この記事では、ボートレース(競艇)予想に使う「テトラの 4 つの AI って何?」「ブレンドって具体的に何?」という方のために、以下の内容をまとめています。
- なぜ 1 つの AI では足りないのか
- 4 つの AI それぞれの個性
- アンサンブル学習の代表的な考え方(重み付き平均・スタッキング・アンサンブル投票)
- BOATCRAFTでの活用の考え方
- 単一モデルとブレンドの違い
第 1 回「AI予想とは何か」で書いた「AI予想を支える 2 つの技術(機械学習・統計学)」のうち、 機械学習パートを深掘りする記事です。
なぜ 1 つの AI ではダメなのか
機械学習の世界には「ノーフリーランチ定理」という有名な定理があります。
ざっくり言うと、「すべての問題に対して最強のモデルは存在しない」という意味です。
ある問題ではモデル A が強い。別の問題ではモデル B が強い。どれが最強かは、問題によって違う。 これは数学的に証明された事実です。そして同じことが「予測モデル」にも言えます。
競艇予想で言うと
競艇の勝敗には、性質の違う要因が層になって絡みます。
- コース: 1 コースの圧倒的有利、会場ごとのコース別入着傾向
- 選手: 全国勝率、A1/A2/B1/B2 の級別、ST 安定度
- 機力: モーター 2 連率、ボート 2 連率
- 直前情報: 展示タイム(公式の直前情報)
- 直近の調子: 直近 10 走の成績(BOATCRAFT の集計)
これらは全く性質が違うレイヤーです。ある艇の強さを評価するために、これら全部を 1 つのモデルでバランスよく見られる保証はありません。
単一モデルの落とし穴
たとえば 1 種類のモデルだけで予想を作るとします。「1 コースは強い」は競艇最大の法則なので、それなりに結果と合います。 でもその予想は、B2 級の新人がイン、A1 級のエースが 4 コースという番組で平気で 1 号艇を本命にしてしまう。 選手の実力差というレイヤーが、丸ごと見えていないからです。
逆に 選手の実力だけを見ると、勝率上位の選手を素直に評価できますが、 「実力は中位でもモーターが超抜」「今節だけ異様に仕上がっている」といった機力・直前のシグナルを取りこぼします。
これが「単一の AI で満点を取れない」根本原因です。
4 つの AI ─ それぞれの個性
テトラの中身は、4 種類の機械学習モデルです。モデルが違えば「何を重視するか」も違う。 この個性を組み合わせる ── ここがテトラの設計の核です。
機械学習のモデルには、一般に、それぞれ得意・不得意があると言われています。同じ問題を解くにも、モデルによって重視するポイントが変わってくるという考え方です。
テトラは、こうした4 つのモデルを組み合わせることで、1 つのモデルだけでは生まれる死角をお互いに補い合う構成を採用しています。モーターやボートの数そのものは、テトラの AI の材料に入っていません。モーターやボートを重く見たい時は、「モーター」「ボート率」のつまみを上げると、動かした分だけ、つまみで組む予想の並びにも、テトラの % にも入ります。
最後に意見を統合する。これがブレンドです。
組み合わせ方の 3 方式
複数のモデルを組み合わせる方法は、何種類かあります。アンサンブル学習における代表的な3つの一般的な考え方を紹介します。テトラは、このうち 1 つ目の「重み付き平均」の形で、4 つのモデルの予測を統合しています。
方式 1: 重み付き平均 (Weighted Average)
最もシンプルな方式です。
各モデルの予測値に、それぞれの精度に応じた「重み」をかけて足し合わせる方式です。
メリット: シンプル、計算が軽い、解釈しやすい
デメリット: モデルの「組み合わせ」効果を捕捉できない
方式 2: スタッキング (Stacking)
もう一段上の方式です。
各モデルの予測を 「入力」として扱い、その上にもう 1 つのモデル(メタモデル)を乗せる:
モデル 1 の予測 ┐
モデル 2 の予測 ├→ メタモデル → 最終予測
モデル 3 の予測 │
モデル 4 の予測 ┘
メタモデルが「モデル 1 は高評価なのに、モデル 4 が低い時はこういう傾向がある」みたいなパターンを学習します。
メリット: モデル間の複雑な関係も捉えられる
デメリット: 過学習しやすい、計算が重い
方式 3: アンサンブル投票 (Ensemble Voting)
予測値ではなく 「予測結果(買い目)」で多数決を取る方式。
各モデルが「1 号艇が 1 着」と予測したら 1 票。「2 号艇が 1 着」と予測したら 1 票。 最も票数が多い艇を最終予測とする。
メリット: 異なる予測手法も統合できる、頑健性が高い
デメリット: 確率の細かい違いを失う、競馬・競艇のような確率的予測には不向き
BOATCRAFTでの活用
BOATCRAFTのデータベースには、1999年以降の約149万レース・約892万件の出走データを収録しています。AIの学習対象は、結果データと突合でき、品質条件を満たしたデータを選定して使用しています。
予想エンジン「テトラ」は、こうして学習した 4 つの AI モデルの予測を重み付けして統合します。BOATCRAFT では、さらに 23 のつまみで利用者が予想を調整でき、そのうち 16 本は、動かした分だけテトラの % にも入ります。(23本それぞれが何を見ているかは 23つまみ完全ガイド で実名解説)
単一モデル vs ブレンド、何を狙っているか
正直なところを書きます。
ブレンドが単一モデルより常に勝つとは限りません。ある会場・ある条件では、単一のモデルの方が精度が高いこともあり得ます。
それでも複数のモデルを組み合わせる一般的な狙いは、それぞれのモデルの死角を補い合い、単一モデルよりも安定した予測を目指すことです。 これはアンサンブル学習全般で広く言われている考え方で、テトラもこの考え方を採用しています。テトラの予想の実績は、答え合わせのページで毎週公開しています。
ブレンドが目指す価値
精度の数字そのものより、「予測の安定性」を重視した設計です。
単一モデルだと、そのモデルが見落としていた要因が表に出た時に、ある日突然大きく外れるリスクがあります。
複数のモデルを組み合わせることでお互いの死角を補い合い、そうしたブレを抑えることを狙っています。
「予測の安定性」にある。
まとめ
長くなりましたが、ポイントを 5 つにまとめます。
- 単一の AI で競艇の全てを見通すことはできない(ノーフリーランチ定理と同じ構図)。
- 競艇予想には性質の違うレイヤーが層になっているため、複数のモデルを組み合わせる狙いがある。
- BOATCRAFT の予想エンジン「テトラ」は、4 つの AI モデルの予測を重み付けして統合している(テトラ= 4 の由来)。
- 23 つまみは「どの要素をどれくらい信じるか」のスイッチでもある。
- ブレンドが目指す価値は、精度そのものに加えて「予測の安定性」にある。
機械学習だけでは足りない理由 ─ つまり「統計学を組み合わせる理由」は、統計学を組み合わせる理由で解説しています。新人選手や開催初日のレースで機械学習が苦戦する場面と、統計学がどう補うのかも紹介しています。