Что нам стоит ИИ построить. Как мы создали сервис предиктивной аналитики, прогнозирующий CS:GO-матчи лучше букмекеров

Мы — Дима и Слава.Так получилось, что мы создали стартап в невероятно конкурентной среде — предиктивной киберспортивной аналитике, а наши конкуренты — десятки букмекеров с огромными бюджетами и штатами разработчиков. Рассказываем, как мы к этому пришли.

Мы занимается предпринимательством уже 9 лет, и за это время создали hardware-стартап в Италии, несколько лет работали с блогерами и в сфере маркетинга и зарекомендовали себя перед инвесторами как ответственные управленцы.

Во время ковида мы активно питчили инвесторам идею платформы эксклюзивного блогерского контента по подписке, но в России невозможно привлечь инвестиции выше $1 млн в подобный стартап просто на этапе идеи. Вместо этого нам предложили попробовать силы в киберспорте, и в итоге мы вошли в уже существующий проект в фазе разработки — сервис CS:GO-статистики DataLuna.

Первоначальная идея фаундера была простая — собирать максимально возможное количество статистических данных, в том числе начать считать собственную статистику, и упаковать все это в сервис. Предполагалось, что эта информация будет интересна игрокам и командам.

Несмотря на то, что в нашем бэкграунде не было киберспорта (мы совсем не играли в CS:GO), было сделано смелое предположение — если сервис собирает много статистики, почему нельзя разработать искусственный интеллект для прогноза матчей на основе этих данных?

Задача сложная, интересная и потенциально прорывная: все знают, что казино (в нашем случае — букмекеры) всегда в плюсе, и значит у них лучшие данные и эффективные технологии.

Мы задались вопросом: “Можно ли в полностью оцифрованной многомиллиардной индустрии создать не просто что-то новое, но и эффективнее текущих технологий?”

Сумасшедшая идея для любого человека, знакомого с CS:GO на уровне чуть выше среднего, до которой мы бы тоже не дошли, если имели киберспортивный бэкграунд (об этом ниже).

Тем не менее, инвестор согласился с идеей ИИ-прогнозов, и мы начали работу в качестве “продюсеров” проекта, взяв деньги под свою ответственность. Фаундер статсервиса тоже согласился со сменой направления сервиса, но в работе сразу выявилась куча вызовов.

Во-первых, вместо полноценного ИИ программисты стали разрабатывать систему весов — когда человек-аналитик вручную расставляет приоритетные статистические параметры, и уже на основе этого выдается прогноз на матч. Никаким искусственным интеллектом тут и не пахло — это была не технология, а ручной труд.

Во-вторых, даже с такими вводными, без сложного обучения нейросети, прогноз на матчи делался очень долго — вплоть до 4-х часов. Проект хостился на компьютере джуна-программиста, даже не в облаке.

Ну и наконец, фаундер был уверен, что люди в первую очередь покупают “оболочку” и бросал все силы на ее разработку, в то время как мы топили за технологическую составляющую и пытались продавить идею настоящего искусственного интеллекта, а не системы весов.

Конфликт и недовольство друг другом росли, бюджет заканчивался, а еще одним неприятным сюрпризом стало неожиданное открытие: фаундер делал сервис прогнозов только для вида, и на самом деле параллельно продолжил работать над своей первоначальной идеей — сервисом статистики.

Но времени на остановку и полный разбор полетов не было — время поджимало. Мы не только наняли датасаентиста, знакомого фаундера, но и параллельно начали активнее погружаться в тему CS:GO и машинного обучения и искусственного интеллекта — неделями усваивали весь контент, до которого могли добраться (инженерное образование пришлось как никогда кстати).

Через полмесяца датасаентист уволился (как оказалось, это был джун, не знавший Python, который только-только закончил онлайн-курсы), и в срочном порядке потребовалось найти датасентиста-питониста — инвестиции тратились, но прогресса не было.

Помогли наши хорошие знакомые: по их рекомендации нашли двух программистов, хотя изначально закладывали бюджет только на одного разработчика.

Сейчас они составляют костяк команды разработки и вошли в штат, но наши взаимоотношения начались с проектной работы (что сэкономило нам бюджет и время).

Даня живет в Ирландии и работает в Фейсбуке, Виталий за свою карьеру сделал много интересного, в том числе участвовал в разработке модели компьютерного зрения для ритейлера, анализирующую ценники в магазинах конкурентов.

Из-за нетипичности задачи главной проблемой в начале работы стало полное отсутствие опыта программистов в CS:GO — без этого начать разработку было нельзя, хотя оба опытных программиста умели писать отличный код для стандартных проектов.

“Вкатиться” в CS:GO за один присест невозможно из-за слишком специфичных данных и способа их получения. Сначала необходимо создать “мост” между программистами, которые в лучшем случае пару раз играли в CS с друзьями, и аналитиками, отдавшими игре больше 10 лет жизни.

Чтобы научиться говорить на иностранном языке на базовом уровне обычному ученику требуется месяц-два, после чего начинается длинный процесс прокачивания скиллов до уровня “носителя”.

CS:GO работает по такому же принципу.

