Machine Learning för iGaming

Machine learning är ett fält som idag ofta förknippas med robotar, självkörande bilar, och datorer som besegrar schackmästare. Men, går det även att använda machine learning för att göra spel både rättvisare och mer njutbara för användare? Det var med denna frågeställning som Knightec gick in i ett Data Science-projekt mot FSport AB från Helsingborg.

FSport AB är företaget som specialiserat sig på att ta fram så kallade ”daily fantasy sport”-spel inom idrotter som exempelvis fotboll, ishockey, och golf. Spelen går ut på att användarna väljer ut ett antal spelare från matcher eller turneringar till sina respektive lag. Spelarna kostar i sin tur olika mycket pengar att välja, baserat på deras tidigare prestationer. Lagen får sedan poäng i realtid under matchernas eller turneringarnas gång beroende på hur väl deras spelare presterar och användarna kan direkt följa hur det går för just deras lag i förhållande till övriga användares lag. Har man tillräcklig tur och skicklighet så kan man vinna stora summor pengar på spelet.

 

“Genom att i framtiden utnyttja machine learning i FSports Autofyll-funktion kan man ge användare lämpliga lagförslag givet en rad sannolika matchutfall.”

FSports utmaning är att ge alla användare så god chans som möjligt att vinna pengar. Skickliga användare kommer alltid att ha vissa fördelar, men nya användare måste även de ges goda möjligheter att vinna pengar och uppnå god avkastning på sina investeringar i spelen. Därför är det viktigt att man i förväg kan prediktera spelarnas prestationer så att prissättningen blir så rättvis som möjligt. Det ska vara i det närmaste omöjligt att hitta mönster och dolda strategier i prissättningen som kan utnyttjas av skickliga användare för att vinna pengar konsistent. Det är också här som Knightec kunnat hjälpa FSport genom sin kompetens inom Machine Learning. Genom att ta fram en kombinerad regressions- och forecastingmodell har man hjälpt FSport att minska de individuella prediktionsfelen i spelarnas prisskattningar. Residualanalys har använts för att säkerställa att prediktionsfelen är så slumpmässiga som möjligt och inte innehåller några dolda mönster.

För att ytterligare underlätta för nya spelare att komma in i spelet är det också viktigt att kunna assistera dem att sätta ihop bra lag. Genom att i framtiden utnyttja machine learning i FSports Autofyll-funktion kan man ge användare lämpliga lagförslag givet en rad sannolika matchutfall. Det kan också komma att bli aktuellt att låta användarna själva föreslå matchresultat, varpå de blir serverade med ett antal skräddarsydda lag som de kan välja att ställa upp i spelet med. På så sätt kan oerfarna användare spela och uppskatta FSports spel på samma villkor som de allra skickligaste användarna.

 

Knightec har lång erfarenhet inom dataanalys, machine learning, artificiell intelligens, och datorseende. Tveka inte att höra av er ifall ert företag har behov av vår expertis inom dessa fält.

Med mångfald skapar vi kvalitet i våra tjänster

Knightec har en organisation som består av tre verksamhetsområden, 550 medarbetare och nio kontor runt om i landet. Med vår bredd kan vi snabbt sätta ihop team för utveckling av både hård- och mjukvara, kvalitetssäkring, validering och projektledning. På så vis kan vi hjälpa våra kunder från idé till löpande produktion och utveckling av både produkter och tjänster. Våra verksamhetsområden är: