Przy okazji niedawnego mundialu, jak to zwykle bywa w bańce DS (a nawet trochę w mainstreamie), pojawiały się publikacje/projekty z algorytmami które typują zwycięzcę turnieju. Jest to naturalne, dużo osób interesuje piłką nożną, więc stworzenie takiego algorytmu to fajna zabawa. No i jest to też sensowny pomysł na projekt do portfolio dla początkujących. A do tego potem można ewentualnie się chwalić tym, że nasz algorytm był skuteczny i „przewidział” zwycięzcę!
Ale… Czy „przewidzenie” zwycięzcy jest dowodem na to, że algorytm jest dobrej jakość? Co to w ogóle znaczy, że algorytm przewidział zwycięzcę? To chyba proste – przypisał najwyższe prawdopodobieństwo wygrania drużynie, która faktycznie wygrała. No ok, ale czy w takim razie jeśli algorytm A dawał tej drużynie 90% na zwycięstwo, a algorytm B dawał jej 50% (ale też była to największa wartość), to te algorytmy są tak samo dobre? A jeśli nie, to jak porównać te algorytmy? A czy w ogóle da się rzetelnie porównać dwa algorytmy przewidujące zwycięzcę turnieju na podstawie jednego turnieju?
To są pytania, które tutaj w formie zabawy mają ogromne przełożenie na modelowanie w biznesie – odpowiadanie co modelujemy, po co i jak mierzyć tego jakość są – z jednej strony – szalenie ważne w praktyce, a z drugiej – czasem trudniejsze w odpowiedzi niż powyższy przykład.
Kończąc, w nawiązaniu do pytania tytułowego i treści posta: jeśli chcesz wyróżnić się z tłumu kandydatów na DS i zaimponować rekrutującym, projektem mogłoby być np. „Metodologia ewaluacji algorytmów przewidujących wyniki sportowe – przykłady i dyskusja”. Brzmi ambitnie? No cóż, ambicja w tej branży jest bardzo wskazana 😉
