้าถึงได้ง่ายขึ้นเรื่อยๆ การประยุกต์ใช้ก็ขยายไปสู่โดเมนที่ไม่คาดคิด รวมถึงกีฬาระดับมืออาชีพ การเปิดเผยล่าสุดที่โค้ช NHL หันไปใช้ ChatGPT สำหรับการวิเคราะห์ทางสถิติ ชี้ให้เห็นทั้งการยอมรับเครื่องมือ AI ในกระแสหลักที่เพิ่มขึ้น และข้อผิดพลาดที่อาจเกิดขึ้นจากการใช้โมเดลภาษาทั่วไปสำหรับงานวิเคราะห์เฉพาะทาง การพัฒนานี้ทำให้เกิดคำถามสำคัญเกี่ยวกับว่าควรนำ AI ไปใช้อย่างเหมาะสมอย่างไรในสภาพแวดล้อมที่มีเดิมพันสูง ซึ่งการตัดสินใจบนพื้นฐานของข้อมูลสามารถทำให้อาชีพรุ่งโรจน์หรือล่มสลายได้
กลยุทธ์การโค้ชที่ผิดแผกไปจากปกติ
Ryan Huska หัวหน้าโค้ชของ Calgary Flames กลายเป็นข่าวเมื่อเขาเปิดเผยระหว่างการประชุมทีมว่าเขาได้ปรึกษา ChatGPT เพื่อวิเคราะห์ข้อมูลประสิทธิภาพของทีมของเขา Flames กำลังประสบกับจุดเริ่มต้นที่แย่ที่สุดครั้งหนึ่งในประวัติศาสตร์แฟรนไชส์ โดยมีชัยชนะเพียงสามครั้งในสิบสี่เกมแรก ทำให้พวกเขาอยู่ใกล้กับอันดับล่างสุดของตารางคะแนน NHL Huska อธิบายว่าเขาใช้เวลาทั้งคู่ก่อนหน้านั้น "ลงลึกไปในรูกระต่าย" กับแชทบอท AI โดยป้อนข้อมูลจากห้าเกมก่อนหน้าของทีม ซึ่งรวมถึงเปอร์เซ็นต์การยิง ปริมาณการยิง และการคาดการณ์ตลอดทั้งฤดูกาล โค้ชกำลังค้นหาคำตอบสำหรับภาวะชะงักงันในการทำคะแนนของทีม และหันไปใช้เครื่องมือสาธารณะเดียวกันที่ผู้คนนับล้านใช้สำหรับความช่วยเหลือในการเขียนและคำแนะนำสูตรอาหาร
ระเบียบวิธีวิเคราะห์ที่น่าสงสัย
ชุมชนด้านเทคนิคต่างแสดงความกังวลอย่างรวดเร็วเกี่ยวกับแนวทางของ Huska ChatGPT ในฐานะโมเดลภาษาขนาดใหญ่ ทำงานโดยการคาดการณ์ข้อความที่อาจเกิดขึ้นต่อไปตามรูปแบบในข้อมูลที่ฝึกฝนมา แทนที่จะทำการคำนวณทางคณิตศาสตร์ เมื่อนำเสนอสถิติฮอกกี้และขอให้ทำการคาดการณ์ ระบบจะสร้างคำตอบตามความสัมพันธ์ทางภาษาแทนการวิเคราะห์ทางสถิติที่เข้มงวด ข้อจำกัดพื้นฐานนี้หมายความว่าในขณะที่ผลลัพธ์จาก ChatGPT อาจฟังดูน่าเชื่อถือ แต่มันอาจมีข้อผิดพลาดทางตรรกะที่ซ่อนอยู่หรือความไม่ถูกต้องทางคณิตศาสตร์ซึ่งจะไม่เกิดขึ้นในเครื่องมือวิเคราะห์เฉพาะทาง ระบบประมาณการว่า Flames อาจทำคะแนนได้เฉลี่ยประมาณ 2.36 ประตูต่อเกม หากแนวโน้มปัจจุบันยังคงอยู่ ซึ่งเป็นตัวเลขที่จะจัดอยู่ในอันดับทีมที่ทำประตูได้ต่ำที่สุดของลีก
