Con casi 1,700 jugadores en 272 partidos, la cantidad de datos generados durante la temporada de la NFL es enorme. Los dueños de equipos de fantasy football enfrentan decisiones complejas y una avalancha de información. Elegir a quién alinear, a quién dejar en la banca y con quién hacer intercambios cada semana puede ser una tarea abrumadora. Pero también es parte de la diversión, y por eso la aplicación ESPN Fantasy atrae a 12 millones de usuarios cada año.

Durante los últimos ocho años, IBM ha trabajado en estrecha colaboración con ESPN para mejorar la experiencia de fantasy football con análisis que ayudan a jugadores de todos los niveles a tomar decisiones más informadas. Estos análisis se presentan en forma de calificaciones para los jugadores, lo que permite identificar las mejores opciones para intercambiar o tomar de la agencia libre. Este año, el equipo ha dado un paso más allá al agregar una nueva función que explica el razonamiento detrás de las calificaciones generadas por inteligencia artificial. Ahora, cuando un usuario selecciona un jugador para adquirir o intercambiar, aparece una lista de los “Factores Más Relevantes” junto con la calificación numérica, proporcionando una explicación personalizada en lenguaje natural, generada por el modelo de lenguaje de gran escala IBM® Granite™.

La importancia de la explicabilidad en la IA

Así como en las organizaciones del mundo real, los managers de equipos de fantasy football necesitan entender el “por qué” detrás de los resultados generados por la IA. “La explicabilidad, es decir, el razonamiento detrás de los resultados, está cobrando casi tanta importancia como el resultado en sí”, explica Aaron Baughman, IBM Fellow, Master Inventor y Embajador de IBM Quantum™.

Los Factores Más Relevantes proporcionan explicaciones basadas no solo en el desempeño bruto del jugador, sino también en cómo encaja específicamente en tu equipo de fantasy. Así es como funciona:

¿Cómo se generan las calificaciones?

Cada semana, a medida que los jugadores quedan disponibles en la agencia libre de tu liga, se les asigna una “Calificación de Agencia Libre” personalizada. Esta calificación considera las fortalezas y debilidades de tu equipo, así como las de los demás equipos en tu liga. Incluso incorpora las configuraciones personalizadas de cada liga. La calificación refleja el valor que un jugador añadiría a tu equipo en comparación con el promedio de jugadores en su misma posición dentro de tu plantilla actual.

Las “Calificaciones de Intercambio” funcionan de manera similar, evaluando el beneficio relativo que un jugador del equipo de un oponente podría aportar a tu equipo.

Este proceso comienza calculando calificaciones iniciales mediante un sistema basado en reglas y múltiples modelos de machine learning. “Trabajamos con nuestros desarrolladores y expertos en fútbol americano de ESPN para definir las calificaciones basándonos en diversos factores”, explica Baughman. “Consideramos cuántas ligas tienen a un jugador en su roster, en qué porcentaje de ligas es titular, sus estadísticas proyectadas de la temporada, a qué equipos se ha enfrentado y contra quién jugará próximamente. Todos estos predictores se combinan en una única calificación”.

El sistema de calificación está escrito en Node.js y Python, y se apoya en un flujo de trabajo escalable que analiza los miles de millones de datos generados durante la temporada de la NFL. Los resultados se almacenan en la nube.

Análisis personalizado a gran escala

Para personalizar aún más estas calificaciones, una aplicación de “necesidades del equipo” en Node.js actualiza las calificaciones de cada usuario cada 10 minutos. “Esta aplicación considera tu plantilla, tu liga y sus configuraciones específicas con base en un algoritmo que desarrollamos durante más de un año”, comenta Baughman.

¿Por qué tomó tanto tiempo? En una palabra: escalabilidad. Hay más de 12 millones de usuarios activos cada semana, y ciertos días—principalmente martes y jueves—registran un uso significativo. Esto puede generar miles de solicitudes por segundo, que se distribuyen en pods dentro de un clúster de Red Hat® OpenShift®.

Cuando un usuario selecciona a un jugador de la agencia libre en la aplicación, el sistema ejecuta el análisis y genera una calificación personalizada para su equipo. “Aunque el sistema de puntuación por recepción (PPR) es el más común, cada liga puede tener configuraciones personalizadas infinitas. Por ello, no podíamos pre-calcular las calificaciones, sino que debían generarse de forma personalizada en tiempo real”, explica Baughman.

Más allá del fantasy football, este enfoque de análisis a gran escala y personalización tiene aplicaciones en diversos sectores empresariales.

Explicabilidad personalizada a gran escala

En cualquier proceso de toma de decisiones, es fundamental presentar los análisis de manera concisa para los responsables de la gestión. Por eso, el sistema resume los análisis en un informe ejecutivo con los tres “Factores Más Relevantes”.

“Trabajar a esta escala fue un reto, así que desarrollamos un nuevo algoritmo”, dice Baughman. “En watsonx™, el modelo de IA generativa Granite genera frases con espacios en blanco. Luego, en la capa de personalización, estas frases se completan con valores específicos”. Los adjetivos y frases cambian según los valores numéricos, por ejemplo, desde “no aporta nada” hasta “mejora significativamente” tu equipo.

Este modelo multidimensional cuenta con 12 tipos de factores contribuyentes y cientos de combinaciones posibles. Algunos de los factores más comunes incluyen el porcentaje de equipos que tienen a un jugador, el porcentaje de equipos que lo alinean como titular y sus proyecciones de puntuación. La inferencia se ejecuta aproximadamente cada dos horas y se combina con las calificaciones base para completar las frases.

“Para las Calificaciones de Intercambio, cuando ves el equipo de un oponente, el sistema muestra tres posiciones que tu equipo necesita reforzar, como ala cerrada, receptor o defensiva. Si una de esas posiciones es una de tus necesidades, se resalta en verde”, explica Baughman. “También puedo ver las necesidades de mi oponente, lo que fomenta intercambios más equitativos”.

Al seleccionar un jugador, se muestra la calificación total del intercambio, calculada a partir del análisis inicial y las necesidades del equipo, junto con los tres factores más relevantes.

Aplicación empresarial de la IA explicable

Ya sea que administres un equipo de fantasy football, una empresa o una unidad de negocio, la plataforma de IA IBM watsonx™ puede ayudarte a tomar mejores decisiones. Te permite recopilar, almacenar y analizar datos empresariales relevantes para tu caso de uso, aplicar modelos de machine learning y otras técnicas de IA tradicional para evaluar fortalezas, debilidades y oportunidades, y generar información útil con un alto nivel de detalle contextual.

Los modelos Granite LLM enfocados en empresas proporcionan explicaciones en lenguaje natural, además de múltiples funciones de atención al cliente. Y con la escalabilidad de Red Hat® OpenShift® en la nube híbrida, tu organización puede prepararse para tener su mejor temporada hasta ahora.