SCCG 研究：机器学习、体育数据中的人工智能和欺诈检测
下面，SCCG Research 探讨了人工智能技术的发展、它下一步的发展方向以及运营商如何利用它。本摘录仅供 Gambling Insider 使用，并预览了 SCCG 更广泛的研究论文。所有科学进步都基于前辈科学家的工作。尽管如此，上一代科学家并没有将火箭背包绑在下一代数据科学家的靴子上，并将他们送入太空，因为他们的肩膀已经很累了。正是对计算能力的商业需求才开启了人工智能和机器学习能力和影响力的指数级增长。
首先，PC 游戏行业日益增长的需求开始推动 Nvidia 等设计师和制造商打造更强大的图形处理单元 (GPU)，这是下一代计算机、游戏机和游戏所必需的。其次，加密货币的繁荣推动了对更强大 GPU 的需求，因为像比特币这样的代币需要更多的工作才能开采，而且在设计上变得越来越稀有。
GPU 制造商不再主要依赖游戏玩家的可自由支配（且巨大）的消费能力。他们已经打开了一个全新的市场，这个市场实际上是凭空创造财富——大量虚拟的虚拟货币，这推动了 GPU 处理器开发的进一步投资和进步。这种反馈循环促使 Nvidia 的市值达到今天的 3.1 万亿美元——成为全球第三大市值公司。
接下来是数据科学家，他们看到 GPU 制造商大量生产出这种功能极其强大的硬件，与 PC 强大的计算通才——中央处理器 (CPU) 不同，它可以加速矩阵乘法等特定任务——这正是 ML 模型需要扩大它们需要处理的参数数量，以便开始快速做出有价值的预测。
大多数人很难想象我们在并行处理和 AI/ML 模型规模方面取得了多大的飞跃，但让我尝试一下。
想象一下，一位数据科学家在家里用普通的旧花园软管给草坪浇水（是的，我知道受雇的数据科学家用软管给自家院子浇水是多么不可能，但请听我说）。那根绿色条纹软管的流速约为每分钟 10 加仑。想象一下 GPT-3 的容量。
现在，想象一下一位完全不同的数据科学家站在胡佛大坝顶部的控制台前，胡佛大坝是美国七大现代工程奇迹之一。他们按下控制台上的一个大红色按钮，打开两个巨大的混凝土泄洪道的闸门，每分钟向下方干渴的科罗拉多河中排放 1.79 亿加仑的水。如果没有胡佛大坝的混凝土渠道和引水隧道，水流的力量会在重力开始淹没其下方山谷之前向外延伸数百英尺。
花园软管喷嘴和胡佛大坝泄洪道可视化是 2020 年中发布的 GPT-3 与 2023 年初发布的 GPT-4 之间的合理、真实对比，两者相隔不到三年。我们在 Google 的 LLM 产品 BERT 和后续产品 T5 和 Switch Transformer 中看到了类似的增长。为了进一步将我们的类比扩展到其他竞争对手，微软发布了 Turing-NLG 17B，随后又发布了 Turing-NLG 530B，后者在尺寸和功能上（如果不是品牌）是 GPT-4 的直接竞争对手。
仍有增长空间，本文展示了一些只能在未来假想的 AI/ML 产品中才能看到的小众色彩，例如 OpenAI GPT-Hawaii 5o、Google Switch Transformer 2：Dark of the Moon 或 Microsoft 的 Turing-NLG 3825/QB4ABCDEFG。不过，考虑到摩尔定律，这还有多远？
因此，利用当今的非假设技术，我们商业上可用的 ML 模型利用复杂的算法和支持向量机来帮助分类数据，使用神经网络来识别模式并大规模考虑数千亿个参数。
他们的预测为体育菠菜运营商提供了更好的赔率，有时甚至快到足以让我们为客户提供实时的投注机会。他们可以查看大量交易，识别数据中的集群或异常，并将其描述为业务流程自动化的潜在欺诈行为。但问题是，除了少数例外，每个行业的竞争对手都在查看相同的数据集。体育数据可能被拥有和授权，但它是公开存在的。人工智能和机器学习利用了在所有领域广泛使用的框架。
漫画超级英雄之所以如此，是因为他们天生就很出色。随着人工智能/机器学习赋予每家公司巨大力量的商品化，他们中的任何一个都有机会成为复仇者联盟的一员。
但事实并非如此。在即将发布的关于 AI 和 ML 的 SCCG Research 简报中，我们将使用体育数据和欺诈预防作为讨论框架，介绍为什么会出现这种情况。我们还将讨论这些强大的功能如何推动我们行业的运营变革，以及在评估它们是否适合用途时需要考虑哪些因素。
打卡了~ 监测
页:
[1]