Sa loob ng mga dekada, ang pagpili ng mga mananalo sa karera ng thoroughbred sa New Zealand ay umaasa sa parehong mga sangkap: gabay sa porma, matalas na mata, kaunting kaalaman sa track, at higit pa sa kaunting swerte. Ang pinakamahuhusay na mananaya ay nagkakaroon ng intuwisyon — isang pakiramdam kung kailan handa na ang isang kabayo, kung kailan nahanap ng isang tagapagsanay ang tamang karera, kung kailan angkop ang mga kondisyon sa track.
Ngunit may limitasyon ang intuwisyon. Kayang hawakan ng utak ng tao ang halos isang dosenang baryabol nang sabay-sabay. Ang karaniwang pagpupulong ng mga gallop sa NZ ay kinabibilangan ng dose-dosenang mga kabayo, maraming hinete at tagapagsanay, nagbabagong kondisyon ng track, oras ng sectional, istatistika ng harang, at mga siklo ng porma na tumatagal ng ilang buwan. Kahit ang pinakamatalinong mananaya ay nag-iiwan ng pera sa mesa — hindi dahil mali sila, kundi dahil hindi nila makita ang buong larawan.
Diyan pumapasok ang AI sa usapan.
Ano ang Dinadala ng AI sa Pagsusuri ng Karera sa NZ
Hindi na bago ang machine learning sa karera ng kabayo. Ang mga pandaigdigang plataporma tulad ng Horse Racing Nation at Timeform ay gumamit na ng mga istatistikal na modelo sa loob ng maraming taon. Ngunit karamihan sa mga sistemang iyon ay binuo sa malalaking dataset sa ibang bansa — Amerikano, Britanya, Australiano — at inangkop para sa New Zealand bilang isang karagdagang ideya.
Ang problema ay ang karera sa NZ ay tunay na naiiba. Mas maliliit na larangan. Mas kaunting mga pagpupulong. Mga kondisyon sa track na mabilis na nagbabago. Mga pattern ng hinete at tagapagsanay na hindi sumasalamin sa internasyonal na anyo. Ang isang modelo ng AI na pangunahing sinanay sa datos ng UK ay hindi maintindihan kung bakit ang isang kabayong mahusay tumakbo sa Riccarton ay maaaring mahirapan sa Te Rapa, o kung bakit ang isang partikular na hadlang sa Awapuni ay kasaysayang hindi maganda ang performance sa isang Soft 6.
Ang solusyon ay isang modelong sinanay lamang batay sa datos ng NZ.
Ang Datos sa Likod ng mga Hula
Ang isang sadyang ginawang AI para sa karera sa NZ ay kumukuha ng libu-libong baryabol sa bawat karera. Hindi lamang ang mga halata — harang, bigat, kamakailang anyo — kundi pati na rin ang mga padron na bihirang mabilang ng mga taong gumagamit ng handicap:
Mga oras ng seksyon — kung paano natapos ng isang kabayo ang huling 200m at 600m nito kumpara sa average sa field, hindi lamang ang huling pwesto nito.
Pagganap ng harang sa pamamagitan ng track at distansya — kung ang harang 3 sa Trentham sa taas na mahigit 1600m ay istatistikal na naiiba sa harang 3 sa Riccarton sa parehong biyahe.
Kasaysayan ng kondisyon ng pag-alis — kung paano gumaganap ang mga indibidwal na kabayo sa Mabuti, Malambot, at Mabigat na mga track, na naka-segment ayon sa uri ng ibabaw.
Mga padron ng tagapagsanay at hinete sa mga partikular na track — hindi lang ang kanilang kabuuang strike rate, kundi pati na rin kung paano sila gumaganap sa bawat lugar.
Mga transisyon sa klase — kung paano naging makasaysayan ang mga kabayong pataas o pababa sa grado sa mga maihahambing na karera.
Mga pagbabago sa timbang ng karera — ang pagkakaiba sa pagitan ng inilaang timbang at ng aktwal na bigat na dinala, kung isasaalang-alang ang mga claim sa apprentice.
Hindi nanghuhula ang modelo. Natututo ito mula sa libu-libong makasaysayang resulta ng karera sa New Zealand — bawat mananakbo, bawat pwesto, bawat margin — at tinutukoy ang mga kombinasyon ng mga salik na makasaysayang humuhula ng tagumpay.
Bakit Mas Mahalaga ang mga Kondisyon ng Track Kaysa sa Napagtatanto ng Karamihan sa mga Punter
Isa sa mga pinakakapansin-pansing natuklasan mula sa pagsusuri ng AI sa datos ng karera sa NZ ay kung gaano kalakas ang impluwensya ng kondisyon ng track sa mga resulta — at kung paano ito hindi pare-parehong hinahawakan ng mga indibidwal na kabayo.
