En el passat simposi casteller celebrat en el marc de les Festes Decennals 2021+1 vaig tenir l’oportunitat de presentar el treball que a continuació us ho exposo. Es tracta d’un estudi titulat: “Intel·ligència artificial i timing casteller: Model preliminar sobre l’èxit del 3de10fm“.
La idea d’aplicar algoritmes d’intel·ligència artificial (AI) en els castells sorgeix després d’haver-ne creat per embrions humans amb software desenvolupat a CONSULTFIV (sóc embriòleg i director del laboratori a Conceptum Reus i CEO de CONSULTFIV). I és que des del meu punt de vista, embrions i castells tenen punts en comú, com per exemple, que en ambdós casos importa que el resultat final sigui satisfactori sense que hi hagi bloquejos o fracassos durant el camí. Continuant amb les analogies, en ambdós casos es poden parametritzar les diferents etapes per estudiar-ne la cinètica (en els castells, amb quants minuts o segons s’assoleix cada pis).
La qüestió era si hi havia relació entre els timings, concretament en el cas que ens ocupa amb el 3de10fm, i el resultat del castell, en particular la comparació entre caiguda i descarregat. I en cas d’haver-hi relació, si era possible crear un model predictiu amb intel·ligència artificial.
Per crear un model d’intel·ligència artificial, el que es necessita en primer lloc és definir com són les dades (en aquest cas és mitjançant fulla de dades Excel, altres models es podrien fer via reconeixement d’imatges) i quina és la variable a predir (resultat del castell).
Dins el resultat del castell s’hi va incloure els castells descarregats (D) i les caigudes (C = carregats i I = llenya) i es van excloure els intents desmuntats (ID).
El sistema de recollida de dades fou la visualització de vídeos (gravats personalment, penjats a Youtube o altres xarxes socials) i el marcatge del temps en què succeeix l’assoliment de cada pis (col·locació de tots els membres de cada pis al seu lloc).
Els punts a parametritzar foren Segons, Folre 1a part, Terços, Folre 2a part, Manilles 1a part, Quarts, Manilles 2a part, Quints, Sisens, Setens, Dosos, Aixecador, Enxaneta, Caiguda (en cas de produir-se), Descarregada (moment en què els sisens baixen a les manilles).
El primer inconvenient va ser la impossibilitat de trobar molts vídeos. Dels 3de10fm intentats (124), es van excloure els ID (13), els no localitzats (40) i els incomplerts (38), quedant inclosos en el model un total de 33 (14D, 19 caigudes C+I). No tots els vídeos parametritzats començaven amb l’entrada dels segons, pel que es van haver de relativitzar tots els timings respecte l’entrada dels quarts.
D’entre totes les variables estudiades, la comparació de les mitjanes entre caigudes i descarregats va mostrar diferències estadísticament significatives (t-student p<0.05) en els timings de Quints, Sisens, Setens i Dosos, sent major en el grup caigudes que en el grup descarregat.
El model predictiu es va construir amb les variables Quints, Sisens i Setens (es van fer diferents combinacions però la que va donar millor rendiment va ser aquesta). Això significa que l’algoritme d’intel·ligència artificial (anomenat eXtreme Gradient Boosting) agafa els valors de cada variable i estudia les relacions entre ells i el resultat, per tal de buscar patrons i fer prediccions del resultat en funció dels valors que té cada castell (mitjançant el mètode Leave-One-Out Cross-Validation es prediu cada castell sense incloure’l en el sistema durant la seva predicció) i comptar els encerts entre el resultat predit i l’observat.
El resultat del model predictiu va ser d’un encert del 72,7%. Això significa que per cada 10 castells predits (retirant el castell a ser predit del model usat per la màquina per aprendre) la màquina encerta el desenllaç de 7,3 d’aquests.
Una de les conclusions obtingudes amb aquest treball és que, en els castells analitzats, s’ha detectat una relació entre els timings i el resultat.
En el model desenvolupat l’interval entre Quints, Sisens, i Setens respecte Quarts està relacionat amb el desenllaç del 3de10fm, resultant amb caiguda quan més alts són els valors tot i que també s’observen caigudes quan el valor dels timings és més baix. Cal puntualitzar que la colla amb més 3de10fm inclosos respecte els que ha executat a plaça és la Colla Vella dels Xiquets de Valls (13/18), i que en cas de parametritzar-los tots, només els Castellers de Vilafranca tindrien un nombre suficient de 3de10fm (>15 per grup de resultat) per poder-se fer un model propi ajustat.
Seria interessant augmentar el nombre de castells parametritzats per comprovar, en primer lloc, que el poder predictiu es manté. En segon lloc, poder afegir més variables simultàniament i així analitzar el pes específic de cadascuna. I en tercer lloc, ajustar el model segons cada colla, ja que cada colla és diferent de les demés en tant a que els components són òbviament únics i irrepetibles, i cada colla té la seva pròpia tècnica, no necessàriament igual que d’altres.
També seria interessant disposar de vídeos complerts per analitzar la contribució del temps que passa des de que es comença a suportar el pes dels segons i membres del folre que van pujant fins que entren els Quarts.
En el cas que el temps sigui un factor decisiu per l’execució d’un castell per a una colla, aquest tipus de models AI podrien ser útils, no només pel 3de10fm, sinó pel castell que fos, per detectar i comprendre quins factors poden ser decisius pel resultat, així també com per predir nous castells en temps real (evidentment subjecte a molts altres inputs). Podria arribar a ser, hipotèticament, una eina de decisió, o com a mínim de valoració per a la decisió (per exemple, en cas de registrar uns timings molt allunyats dels temps coneguts de 3de10fm descarregats), sempre que hi hagués prou marge de maniobra entre la anotació en directe, el resultat i la progressió del castell (el model exposat per exemple, requerint Setens difícilment tingui aplicabilitat).
Veurem si en el futur les eines d’intel·ligència artificial poden aportar beneficis també en el món casteller.
