Vai al contenuto
Ora nel mondoEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portale su IA e tecnologiaeventi · analisi · interviste · approfondimenti tecnici

Cerca
LIVE
›

La scommessa sui dati nello sport tecnologico si scontra con una domanda più scomoda: chi tiene le chiavi

L'analisi sportiva continua a essere venduta come un problema di dati in attesa di più IA, ma il dibattito più utile nel dossier è architetturale: se agli agenti vadano consegnati i dati grezzi o un database da interrogare.

SportAnalisiLuca EspositoPubblicato: 27 settembre 20265 min di letturaFonti 4
La scommessa sui dati nello sport tecnologico si scontra con una domanda più scomoda: chi tiene le chiavi

La tecnologia sportiva ha passato anni a vendere la stessa promessa: più dati, risposte più rapide, decisioni più intelligenti. I titoli delle ricerche di mercato che arrivano ogni settimana sulla scrivania si reggono su tassi di crescita e acronimi. La realtà ingegneristica è più disordinata. Due documenti nel pacchetto di questa settimana vanno letti insieme, perché descrivono modi opposti di dare a un agente di IA i numeri su cui le organizzazioni sportive sostengono sempre più di lavorare.

L'11 settembre Starburst ha pubblicato un'analisi di due architetture per l'analisi dei dati affidata ad agenti. Il testo è scritto per i team dati delle aziende, non per club o leghe, ma l'esempio che usa è volutamente banale: un negozio di alimentari che chiede se la promozione sulle uova della settimana scorsa è stata redditizia. Rispondere significa sapere se lo sconto ha attirato clienti che altrimenti non sarebbero entrati, se i nuovi clienti sono tornati, cos'altro è stato comprato nella stessa transazione, dove si trovano quegli articoli nel negozio e quanto sono redditizi. È una catena di domande successive su più di un set di dati, e ha la stessa forma del problema che affronta un'organizzazione sportiva quando chiede perché una campagna di sponsorizzazione ha mosso le vendite dei biglietti.

Opzione 0: spedire i dati al modello

Il primo approccio, che Starburst chiama opzione 0, consiste nell'estrarre le tabelle rilevanti e inviare i dati grezzi all'agente come file o tramite un collegamento diretto, lasciando che sia l'agente a elaborarli. L'azienda è esplicita sui compromessi. Spedire terabyte di dati a un agente può diventare proibitivo nei costi quando l'agente fattura per ogni elemento ricevuto o elaborato. Starburst afferma che gli svantaggi prestazionali riducono la praticabilità di questa opzione al punto da non renderla una buona scelta, ed è per questo che porta l'etichetta di opzione 0 invece di opzione 1.

Per le squadre sportive l'aritmetica resta comunque sfavorevole. Una singola partita ormai genera dati di tracciamento, eventi ricavati dal video, registri di biglietteria, transazioni di merchandising e telemetria delle app, e le persone che fanno domande su tutto questo sono poche. Pagare per riga per spostare quei dati in un modello non è una voce di bilancio che la maggior parte dei reparti analitici può difendere.

Il secondo approccio è quello che Starburst raccomanda. Dare all'agente accesso diretto al sistema di database e lasciargli scrivere il proprio SQL, iterando mentre affina il fuoco. Il motore del database fa ciò per cui è costruito, elaborando i dati locali con piani di query ottimizzati, mentre l'agente sovrintende e invia richieste successive o parallele finché non ha qualcosa che valga la pena restituire. Starburst riconosce il difetto noto: gli agenti possono essere molto più esigenti degli umani e possono sommergere un database di query speculative mentre lavorano.

L'industria dei database è concentrata in modo totale sul supporto ai carichi di lavoro degli agenti da qui in avanti, e i sistemi di database moderni sono sempre più capaci di gestire questo tipo di elaborazione dei dati su larga scala in modo efficiente.

È l'argomento in una frase, ed è un argomento di vendita oltre che di ingegneria. Starburst vende sistemi di database. Anche così, il punto su dove risiede l'ottimizzazione è difficile da contestare: gli agenti migliorano, ma non stanno per elaborare terabyte di dati strutturati con l'efficienza di motori costruiti su decenni di ricerca sulle query.

