Não. Nenhum modelo consegue prever como acaba um jogo, porque uma parte do resultado não está nos dados que existem antes do encontro. Um modelo produz uma estimativa de probabilidade. Essa estimativa verifica-se com muitos jogos, nunca com um só. Misturar as duas coisas é o erro mais comum quando se fala de IA no desporto.
A resposta numa frase
Não. Nenhuma inteligência artificial consegue prever o resultado de um jogo, porque uma parte desse resultado não existe em nenhum dado disponível antes do apito inicial.
O que um modelo produz é uma estimativa de probabilidade. Funciona como a probabilidade implícita que tiras de uma odd. A diferença para uma previsão está no que cada afirmação promete.
| Previsão | Estimativa de probabilidade | |
|---|---|---|
| Formulação | «Este resultado vai acontecer» | «Este resultado está em cerca de 62 %» |
| Alcance | Um jogo único | Uma frequência esperada em muitos jogos |
| Verificação | Impossível de avaliar num só caso | Verifica-se por calibração numa amostra |
| Se falha | A afirmação era falsa | A afirmação já previa essa falha em 38 % dos casos |
Esta página responde a uma só pergunta: dá ou não dá? Para perceber o que a IA traz ao prognóstico, vê IA e prognósticos desportivos. Os defeitos concretos de um prognóstico gerado por IA estão nos limites dos prognósticos com IA.
Porque é que a incerteza não desaparece
Uma parte do resultado decide-se depois do apito inicial, ou seja, fora de qualquer dado de entrada.
- Uma lesão a meio do jogo.
- Uma decisão de arbitragem que muda o equilíbrio do encontro.
- A forma do dia, que não aparece nos dados da semana anterior.
- Uma sequência de jogadas que se decide por alguns centímetros.
Nada disto se pode codificar com antecedência. Um modelo maior ou mais capacidade de cálculo não mudam isso. A informação, simplesmente, ainda não existe quando o modelo trabalha.
A revisão de Bunker e Susnjak cita trabalhos segundo os quais o puro acaso pode decidir até 18 % dos jogos de uma época. Não é uma falha de modelização, é a parte do desporto que escapa a qualquer análise.
O que a investigação observa mesmo
As precisões reportadas na literatura variam muito, e as diferenças dependem menos da sofisticação dos modelos do que da estrutura dos desportos e das competições.
Três constatações, verificadas no texto da revisão:
- O futebol é o desporto mais estudado do corpus. No melhor trabalho recenseado chega no máximo a 78 % de precisão e fica só em quinto lugar entre os desportos comparados.
- Um estudo sobre basquetebol universitário norte-americano (Shi et al., 2013) conta que esbarrou num limite de 74 % que os autores não conseguiram ultrapassar.
- Os desportos com os melhores números devem-nos em parte a competições menos equilibradas. A revisão sublinha que uma competição dominada por poucas equipas é mais previsível do que uma muito disputada.
Eu reparo menos no 78 % do futebol do que no lugar: é o desporto com mais estudos e, mesmo assim, só aparece em quinto.
Duas coisas a ter em conta ao ler. Estes números medem a previsão do resultado de um jogo num contexto de investigação e não apostas. Uma aposta avalia-se face a uma odd e à sua margem, e as odds justas servem exatamente essa comparação. Além disso, uma precisão sobre dois resultados e outra sobre três não se comparam, porque vários trabalhos deixam o empate de fora para simplificar.
Jogo responsável: um número preciso não torna uma aposta segura. As apostas desportivas envolvem um risco de perda financeira. Define um orçamento, não tentes recuperar as perdas e usa as ferramentas de limites e autoexclusão disponíveis. Saber mais sobre o jogo responsável.
Porque é que se confunde tanto
Um número preciso parece uma certeza. «62 %» lê-se quase sem querer como «sim». Além disso, as ferramentas pensadas para o grande público costumam tirar a margem de erro para ficarem mais legíveis.
Três formulações, da mais honesta à menos honesta:
- «Cerca de 62 %, com base neste histórico e nestas variáveis» deixa a incerteza à vista.
- «Resultado mais provável» está correto, mas a dimensão da incerteza desapareceu.
- «Este resultado vai acontecer» já não se pode verificar e não compromete ninguém.
Da terceira tem de se proteger uma ferramenta séria, também no vocabulário da sua interface.
