AI i Odds & Sportsbetting: Slik bruker du det

Denne artikkelen vil handle om AI, eller Artificial Intelligence som det heter på nynorsk, mens vi på korrekt norsk omtaler det som kunstig intelligens. Vi vil spesielt se på hvordan AI kan brukes i sportsspill, som jo er en ganske lovende bransje, der man i motsetning til ren gambling også har et element av kunnskap inne i bildet.

Flere av de som snakker og mener noe om AI har sett på science fiction, i det minste klassiske science fiction-filmscenarier som for eksempel Terminator fra 1984 og The Matrix fra 1999, og noen mener også at AI kommer til å utgjøre en trussel mot menneskeheten i fremtiden.

Blant dem som har advart mot farene rundt AI er fysikeren og matematikeren Stephen Hawking, som like før sin død i 2018 advarte mot at  “dette kan bli slutten for menneskeheten”.

For oss mindre intelligente, er det sannelig ikke lett å vite hva man skal tro, men på samme måte som når internett ble allment tilgjengelig på 1990-tallet, må vi alle innse at AI har kommet for å bli, og jo før man kan sette seg inn i hva det er, desto bedre.

Nå i 2025 er AI en av de mest kraftfulle formene for innflytelse, og de beste i bransjen er ikke redde for AI. De har allerede tilpasset seg, lærer og utvikler seg, og får betalt sine regninger. Fremtidens liv = X + AI, men det har bare så vidt begynt.

Begynnelsen for AI

Selv om begrepet kunstig intelligens har eksistert siden 1950-tallet, har det de siste årene skjedd en bemerkelsesverdig utvikling etter at de såkalte språkmodellene, eller generativ AI, ble tilgjengelig for hvem som helst mot slutten av 2022… eller nærmere bestemt i november 2022 når OpenAI kom ut med sin Chat GPT-modell.

Dette førte jo til at alle de andre store teknologigigantene, blant dem Google og Microsoft, måtte hive seg rundt for å bli med på karusellen, for Chat GPT ble enormt populær på veldig kort tid. Siden da har det vært en eksplosjon i antallet modeller som er tilgjengelig for publikum. Utviklingen er og vil bli enorm, og landskapet endres raskt… hele tiden.

Men felles for alle disse modellene er at de ennå ikke kan unnslippe det å «hallusinere», og det vil si «lyve» og dette er mest fordi modellene ikke har noen underliggende forståelse av verden.

Derfor er det veldig viktig å kvalitetssikre hva modellene skaper, og ikke ta alt for god fisk.

Prediktiv og generativ AI

Den første er prediktiv og reaktiv, mens den andre er kreativ og genererer nye muligheter.

Ordet generativ stammer fra at modellen genererer data, til forskjell fra prediktiv som klassifiserer eller forutsier en størrelse. Generativ AI blir brukt til å generere tekst, bilder, videoer eller annen data, ofte som resultat av brukerangitte kommandoer. Målet er å etterligne data som finnes på internett, og det finnes ulike bruksområder for slikt, for eksempel Chat GPT.

Teknisk er det ingen forskjell mellom generativ og prediktiv intelligens, men prediktiv AI – som er hva vi skal se på – er en type kunstig intelligens som er spesialisert på data analyse og prediksjon av fremtidige hendelser. Den er basert på bruk av statistiske modeller og maskinlæring for å tolke tidligere og nåværende mønstre og trender, for å lage anslag for hva sannsynligheten er for at noe skal inntreffe i fremtiden.

Hovedtyper av AI modeller

For AI kan man grovt sett skille mellom regelbaserte modeller (ekspertsystemer) og datadrevne modeller (maskinlæring). Regelbaserte modeller forstår begreper gjennom regler som ofte er programmert før modellen brukes, mens man i datadrevne modeller lærer maskinen i stedet for at den blir programmert.

Datadrevne modeller er en viktig underkategori av kunstig intelligens, og omhandler systemer som lærer der øvingen foregår ved prøving og feiling, så i starten vil ikke maskinen være spesielt flink. Regelbaserte modeller er i hovedsak systemer som har en oppførsel som er definert på forhånd, i motsetning til datadrevne modeller, som ikke kan noen ting på forhånd.

Regelbaserte modeller

Et eksempel der regelbaserte modeller fungerer godt er jo sjakk , som har et klart avgrenset spillebrett og entydige regler for hvordan brikkene kan flyttes.

