AIは何を根拠に「全出走」を採点しているのか

「AI予想」と聞くと、何か魔法のような予知能力を思い浮かべるかもしれません。実際にやっていることは、もっと地味で、もっと退屈で、そしてだからこそ再現性があります。

やっていることは「過去の膨大な答え合わせ」

着順予測モデルの正体は、過去に行われた何十万レースぶんの「出走時点の情報」と「実際の結果」をひたすら突き合わせた統計の塊です。人間が「この馬は距離が合いそうだ」と考えるとき、その根拠は自分が見てきた数百レースの記憶にすぎません。モデルは同じ作業を、桁違いの量で、忘れずに、感情を挟まずに行います。

逆に言えば、AIは過去に一度も起きていないパターンには弱いということでもあります。新設コースの初開催、前例のない天候、極端な少頭数。こうした場面でAIの出力が鈍るのは欠陥ではなく、原理どおりの挙動です。

モデルが見ている「特徴量」

機械学習では、判断材料のひとつひとつを特徴量（feature）と呼びます。公営競技の着順予測でよく使われるのは、おおむね次のような情報です。

ここで見落とされがちなのが4番目の相対関係です。競走は絶対評価ではなく、そのレースに出走した相手との比較で決まります。同じ能力値の馬でも、周囲が強ければ勝てず、弱ければ勝てる。単体の強さだけを積み上げたモデルが実戦で崩れるのは、たいていこの視点が抜けているときです。

yosoIQの評価で分けている3つの処理

公開中の評価ボードでは、過去成績から作る能力・適性の特徴量、同じレース内で作る相対順位、直前オッズから読む市場評価を同じものとして扱いません。まず出走時点で取得できる情報だけから能力評価を作り、その後にレース内順位へ変換し、最後に市場とのズレを別の表示として重ねます。

この順番に分ける理由は、人気をモデルへ強く入れすぎると「人気順を言い直すだけ」の評価になりやすいからです。また、着順、上がり順位、確定配当などレース後にしか分からない情報は学習用の答えには使っても、出走時点の説明変数には入れません。詳しい集計単位と検証上の注意点は 調査・検証方法 に記載しています。

出力は「予言」ではなく「確率」

まともに作られたモデルの出力は、「この馬が勝つ」という断定ではありません。「この馬が3着以内に入る確率は38%」といった確率です。この違いは決定的です。

確率38%と出力された馬が凡走に終わっても、モデルが間違っていたとは限りません。38%とは「10回に4回くらい起きる」という意味であり、残りの6回で外れることは想定内だからです。モデルの良し悪しは1レースでは判定できず、数百レース単位で「38%と言った馬は本当に約38%来ているか」を検証して初めて分かります。この検証をキャリブレーション（確率の較正）と呼びます。

人間の予想がAIに勝てる領域

では人間はもう不要かというと、まったくそんなことはありません。AIが構造的に苦手なのは次の領域です。

• データ化されていない情報 — 直前のパドックの気配、当日の異常な発汗、陣営の一言。数値になっていない情報はモデルに入りません。
• 前例のない事象 — 学習データに存在しない状況では、モデルは無理やり既知のパターンに当てはめようとします。
• 意味づけ — 「なぜそう評価したのか」を説明し、納得して馬券を組み立てるのは人間の仕事です。

もっとも現実的な使い方は、AIを「見落としを潰す網」として使い、最終判断は人間が握ることです。全出走を機械的に採点しておけば、人気がないという理由だけで検討から漏れる馬がなくなります。逆に、みんなが飛びついている馬を「数字上はそこまでではない」と冷静に指摘してくれる。この2つだけでも、導入する価値は十分にあります。

まとめ

• AI予想の正体は、過去データと結果の大量の答え合わせ
• 重要なのは絶対能力よりも、そのレース内での相対関係
• 出力は予言ではなく確率。評価は1レースでなく数百レース単位で行う
• データ化されない情報と意味づけは、依然として人間の領域

データ・検証方針：調査・検証方法　※ 本記事は情報提供を目的としたものであり、投票券の購入を勧誘するものではありません。