O que um modelo pode fazer e o que não pode
Há três níveis que convém não misturar.
Um modelo consegue tratar volumes de dados impossíveis de gerir à mão e dar uma leitura uniforme de jogo para jogo. Consegue também estimar uma probabilidade, com uma margem de erro que num jogo único continua grande.
O que nunca consegue é concluir que um resultado vai acontecer. É o limite do desporto, não o da tecnologia.
A leitura IA da OddScore fica dentro desse quadro. Antes do jogo, resume o que diz o mercado e mostra um veredicto (um vencedor, um handicap ou um total) que condensa essa leitura sem anunciar o resultado. Não promete nenhuma precisão e não dá conselhos de aposta.
Os limites concretos dos prognósticos gerados por IA →
Voltar ao guia IA e prognósticos desportivos →
Pôr em prática
Aplique este guia a odds reais.
Ver uma leitura de mercado
Um jogo real com as suas odds, movimentos e sinal 0-100.
Abrir a demoCalculadora de margem
Meça a margem de uma casa de apostas em qualquer mercado.
Calcular a margemExplore o mercado
Os movimentos de odds são apenas parte da história. Veja os próximos temas para ler.
Os limites dos prognósticos por IA
Dados incompletos, caixa negra e excesso de confiança num número preciso.
Ver os limitesUm prognóstico fiável é possível?
Porque é que nenhum prognóstico é garantido e como medir a sua solidez.
Compreender a fiabilidadeIA e prognósticos desportivos
O que a IA consegue fazer ao ler dados e o que nunca transforma em certeza.
Compreender o papel da IAPrognósticos desportivos: analisar antes de apostar
O guia completo sobre dados, odds, fiabilidade, vieses e papel da IA.
Ler o guiaPrognóstico de futebol: o método completo
Forma, xG e contexto do jogo: a grelha aplicada ao futebol.
Ler o guia de futebolPrognóstico de futebol e inteligência artificial
xG, dados de forma e modelos aplicados ao futebol.
Ver a aplicação ao futebolPerguntas frequentes
Porque é que um modelo que acerta 60 % das vezes não «prevê»?
Porque falha 40 % das vezes. Uma previsão diz o que vai acontecer. Uma estimativa de 60 % diz logo à partida que muitas vezes será desmentida.
Qual é a diferença entre probabilidade e previsão?
Uma probabilidade descreve uma frequência esperada em muitos casos. Uma previsão fala de um caso único. A primeira verifica-se com estatística, a segunda não se verifica com um único jogo.
Um modelo com bom histórico garante o futuro?
Não. Um bom histórico pode mostrar competência, um período particular ou simples variância. Nada garante que as condições de então se mantenham.
Há um limite conhecido para a precisão dos modelos desportivos?
A revisão de Bunker e Susnjak (2022) reporta precisões muito diferentes consoante o desporto e a competição. Alguns estudos esbarram num teto que não conseguem ultrapassar. Os autores ligam isso mais à estrutura do desporto e ao equilíbrio da competição do que à sofisticação dos modelos.
A OddScore fornece prognósticos?
A OddScore compara as odds de várias casas de apostas, retira-lhes a margem e acompanha a sua evolução. Daí saem um sinal de 0 a 100 e uma leitura IA antes do jogo. A leitura resume o que diz o mercado. Não é uma aposta a seguir, e a OddScore não dá conselhos de aposta.
Fontes e metodologia
Esta página baseia-se numa revisão académica, verificada em texto integral, sobre a previsão de resultados em desportos coletivos com aprendizagem automática. Para o enquadramento em Portugal juntam-se o SRIJ e o ICAD.
- Separar uma estimativa de probabilidade, verificável numa amostra, de uma previsão sobre um caso único.
- Reportar as precisões observadas tal como a revisão as publica, desporto a desporto e competição a competição.
- Nunca apresentar a precisão de um modelo académico como uma taxa de acerto aplicável a uma aposta.
- Identificar de forma explícita a parte do resultado que não está em nenhum dado disponível antes do jogo.
- Bunker, R. & Susnjak, T. (2022). The Application of Machine Learning Techniques for Predicting Match Results in Team Sport: A Review. Journal of Artificial Intelligence Research, 73, 1285-1322.
- SRIJ: Serviço de Regulação e Inspeção de Jogos
- ICAD: Instituto para os Comportamentos Aditivos e as Dependências