Noen vet kanskje hvem Garry Kasparov er. Han ble verdensmester i sjakk første gang i 1984, og i over 20 år ble han ranket som verdens beste sjakkspiller. Men helt sentralt i hans liv er likevel at han i 1997 ble slått av IBM sin prestisje maskin Deep Blue.

Det er nesten 30 år siden, og nå er det jo slik at den lille mobiltelefonen man går rundt med i lommene sine er mange ganger sterkere enn Deep Blue var den gang. På den tiden ble sjakk nærmest regnet som synonymt med menneskelig intelligens, og at en maskin kunne slå et menneske i sjakk, ble av mange tolket som at nå var maskinen blitt smartere enn mennesket.

Men Deep Blue hadde ikke noe med intelligens å gjøre, for det handlet bare om styrke og hurtighet, samt at maskinen regnet ut alle mulige svar. Maskinen vant ganske enkelt i sjakk fordi den brukte veldig kort tid og ikke gjorde feil. Mens selv spillere i verdenstoppen tabber seg ut og bukker en offiser i ny og ned, skjer ikke slikt med maskiner.

Nå for tiden er den maskinen eller programvaren som er den ultimate sjakkvinneren, og som rater skyhøyt over alle menneskelige sjakkspillere, den såkalte Alpha Zero. Den ble ikke matet med menneskelig erfaring i det hele tatt, og fikk bare utdelt reglene og rammeverket for spillet. Deretter spilte den 44 millioner partier mot seg selv i løpet av ni timer. Etter to timer var den bedre enn noe menneske, og etter fire timer slo den verdens beste sjakkprogram.

Det som gjør Alpha Zero ekstremt imponerende, men også skremmende, er at programmet kan lære seg et hvilket som helst spill og slå mennesker uansett. Programmet lærer seg spillereglene først og blir deretter bedre og bedre jo mer programmet spiller. Man kan nesten si at Alpha Zero «tenker» som et menneske og det er det som er revolusjonen med dette regelbaserte programmet.

Men i den virkelige verden får de regelbaserte modellene ofte problemer når de møter situasjoner de ikke har sett før. Det største problemet er at modellen ikke enkelt kan takle store mengder med varierte former for data, og derfor har disse modellene begrenset nytte sammenlignet med datadrevne modeller, hvor programmene lærer og justerer seg selv for hvert skritt de tar fremover.

Datadrevne modeller

Datadrevne modeller omhandler systemer som lærer der øvingen foregår ved prøving og feiling. Programmet kan ikke noen ting når det starter, men er i stand til å lære over tid. Det finnes flere metoder for å veilede denne læringen, slik at maskinen kan justere sin modell, og dermed bli litt bedre for hver gang den øver.

Overvåket læring er kanskje den mest brukte formen og det vil si at en lærer, som er et menneske som vet svaret på oppgaven, jobber sammen med maskinen. Men siden overvåket læring krever tilstedeværelse av ett eller flere menneske, kan det være en kostbar prosess å trene opp modellen, og det blir derfor forsket mye på forskjellige former for uovervåket læring, der treningen gjøres automatisk.

Sportsbetting

Sportsspill har eksistert i århundrer og har vært en populær måte å gamble på. Med utviklingen av teknologi og internett har industrien eksplodert de siste årene, og det ser ut til at tiden da spillere kunne tjene gode penger på overvurderte odds fra bookmakernes side, er i ferd med å bli en saga blott.

På grunn av bruken av automatiserte verktøy som roboter, står bookmakerne nå overfor en situasjon der de har mindre og mindre handlingsrom når det gjelder den oddsen de tilbyr.

For vanlige spillere er imidlertid AI i ferd med å bli en kamerat med stor ekspertise, som gjør livet mye enklere med personlig veiledning og gode råd.

Tradisjonelt har sportsspill basert seg på oddssetternes ekspertise og spillernes personlige kunnskaper. Oddssetterne satte sine odds basert på en kombinasjon av statistiske analyser, meninger og markedstrender. Spillerne på sin side gjorde innsatser basert på sine personlige kunnskaper, historiske resultater og noen ganger intuisjon eller magefølelse. Denne manuelle tilnærmingen var effektiv, men hadde begrensninger i form av nøyaktighet.

