Az online szerencsejáték egyik legnagyobb problémája, hogy a játékosnak fogalmas sem lehet, hogy ki van a másik oldalon, ami sokkal nagyobb veszélyt hordoz, mint gondolnánk.
Egyrészt manapság egy esély biztosan növekedik, jelesül, hogy a játékos gépi tanuló algoritmusok ellen fogad, és ha az offline világban is mindig a ház nyer, akkor a gépi tanulást (ML) használó mesterséges intelligencia (AI) által vezérelt online szerencsejátékok világában még rosszabb a helyzet. Az esélyek megértése segít átlátni a lehetséges kockázatokat a szerencsejáték-ipar konszolidálódásának köszönhetően. A TechRepublic áttekintette a helyzetet.
Ha valaki személyesen megy el bármelyik kaszinóba, a legjobb esélyek, amelyeket kaphat a háztól 1,5 és 5 százalék között mozognak (a craps, a baccarat, a nyerőgépek és a Big Six pedig több mint 20 százalékot is elvihet). A feltett pénzzel körülbelül 95-98 százalékát lehet visszakeresni (a legjobb fogadási esély a blackjack kártyajátékon van), de végül a ház mindenképpen megkopasztja a játékost, mert a matematika a háznak dolgozik.
A kaszinóipar azzal érvel, hogy az AI/ML használata mellett, hogy ez a technológia segíti a játékosokat, mert gyorsabban felismeri a csalókat. Csakhogy a szherencsejáték problémát az ellenkező oldalról is meg lehet közelíteni.
A TechRepublic szerzője Matt Asay arról számolt be, hogy Craig Smith, a New York Times korábbi tudósítója, jelenleg AI/ML-kutató a technológiát arra használta, hogy megnézze, jobban tud-e járni a lóverseny-fogadásoknál. (Ez az iparág 15 milliárd dollárt forgalmaz évente az USA-ban).
Az ML és a lóverseny-fogadás hatékonyságának tesztelésére az Akkio nevű kódolás nélküli ML szolgáltatást. Az Akkio nem szerencsejátékosoknak, hanem inkább üzleti elemzőknek készült, akik gyorsan szeretnének betekintést nyerni az adataikba anélkül, hogy fejlesztőket és adattudósokat alkalmaznának. Kiderült, hogy ez az eszköz Smith céljaira is hasznos. Olyannyira, hogy megduplázta a pénzét egy ML-ajánlási modell segítségével, amelyet az Akkio percek alatt létrehozott. Ez rávilágít az ML és a szerencsejáték kapcsolatának sötét oldalára is.
Győztesek és vesztesek
Cikkében Smith interjút készített Chris Rossival. Ő az a lófogadási szakértő, aki segített felépíteni egy telivér adatrendszert, amelyet végül a DRF (Daily Racing Form) lóversenyinformációs konglomerátum vásárolt meg. Most a lóversenyzés világában dolgozó embereknek ad tanácsokat, beleértve az általa leírt kvantitatív elemzők csapatait, akik gépi tanulást használnak arra, hogy évente milliárdokkal fogadjanak a versenyeken, és nagy pénzeket keressenek. Ennek egy része a vesztes fogadásokból származó mennyiségi visszatérítésekből származik, amit azért alkalmaznak, hogy ösztönözzék a fogadásokban való részvételt.
"A lóverseny szerencsejátékban alapvetően balekok állnak szemben alkalmazott matematikusokkal" És ezek a 'kvantok' eltapossák a balekokat" - állapította meg Rossi.
A járvány idején, amikor a kaszinók bezárták kapuikat, és a fogyasztók olyan tevékenységeket kerestek, amelyekkel eltölthetik hirtelen megnövekedett szabadidejüket, ennek következtében az online szerencsejáték és sportfogadás beindult. Csak egyetlen példa a DraftKings, amelynek részvényei 350 százalékkal emelkedtek a koronavírus terjedésének kezdete óta, és a vállalatot jelenleg közel 30 milliár dollárra értékelik. A DraftKings emellett igyekezett diverzifikálni tevékenységét, és távolabbra merészkedni a sportszezon köré koncentrálódó üzletágaktól. Az online fogadási ügyfél a jelek szerint értékesebb számára, mint a sportfogadási ügyfél.
(A DraftKings egy fantázia sportverseny üzemeltető és sportfogadási cég. A felhasználói napi és heti fantázia sporttal kapcsolatos versenyeken vehetnek részt, és pénzt "nyerhetnek" az egyéni játékosok teljesítménye alapján öt amerikai major sportágban (MLB, NHL, NFL, NBA és PGA), labdarúgásban a Premier League és az UEFA Bajnokok Ligája pályáin, illetve a NASCAR autóversenyben, a Canadian Football League-ben, az XFL (amerikai futball ligában), a vegyes harcművészetekben (MMA) és teniszben.)
A szerencsejáték üzletben rengeteg a pénz, amely megtalálja az útját az ML növekvő használatához. mellett. A gépi tanulás biztosan segíthet megtisztítani az online szerencsejátékokat a csalók kiiktatásával, de azonnal előkerül a másik oldal is. Az AI ugyanis képes elemezni a játékosok viselkedését, és testre szabott játékjavaslatokat készíteni a számukra. Aki látott már internetes hirdetéseket, vagy vásárolt a neten, tudja, hogy milyen hatékonyan tolja az orrunk alá a mesterséges intelligencia a preferenciáinknak megfelelő árukínálatot. Azaz nem kell nagy fantázia ahhoz, hogy belássuk, ez a fogadások és szerencsejátékok esetében is működik.
Az ilyen testreszabott játék lehetőségek vonzóbbá teszik a szerencsejátékosok számára a fogadások folytatását. Eközben az AI/ML egy percre sem segíti őket valójában, mert a ház - akár online, akár offline - mindig nyer. Ha a szerencsejátékokban az ML teret hódít, akkor arra jó eséllyel lehet fogadni, hogy a játékosok bevonódása fokozódik, tovább játsszanak és többet veszítenek majd.
Ha valaki megpróbálkozna azzal, hogy saját gépi tanuláson alapuló fogadási algoritmust használ vagy fejleszt, és nyer néhány kört a profi cégeken, akkor azzal számolhat, hogy előbb-utóbb felfedezik, és jobb esetben megvásárolják a fejlesztését, vagy a hallgatását és megkérik, hogy húzzon el a szerencsejátékok környékéről, rosszabb esetben pedig beperlik. De a nagy fejlesztői kapacitás végül itt is (valószínűleg gyorsan) a házak oldalára billenti a mérleget. Számukra egy jól szervezett ransomware-támadás sokkal nagyobb veszélyt jelenthet, mint bármennyi AI/ML-lel felszerelkezett magányos szerencsejátékos.