Kunin ang isang tipikal na karera sa kalagitnaan ng linggo sa Otaki. Sa isang Good 4, ang paborito ay maaaring magkaroon ng career record na 3 panalo mula sa 7 pagsisimula sa Good tracks. Ngunit kung susuriin mo pa, maaaring matuklasan mo na ang tatlong panalong iyon ay pawang nagmula sa Good 3 o mas matatag pa — at ang kabayong iyon ay hindi pa nakarating sa malambot o mabigat na ibabaw. Samantala, ang 15-1 na tsansa sa parehong karera ay nakapagtakbo ng apat sa pinakamahusay nitong limang karera sa karera sa lupang apektado ng ulan.
Karamihan sa mga sugarol ay tumitingin sa kondisyon ng track at inaayos ang kanilang pag-iisip nang kaunti o dalawa. Binibilang ito ng modelo, natututo mula rito, at inilalapat ang mga natutunang iyon sa libu-libong kabayo.
Kumusta naman ang Halaga?
Dito binabago ng AI ang laro para sa mga sugarol sa NZ.
Iba ang pagpili ng mga mananalo. Iba naman ang pagpili ng mga mananalo sa tamang presyo. Ang isang mahusay na sistema ng prediksyon ay hindi lamang nagraranggo ng mga kabayo — tinatantya nito ang probabilidad. Kapag ang modelo ay nagbigay sa isang kabayo ng 25% na pagkakataong manalo, at ang TAB fixed odds ay nagpapahiwatig ng 12% na pagkakataon (humigit-kumulang $8.00+), iyon ay isang mahalagang pagkakataon.
Ito ang Expected Value (EV) betting — ang parehong konsepto na ginagamit ng mga propesyonal na manlalaro ng poker at mga sugarol sa sports. Hindi mo kailangang manalo sa bawat karera. Kailangan mong tumaya kung saan ang tunay na probabilidad ay lumampas sa presyo sa merkado.
Ang AI ay mahusay dito dahil wala itong emosyon. Hindi ito umiibig sa pangalan ng kabayo, o naaakit sa isang magarbong panalo sa huling pagsisimula, o nagko-overcorrect pagkatapos ng isang masamang talunin. Pinoproseso nito ang datos, tinatantya ang probabilidad, at hinahayaan ang matematika na magsalita.
Mahalaga pa rin ang Elemento ng Tao
Hindi pinapalitan ng AI ang paghatol ng sugarol — pinapalakas nito ito. Ang pinakamahusay na paraan ay pinagsasama ang mga probabilidad na nabuo ng AI sa iyong sariling kaalaman sa isport. Maaaring alam mo na ang isang partikular na tagapagsanay ay nagta-target sa partikular na pagpupulong na ito bawat taon, o na ang isang hinete ay may malakas na talaan ng mga sakay ngayon. Hindi nakukuha ng modelo ang lahat.
Ngunit ang nakukuha ng modelo — ang mga istatistikal na padron sa mahigit 100,000 na makasaysayang pag-ikot — ay impormasyong hindi kayang itago ng sinumang tao sa kanilang isipan. Gamitin ang pareho, at ikaw ay naglalaro gamit ang materyal na kalamangan.
Pagsisimula sa mga Hula ng AI Race sa NZ
Maraming plataporma na ngayon ang nag-aalok ng mga datos tungkol sa karera sa NZ. Isa na partikular na ginawa para sa mga gallops sa New Zealand ay Panalong Post — isang AI prediction engine na eksklusibong sinanay sa datos ng karera sa NZ. Sinasaklaw nito ang lahat ng pagpupulong ng mga thoroughbred sa NZ, bumubuo ng mga probabilidad ng panalo at puwesto, at itinatampok ang mga oportunidad na may halaga batay sa inaasahang halaga.
Ang serbisyo ay kasalukuyang nasa pribadong beta, na may libreng pagsubok na magagamit para sa mga sugarol na gustong subukan kung kayang patalasin ng AI ang kanilang bentahe.
Gumagamit ka man ng Winning Post, gumawa ng sarili mong mga modelo, o mas binibigyang-pansin lang ang mga sectional time at track-condition splits, malinaw ang direksyon: Ang pagsusuri ng karera sa NZ ay dumadaan sa isang rebolusyon sa datos. Ang mga sugarol na umaangkop ang siyang may hawak ng mga tiket sa pay window.
*(Ang artikulong ito ay para sa layuning pang-impormasyon lamang. Ang pagtaya sa karera ng kabayo ay may kasamang panganib sa pananalapi. Mangyaring magsugal nang responsable.)*