Integreringen av AI i sportsspill markerer et betydelig skifte fra disse tradisjonelle metodene. AI-systemer kan behandle enorme datamengder med høy hastighet og nøyaktighet, noe som gir innsikt som tidligere var uoppnåelig. Denne teknologiske utviklingen har ikke bare forbedret nøyaktigheten, men også personalisert spillopplevelsen, noe som gjør den mer effektiv og brukerfokusert.

AI i sportsspill er i ferd med å bli den nye normen med roboter som drives av avanserte maskinlæringsmodeller som gjenkjenner mønstre, trender og eksterne faktorer for å komme med svært nøyaktige sannsynlighetsvurderinger. De har evner og ferdigheter som langt overgår det den menneskelige hjernen er i stand til, og de jobber mer nøyaktig med sannsynligheter for å komme med mer nøyaktige forutsigelser enn de som bruker tradisjonelle metoder.

Og prøve å forutsi sportsbegivenheter ved hjelp av kunstig intelligens er en stor fordel, men bruken av ny teknologi er ikke begrenset til dette. AI brukes aktivt av bookmakerne til å automatisere driftsprosesser, analysere spilleratferd og håndtere risiko.

Flere bookmakere bruker AI til å lage skreddersydde tilbud basert på brukerens økonomi og spillpreferanser. De bruker også AI for å søke etter mistenkelige mønstre for å beskytte seg selv og minimere svindel i bransjen, inkludert hvitvasking av penger.

Konkurransen innen bransjen er kjent for å være ekstremt sterk, og de som allerede har implementert AI i plattformene sine, kan beholde publikummet sitt selv i en slik intens rivalisering.

AI i prediktiv analyse

AI sin rolle i prediktiv analyse er et viktig aspekt ved integreringen i sportsspill. AI-systemer samler inn og behandler omfattende datasett, inkludert spillerstatistikk, historiske prestasjoner, værforhold og til og med stemningen i sosiale medier. Dette omfattende datasettet gjør det mulig for AI å lage mer informerte og nyanserte tips.

Maskinlæringsmodeller brukes til å analysere disse dataene og de beste utmerker seg ved å gjenkjenne komplekse mønstre og komme med tips basert på disse mønstrene. De brukes også til å identifisere sammenhenger mellom variabler og forutsi utfall basert på historiske data.

Ved å analysere spillerprestasjoner, lagdynamikk og eksterne faktorer kan de beste modellene gi innsikt som langt overgår tradisjonelle metoder. Disse AI-drevne tipsene forbedrer ikke bare spillopplevelsen, men øker også spillernes sjanser til å ta fornuftige valg.

Vi skrev jo i artikkelen Åpningsodds og sluttodds: Hva betyr det? om betydningen større syndikat kan ha på oddsutviklingen, og dette er virkelig store syndikater som bruker komplekse statistiske modeller for å generere fotballodds som er skarpere enn de som tilbys av bookmakerne.

Deres internt genererte odds brukes til å identifisere «verdispill» som da er tilfeller der bookmakerne har undervurdert eller overvurdert et lag, og alle aspekter av fotball man kan tenke seg blir tatt med i betraktningen, inkludert været, moralen, og de som har innflytelse på klubbene, blir analysert.

Dataene som genereres, plugges inn i en svært kompleks statistisk datamodell som er bygget av dataguruer. De bruker dagene sine på å bygge og vedlikeholde en algoritme som ikke bare samler alle datapunktene, men som også bestemmer riktig vekting for hvert enkelt av dem. Datamodellen justeres nesten kontinuerlig, og bruker statistiske modeller for å forutsi sannsynligheten for alle mulige utfall, og det er så klart AI de bruker.

Men de har utviklet systemene selv med overvåket læring, og til svært store kostnader, noe som ikke er mulig for et vanlig nettsted med begrensede midler. Mange av disse bruker trolig uovervåket læring, der treningen av systemene gjøres automatisk, og per i dag ikke er like god.

AI og spillstrategi

Takket være evnen til å håndtere store datamengder kan AI forbedre spillstrategiene betydelig. I stedet for å stole på intuisjon eller magefølelse kan spillerne bruke dette analyseverktøyet til å få innsikt basert på utøvernes form, spillemessige forhold, motivasjon, og flere andre viktige ting. Det er enkelte ting og mønstre vi mennesker ikke legger merke til, men som gode AI modeller kan finne og ta hensyn til for å formulere mer effektive spillstrategier.