ความแตกต่างกับการวิเคราะห์กีฬาระดับมืออาชีพ
ปฏิกิริยาจากวงการฮอกกี้ได้เน้นย้ำถึงช่องว่างระหว่างแนวทางของ Huska กับแนวปฏิบัติการวิเคราะห์กีฬาที่เป็นที่ยอมรับ โดยปกติแล้วทีมมืออาชีพจะใช้ซอฟต์แวร์สถิติเฉพาะทาง เฟรมเวิร์กแมชชีนเลิร์นนิง และทีมนักวิทยาศาสตร์ข้อมูลเพื่อวิเคราะห์ประสิทธิภาพ ระบบเหล่านี้ได้รับการออกแบบมาโดยเฉพาะสำหรับการวิเคราะห์กีฬา โดยรวมเอาโมเดลสถิติที่ผ่านการตรวจสอบแล้ว ข้อมูลจากเซนเซอร์ในเกมและการฝึกซ้อม และอัลกอริธึมแมชชีนเลิร์นนิงที่ฝึกฝนมาโดยชัดเจนกับเมตริกประสิทธิภาพทางการกีฬา ในทางตรงกันข้าม จุดแข็งของ ChatGPT อยู่ที่การประมวลผลภาษาธรรมชาติมากกว่าเหตุผลเชิงตัวเลข ทำให้มันเป็นทางเลือกที่ผิดแผกไปจากปกติและไม่น่าเชื่อถือในทางเทคนิคสำหรับการพยากรณ์ประสิทธิภาพทางการกีฬาในบริบทระดับมืออาชีพ
การประยุกต์ใช้เพื่อสร้างแรงจูงใจ
แม้จะมีข้อจำกัดทางเทคนิค Huska ได้นำเสนอการคาดการณ์ของ ChatGPT ในฐานะเครื่องมือสร้างแรงจูงใจ แทนที่จะเป็นการพยากรณ์ที่ชัดเจน เขานำเสนอการประมาณการ 2.36 ประตูต่อเกมให้ผู้เล่นของเขาในฐานะความท้าทายที่ต้องก้าวข้าม กระตุ้นให้พวกเขามุ่งเน้นที่การสร้างโอกาสในการทำคะแนนให้มากขึ้น โดยไม่คำนึงถึงการที่รายชื่อผู้เล่นของทีมขาดซูเปอร์สตาร์ การประยุกต์ใช้ครั้งนี้แสดงให้เห็นว่าผลลัพธ์จาก AI สามารถใช้เพื่อวัตถุประสงค์ทางจิตวิทยาได้ นอกเหนือจากความถูกต้องทางวิเคราะห์ โค้ชใช้ตัวเลขนี้เพื่อสร้างเป้าหมายที่เป็นรูปธรรมสำหรับการปรับปรุง แปลงสิ่งที่อาจเป็นเพียงความอยากรู้ทางสถิติให้กลายเป็นจุดรวมใจสำหรับทีมของเขาที่กำลังดิ้นรน
ผลกระทบที่กว้างขึ้นต่อการนำ AI ไปใช้
เหตุการณ์นี้สะท้อนให้เห็นถึงการเข้าถึงเครื่องมือ AI ที่เพิ่มขึ้นและการย้ายถิ่นของพวกมันเข้าสู่โดเมนมืออาชีพที่เกินกว่ากรณีการใช้งานที่ตั้งใจไว้ เมื่อโมเดลภาษากลายเป็นกระแสหลักมากขึ้น ผู้เชี่ยวชาญในสาขาต่างๆ กำลังทดลองใช้พวกมันสำหรับงานที่โดยปกติแล้วต้องการความเชี่ยวชาญเฉพาะทาง