Une équipe de la MLB a classé les espoirs en optimisant les opinions contradictoires des recruteurs.

Préparer la draft annuelle de la Major League Baseball est difficile : avec environ 1 500 joueurs sélectionnés chaque année, les équipes doivent évaluer et classer des centaines d'espoirs. Les recruteurs remettent des rapports qualitatifs et quantitatifs, mais leurs opinions divergent souvent fortement.

Des chercheurs de Georgia Tech ont travaillé avec une équipe de la ligue majeure pour modéliser le problème : proposer un classement consensuel de tous les joueurs évalués par les recruteurs de l'équipe. La même méthodologie recommande la programmation des recruteurs en cours de saison, en fonction de l'information que chaque recruteur apporterait et de l'incertitude entourant le véritable classement de chaque joueur.

L'équipe a utilisé l'outil d'optimisation pendant deux ans, et une seconde équipe de la ligue majeure a ensuite demandé aux chercheurs d'évaluer ses données de classement.

Transformer des recruteurs en désaccord en un classement consensuel unique pour la draft.

Un consensus issu de nombreuses opinions d'experts bruitées est exactement ce que l'optimisation fait bien.

La programmation des recruteurs découle naturellement du même modèle, en ciblant l'incertitude.

L'adoption de l'outil par deux équipes montre qu'il a survécu à un usage réel en salle de draft.

Lorsque les experts sont en désaccord, ne faites pas la moyenne de leurs listes à la main : modélisez explicitement l'agrégation, et vous obtenez un classement ainsi qu'une indication de l'endroit où la prochaine observation serait la plus utile.

Le cas a été publié dans Interfaces en 2012 ; l'outil est resté en usage et une seconde équipe a demandé l'évaluation.