En annen god nyhet er at roboter bidrar til å eliminere kognitive skjevheter forårsaket av slikt som sterke følelser eller stress. Kognitive skjevheter har vi skrevet en del om tidligere:

• Bias (Kognitive skjevheter)
• Confirmation Bias: Selvbekreftende skjevheter
• Hindsight Bias: Etterpåklokskapens skjevheter i oddsspill
• Optimism Bias: Optimistiske skjevheter i oddsspill
• Magefølelse i oddsspill

Konklusjonen på dette er at bettingroboter kan gjøre spillaktivitetene våre mye mer rasjonelle.

AI-nettsider

De som vil bruke AI for å ta mer informerte spillbeslutninger må vite hvordan man faktisk bruker dette verktøyet. Dette gjelder spesielt for personer som ikke har en anelse om hvordan disse verktøyene fungerer, men man har jo AI-nettsider.

AI-nettsider som beregner sannsynlighetsutfall kan være fremtiden for lønnsomme sportsspill, men de er ennå ikke 100 % idiotsikre. For å levere tips får de tilgang til enorme mengder data fra ulike kilder. Disse dataene behandles deretter av hver av AI-modellene ved hjelp av ulike tallbaserte modeller.

Modellene krever fortsatt menneskelig input, så de er ikke feilfrie, og mange tippere prøver seg nå på å produsere spilltips ved hjelp av Chat GPT, som da er en språkmodell basert på generativ kunstig intelligens.

Etter å ha analysert spørsmålet, lager Chat GPT, eller en tilsvarende samtalerobot, et svar. For å kunne bruke Chat GPT, så må man også vite hvordan man skal stille de riktige spørsmålene, og her er et lite eksempel fra når vi spurte Chat GPT følgende:

What is the probability distribution in the soccer match between Liverpool and Arsenal on 11.05.2025?

Svaret vi fikk var:

I don’t have access to future event outcomes, including the specific probabilities for the soccer match between Liverpool and Arsenal on 11/05/2025. However, if you’re interested, I can help you understand how to analyze or estimate such probabilities based on historical data, team form, player availability, or betting odds. Would you like me to explain these methods?

Det er derfor viktig at man bruker litt kløkt i forhold til hvordan man stiller spørsmål til ChatGPT, og samtidig være litt kreative, for de kan gi vage svar. Men presser man litt på, kan man få litt mer konkrete svar.

Likevel kan man bli skuffet, for svarene består ofte av ganske mange unøyaktigheter, både når det gjelder tipsene i seg selv samt de prisene som eksisterer i markedet. Dette gjelder kanskje spesielt for spillerspesialer, der et tips kan bli presentert basert på en spiller sitt gjennomsnitt for sesongen, men alle kamper er jo forskjellige, og der startelleveren i fotballkamper også kan være det.

Når man søker etter AI-spillsystemer på nettet, må man være klar over at de ikke er bombesikre og mange AI-nettsteder vil hevde å ha lønnsomme resultater selv om de ikke har det. De fleste har gratisversjoner, men det kreves ofte et abonnement for å få tilgang til full funksjonalitet, og det er verdt å sjekke eventuelle abonnementskostnader når man vurderer disse nettstedene.

Eksempler på Nettsider

Betideas.com virker å være et greit nettsted som er spesialisert på amerikansk sport og europeisk fotball, men ingen samlet suksess-statistikk er tilgjengelig, så man vet jo egentlig ikke noe om suksessraten på deres tips. På den annen side er tilgangen gratis, så man kan jo teste dem ut.

En annen side er Sportsprediction.ai og de fokuserer utelukkende på fotball, inkludert Premier League, La Liga, Serie A, Ligue 1 og Bundesliga. Utenfor det grunnleggende innholdet finnes det mer avanserte dataanalyser tilgjengelige på en betalt abonnementsmodell. Man kan betale bare $ 9,99 per måned for å få tilgang til et komplett utvalg av tips, eller en avgift på $ 59,99 per år. Siden er veldig enkel å bruke, noe som gjør det enkelt å finne en spesiell type statistikk man kan være interessert i. Ulemper er mangel på historisk bevis for konseptet.