สถานการณ์นี้เน้นย้ำถึงความสำคัญของการทำความเข้าใจทั้งความสามารถและข้อจำกัดของเครื่องมือเหล่านี้ โดยเฉพาะอย่างยิ่งเมื่อนำไปใช้กับการตัดสินใจที่มีเดิมพันสูง ในขณะที่ AI สามารถให้ข้อมูลเชิงลึกที่มีค่า แต่การประยุกต์ใช้อย่างเหมาะสมต้องอาศัยการรับรู้ว่าเมื่อใดที่จำเป็นต้องใช้เครื่องมือเฉพาะทาง เทียบกับเมื่อใดที่โมเดลทั่วไปอาจเพียงพอสำหรับการสำรวจเบื้องต้นหรือการวิเคราะห์เสริม
ตรวจสอบความจริงทางเทคนิค
OpenAI ได้เตือนผู้ใช้ซ้ำแล้วซ้ำเล่าไม่ให้ใช้ ChatGPT สำหรับการตัดสินใจเชิงวิเคราะห์หรือเชิงปริมาณ โดยชี้ให้เห็นถึงแนวโน้มของระบบที่มีต่อ "ภาพหลอน" ซึ่งมันสร้างข้อมูลที่ดูมั่นใจแต่ไม่ถูกต้อง เอกสารประกอบของบริษัทระบุอย่างชัดเจนว่าโมเดลนี้ไม่ได้ถูกออกแบบมาสำหรับการคำนวณทางคณิตศาสตร์หรือการวิเคราะห์เชิงพยากรณ์ ความจริงนี้ขัดแย้งอย่างชัดเจนกับการรับรู้ของ AI ในฐานะโอแรคัลที่รู้ทุกสิ่ง ซึ่งเน้นย้ำถึงความจำเป็นในการให้การศึกษาสาธารณะที่ดีขึ้นเกี่ยวกับว่าระบบ AI ที่แตกต่างกันสามารถและไม่สามารถทำอะไรได้อย่างน่าเชื่อถือ ประสบการณ์ของโค้ชฮอกกี้ทำหน้าที่เป็นกรณีศึกษาในโลกจริงเกี่ยวกับผลที่ตามมาที่อาจเกิดขึ้นจากการนำเครื่องมือ AI ทั่วไปไปใช้กับงานวิเคราะห์เฉพาะทาง โดยไม่มีความเข้าใจในข้อจำกัดของมันอย่างเหมาะสม
อนาคตของ AI ในกีฬาระดับมืออาชีพ
แม้จะมีข้อกังวลด้านระเบียบวิธี การทดลองของ Huska ชี้ไปสู่อนาคตที่เครื่องมือ AI ถูกผนวกเข้ากับกลยุทธ์และการวิเคราะห์กีฬามากขึ้นเรื่อยๆ ประเด็นสำคัญจะอยู่ที่การพัฒนาการประยุกต์ใช้ที่เหมาะสมซึ่งใช้ประโยชน์จากจุดแข็งของ AI ในขณะที่ยอมรับข้อจำกัดของมัน แทนที่จะแทนที่ระบบวิเคราะห์เฉพาะทาง โมเดลภาษาอาจทำหน้าที่เป็นอินเทอร์เฟซที่ช่วยให้โค้ชและนักวิเคราะห์สามารถสอบถามชุดข้อมูลที่ซับซ้อนโดยใช้ภาษาธรรมชาติ โดยให้การคำนวณตัวเลขที่แท้จริงจัดการโดยเครื่องมือทางสถิติเฉพาะทาง แนวทางแบบไฮบริดนี้สามารถทำให้การวิเคราะห์ขั้นสูงเข้าถึงได้ง่ายขึ้นสำหรับผู้เชี่ยวชาญด้านกีฬา ในขณะที่ยังคงความเข้มงวดทางคณิตศาสตร์ที่จำเป็นสำหรับข้อมูลเชิงลึกที่เชื่อถือได้