Mise en place des agents
L’auteur a créé un groupe d’agents logiciels capables d’interagir avec la plateforme de fantasy football de la Premier League. Chaque agent est dédié à une tâche précise : sélection des joueurs, composition du onze, suivi des blessures et ajustement des transferts. Les agents s’appuient sur des modèles de langage accessibles via API (OpenAI, Anthropic) et sur des bases de données publiques contenant les statistiques saisonnières, les historiques de performances et les prévisions de blessures.
Fonctionnement et prise de décision
Le processus se déroule en trois étapes. D’abord, un agent analyse les performances des joueurs sur les cinq dernières rencontres, en extrayant les métriques clés (buts, passes décisives, minutes jouées). Ensuite, un second agent génère une proposition de composition en évaluant les contraintes du jeu (budget, nombre de joueurs par club, limites de formation). Enfin, un troisième agent simule les scénarios de transfert en comparant le gain de points attendu avec le coût budgétaire. Toutes les décisions sont validées par un orchestrateur qui applique des règles de cohérence (pas plus de trois joueurs du même club, respect du plafond salarial).
Résultats comparatifs
L’expérimentation a duré une saison complète. L’article indique que les agents n’ont pas surpassé les performances humaines, sans fournir de chiffres détaillés. Le texte mentionne simplement que le score cumulé des agents était inférieur à celui de l’auteur, qui jouait manuellement. Cette différence est attribuée à la capacité limitée des modèles à anticiper les changements de forme et les blessures de dernière minute, ainsi qu’à une moindre prise en compte des facteurs intangibles (confiance du manager, synergie d’équipe).
Limites et perspectives
Plusieurs contraintes techniques sont soulignées. Les modèles de langage, conçus pour le texte, ne sont pas optimisés pour le calcul de probabilités sportives et peuvent produire des recommandations incohérentes lorsqu’ils sont confrontés à des données rares (joueurs peu alignés). De plus, l’accès aux API implique des latences et des coûts qui limitent la fréquence des mises à jour en temps réel. Enfin, l’absence de rétroaction directe (les agents ne reçoivent pas de récompense explicite après chaque match) empêche l’apprentissage par renforcement, ce qui freine l’amélioration progressive. L’auteur suggère que l’intégration de modèles spécialisés en prévision sportive et l’ajout d’un mécanisme de récompense basé sur les points obtenus pourraient réduire l’écart avec les humains.