En tredje side finner man i den franske oppstartsbedriften Deepbetting.io som bruker kunstig intelligens til å forutsi de mest sannsynlige resultatene i de beste europeiske fotball-ligaene. De tilbyr gratis tips for begrensede utvalg, slik at brukerne kan vurdere resultatene før de abonnerer. Abonnementet koster deretter 29,99 euro per måned, eller rundt 350 NOK.

Deepbetting.io virker å være opptatt av åpenhet, og samarbeider med Bet-Analytix for å spore spill og bankroll, med resultater tilbake til 2020. I 2023-2024 sporet de 1098 spill, og oppnådde en treffprosent på 53,75 % etter en gjennomsnittlig odds på 1.81, noe som resulterte i et tap på 404 euro etter 10 980 euro i innsats, som da vil si en ROI på -3.78 %. Siden 2020 har de gjennom 2 792 spill der innsatsen var 27 920 euro, oppnådd en fortjeneste på 391 euro, som da er en ROI på 1.40 %.

2 792 spill er nok til å kalle det et representativt utvalg, og en fortjeneste på 391 euro dekker jo ikke en gang abonnementskostnadene på 48 x 30 euro. Men det er likevel mulig å håpe på at de vil forbedre inngangsdataene til den kunstige intelligensen og øke gjennomsnittsoddsen per spill, slik at dette fører til et lønnsomt system på lang sikt.

Nøyaktigheten til AI-tips i sportsspill

I hjertet av AI sin innflytelse på sportsspill ligger prediktiv analyse. Programvareleverandører utnytter kraften i kunstig intelligens ved å analysere historiske data, spillerstatistikk og til og med værforhold. Jo mer data som mates inn i den kunstige intelligensen, desto mer lærer den.

Disse AI-verktøyene gir spillerne en klar fordel, og de fleste av dem har en treffsikkerhet på mellom 50 % og 60 %. Det høres kanskje ikke så mye ut, men hvis man i gjennomsnitt lykkes med ett av to spill, har man fått en fordel i forhold til bookmakeren hvis man kan finne riktig odds på hvert spill. Disse datasettene sammenlignes med tilgjengelige odds, og der det finnes en fordel, kan man plassere et spill med større sannsynlighet for gevinst.

Men hvis man tror at sportsspill med kunstig intelligens er en vei til rikdom, bør man kanskje ta det litt med ro. Høy treffprosent er ikke alltid ensbetydende med stor fortjeneste, spesielt ikke hvis gjennomsnittsoddsen er lavere enn 2.00.

Hvert nettsted vil annonsere sine resultater og avkastning på ulike måter, men det er best å fokusere på nettsteder som kan vise til verifiserbar fortjeneste og som kan vise til anbefalinger fra eksisterende brukere. Treffprosent er litt som omsetning i næringslivet; alt er bra, men hva er poenget hvis du ikke kan vise til overskudd?

Avsluttende kommentarer

Spørsmålet mange sportsspillere fremdeles stiller seg, er om AI kan erstatte menneskelige tippere, og i så fall, hvordan er de i forhold til hverandre?

Der AI overgår et menneske, er i evnen og hastigheten til å analysere enorme mengder av data og produsere mange forskjellige typer av tips. Ettersom mange ligaer tilbyr data om spillere og lag, bør bruk av AI være en del av en overordnet spillstrategi.

Men det krever jo at selve modellene for AI-sportsspill som brukes, er gode. Uavhengig av det, er det både fordeler og ulemper med de nettsidene for AI-sportsspill som finnes. Fordelene er jo tips basert på år med historiske data, og videre gjør sidene for AI-sportsspill alt det harde arbeidet for oss, samt at modellene vil fortsette å bli mer nøyaktige etter hvert som tiden går.

Ulempene er jo at lønnsomhet ikke kan garanteres fordi AI-tips kan gå i minus, akkurat som for alle andre spillere. I tillegg må man som regel betale en abonnementsavgift, der noen krever så mye som 200 eller 300 USD per måned, og da bør man i hvert fall vite hva man betaler for.

Å bruke AI for å ta informerte spillbeslutninger høres feilfritt ut, men virkeligheten kan være litt annerledes, for man kan for eksempel mate AI modeller med for mye data, og det vi tenker på her er data som ikke er viktig eller relevant eller ikke rensket for å sikre nøyaktighet, for da kan det hende at utfallet ikke blir som man hadde håpet på.

Enn så lenge er det plass til både AI og menneskelige tippere i sportsspillverdenen, for faktisk er de avhengige av hverandre.