На базовое знакомство со сферой ушло 2 недели постоянных созвонов-”лекций”, за время которых CS:GO-тренер Эрик ввел программистов в курс дел. Эта структурированная информация сильно бустанула наш прогресс: программисты, ни разу не игравшие в CS:GO, начали разбираться в игре на уровне полупрофессионалов, следить за про-сценой и подмечать, как теория реализуется на практике. Мы всей командой следили за мейджором в Стокгольме.

Программистам стало интересно, вовлеченность в проект ощутимо выросла, появилась мотивация сделать первыми что-то крутое. Деньги деньгами, но для программистов крайне важна мотивация — создание крутых штук в сфере, про которую ты еще месяц назад даже не думал, это интересный вызов

Мы как фаундеры тоже вынесли несколько важных уроков из этой истории:

Но не только программисты получили нужные знания и заряд мотивации.

Тренер Эрик, объяснявший CS:GO разработчикам, не написал ни одной строчки кода в своей жизни, стал понимать запросы программистов и особенности формирования ТЗ для модели предиктивной аналитики.

По сути, Эрик понял, как лучше выстроить работу по оцифровыванию его опыта игры, а разработчики поняли, с чем именно им предстоит работать.

К сентябрю 2021 года мы вплотную подобрались к созданию первой версии модели. И тут у нас закончились деньги.

В поисках инвестиций мы начали ходить на встречи с владельцами киберспортивного бизнеса из России, некоторые из которых буквально зарождали CS-движение в России, и встретили только скептицизм. Общий месседж был таким — “мы пытались это сделать, но невозможно прогнозировать лучше букмекеров. Можем проинвестировать, когда увидим результат работы модели”.

Сейчас уже понятно, что если бы мы с самого начала разбирались в CS:GO (условно, 5 лет были бы "в теме"), после чего увидели стартап про предиктивную аналитику, то были бы заражены таким же скептицизмом и ничего бы никогда не получилось.

Незнание и стечение обстоятельств позволили поставить задачу под таким углом, под которым до этого никто не делал. Когда ты "в теме", многое воспринимаешь как должное, а мы решили перепроверить базовые вещи и выяснилось, что они не отображают суть игры.

До этого был консенсус, что события (или "ивенты" на техническом жаргоне) X, Y и Z очень сильно влияют на исход матчей и нужно обсчитывать их.

Мы же начали проверять такие фундаментальные вещи, потому что было понимание: если сможем реализовать ивенты, которые действительно отражают суть игры, то прогнозы будут лучше, чем у букмекеров. Необходимо правильно оцифровать игру для тренеров, а не обычных игроков.

Дело не в сухих цифрах убийств и смертей, а в том, из-за чего, как и где они случились. Эти вопросы и позволили создать новые ивенты, а благодаря ИИ выявились действительно эффективные статистические данные. Что тоже стало сюрпризом для нас.

Еще пример: в первой модели мы считали точность стрельбы каждого игрока из каждого типа оружия. Кажется, что в игре про стрельбу точность должна быть одним из ключевых факторов победы или поражения. Логично?

По факту, после прогона всех ивентов на точность стрельбы через ИИ, оказалось, что на результат матча влияла только точность стрельбы из Фамаса, а у остального оружия влияли другие факторы в совокупности с другими событиями. Небольшая пометка для людей, разбирающихся в CS: точность стрельбы считалась без прострелов, а не как это обычно делается у обычных для игры сервисов статистики.

Но осознание того, что мы считаем статистику лучше остальных, не облегчало ситуацию с закончившимися деньгами, хотя мы и видели у проекта огромный потенциал.

После честного обсуждения с командой, мы решили доделать первую версию модели — все работали в это время бесплатно, без зарплаты.

26 сентября (в день рождения Славы) программисты доделали первую версию модели, а за день-два до этого мы смогли договориться с инвестором — 20% компании оценили в $200 000. Хотя конкретно на тот момент до конца работающего алгоритма не было.

Прелестью первой модели стал не только положительный винрейт на исторических данных (60% прогнозов — правильные), но и предсказывание “противоположных коэффициентов” — когда букмекеры в матче команд А и В прогнозировали победу команды В, а DataLouna — команды А, и был прав именно искусственный интеллект. И в этот момент команда поверила, что можно добиться всех поставленных целей.

Когда мы заручились поддержкой инвестора, фаундер решил уйти, чтобы заниматься своей первоначальной идеей — вполне понятное поведение фаундера.

Мы приняли решение мирно разойтись и фаундеру оставили всего его наработки статсервиса, а продолжили работать над проектом и изменили название — вместо DataLuna стали DataLouna.

Если вы проскроллили текст поста в самый конец только для того, чтобы найти строчку "Подписывайтесь на мой телеграм-канал", могу вас только разочаровать.

Но можете подписаться на меня на VC, чтобы не пропустить следующие посты, где я расскажу продолжение истории DataLouna и более подробно расскажу о работе над сервисом не только с точки зрения фаундера, но и программистов и тренера.

Связаться со мной можно через личные сообщения на VC или CEO@datalouna.ru