Les équipes de la Ligue majeure de baseball recrutent environ 1 500 espoirs par an, mais moins de 20 % d'entre eux finissent par accéder aux majors. S'appuyant sur des idées et des méthodes statistiques mieux connues grâce au livre « Moneyball » de 2003, les chercheurs de l'Université du Maryland pourraient les aider à y parvenir plus rapidement.

"Informatique de baseball : de la MiLB aux débuts de la MLB", publié dans l'édition 2023 de Prise de décision basée sur l'analyseest conçu pour aider les joueurs repêchés dans le système des ligues mineures à identifier les aspects de leur jeu qu'ils doivent améliorer pour augmenter leurs chances d'atteindre les ligues majeures, qu'ils restent seulement une semaine ou qu'ils subissent l'impact révolutionnaire de Gunnar Henderson sur les séries éliminatoires. -à destination des Orioles de Baltimore.

Partageant une passion pour le baseball, Chung-Hao Lee MS '22, MBA '22 et Adam Lee, professeur clinique agrégé de systèmes d'information à la Robert H. Smith School of Business, ont utilisé l'apprentissage automatique (un type d'intelligence artificielle dans lequel les systèmes sont formés avec des données et apprennent de la même manière que le cerveau humain, sans programmation directe) pour analyser les statistiques de performance au baseball et les données non liées au baseball des joueurs repêchés entre 2001 et 2010 et créer des modèles prédisant leur probabilité d'atteindre les tournois majeurs.

"Nous serions heureux si de tels résultats en matière d'intelligence artificielle pouvaient améliorer leurs performances et atteindre des opportunités de carrière plus élevées le plus tôt possible", a déclaré Adam Lee (qui n'a aucun lien de parenté avec Chung-Hao Lee).

Sur la base de leurs conclusions, l'étudiant diplômé et le professeur ont déterminé quatre facteurs importants contribuant au développement des joueurs : la moyenne au bâton, le pourcentage de frappeurs, la position au repêchage et le temps global passé dans les ligues mineures. (La défense, la course de base et l'athlétisme pur contribuent également à l'ascension d'un espoir mais n'ont pas été priorisés par les modèles de recherche.)

"Moneyball nous a appris que le facteur important pour décider si un joueur peut être appelé dans la ligue majeure est son pourcentage de base", a déclaré Chung-Hao Lee, aujourd'hui chef de projet d'intelligence artificielle et d'apprentissage automatique chez Winstron à Taiwan. . "Mais sur la base de notre modèle, nous avons constaté que la moyenne au bâton est bien plus importante pour décider si le joueur peut être rappelé."

À une époque où les équipes déboursent d'énormes primes à la signature – comme les Nationals de Washington ont payé 9 millions de dollars à leur premier choix au repêchage, Dylan Crews, en juillet – il est essentiel qu'elles puissent suivre le développement d'un joueur pour maximiser son succès.

"Si vous regardez les choses sous cet angle, ces équipes auront une meilleure idée de qui appeler et quand ils devraient l'être", a déclaré Chung-Hao Lee. "Connaître ces deux choses permettra aux équipes de la MLB d'économiser du temps et de l'argent, et les joueurs pourront améliorer leur entraînement pour les aider à générer plus de valeur."

Pour améliorer la précision du modèle, les recherches futures pourraient être étendues pour intégrer de nouvelles statistiques avancées, notamment la moyenne au bâton sur les balles en jeu, les victoires supérieures au niveau de remplacement et les courses pondérées créées.