Come si presenta davvero l'armamentario

Due progetti open source nel pacchetto di questa settimana mostrano come l'impianto venga assemblato sul versante più piccolo. Adaca Analytics, pubblicato su GitHub l'8 settembre con licenza MIT, ricostruisce le vecchie dashboard di Google Analytics sui dati GA4. I riepiloghi giornalieri dall'API GA4 Data o da un'esportazione BigQuery finiscono in un database D1 di proprietà dell'operatore, mentre i dati in tempo reale restano su Google. Sei dashboard arrivano già pronte, ogni numero si apre in una pagina di dettaglio con il proprio andamento e le proprie ripartizioni, e il tutto gira su Cloudflare Workers dietro Cloudflare Access o l'autenticazione Basic integrata. Non c'è alcun accesso con credenziali.

Plainoldanalytics, pubblicato su GitHub il 13 settembre, prende la strada opposta: analisi web da aggiungere all'interno di un'applicazione Go. È indipendente dall'archiviazione, quindi importare il pacchetto principale non trascina mai dentro un backend, ed esistono adattatori per gin e chi. Il traffico viene scaricato su disco circa una volta al secondo, e gli operatori possono impostare proprietà chiave e valore per ogni richiesta, escludere rotte dalla registrazione o annotare i percorsi letterali delle rotte invece dei parametri di percorso.

Nessuno dei due progetti è un prodotto sportivo. Entrambi sono rilevanti perché mostrano che l'assunto predefinito sta cambiando: i dati restano dove li ha messi l'operatore, e il livello di analisi è qualcosa che esegui invece di qualcosa che affitti.

La questione della privacy che nessuno misura

DataZen, un client di database local-first pubblicato su Hacker News il 29 agosto, enuncia il problema direttamente: dove finiscono i miei dati? Lo strumento è distribuito con licenza GPLv3, non richiede account e supporta PostgreSQL, MySQL, SQLite e Redis per impostazione predefinita, con driver opzionali per MongoDB, ClickHouse, DuckDB e SQL Server. Include un server MCP integrato, così agenti come Claude, Cursor e Cline possono interrogare i database tramite il Model Context Protocol, e può funzionare anche come client MCP. Le credenziali sono cifrate con AES-256-GCM nel portachiavi del sistema operativo, e il progetto dichiara che solo lo schema e il contesto delle query vengono condivisi con il fornitore di IA configurato dall'utente.

È proprio quest'ultima distinzione che le organizzazioni sportive dovrebbero indagare. Schema e contesto delle query non sono la stessa cosa dei dati grezzi, ma non sono nemmeno niente. Uno schema rivela cosa misura un club: quali attributi dei tifosi conserva, come segmenta chi compra i biglietti, cosa traccia sul carico di lavoro dei giocatori. In uno sport in cui i dati sugli infortuni e le trattative contrattuali stanno nello stesso ambiente della biglietteria, i metadati sono commercialmente sensibili di per sé.

Il dossier non ci dice cosa abbiano effettivamente messo in campo un club o una lega, e il materiale dei fornitori dietro le previsioni di mercato non è prova di adozione. Quello che mostra è una spaccatura. Un campo sostiene che gli agenti debbano guidare il database e che i motori moderni possano assorbire il carico. L'altro costruisce strumenti che tengono i dati in locale e mandano fuori solo il contesto. La tecnologia sportiva erediterà la risposta che sceglieranno i suoi team dati, e la scelta si sta facendo adesso, nei repository open source più che nei comunicati stampa.

Commenti 0

Fonti

4
  1. 01An Analysis of Two Architectures for Agentic Data AnalysisEN
  2. 02We rebuilt the old Google Analytics on top of GA4's dataEN
  3. 03Show HN: Plainoldanalytics: Analytics Middlware for GoEN
  4. 04Show HN: DataZen – a local-first client for cross-database workflowsEN

Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.

I contenuti sono stati preparati dalla redazione con il supporto dell'IA.

Luca Esposito

Luca Esposito

Sport, auto e viaggi

Luca Esposito si occupa di sport, auto e viaggi per FLASH24, con un metodo basato su fonti dirette: comunicati ufficiali, cronometraggi e dati tecnici delle case automobilistiche. Per le gare verifica tempi e distacchi sulle classifiche federali, mentre per i veicoli confronta schede tecniche e consumi omologati. Sente regolarmente meccanici, piloti e addetti stampa, e in calendario attende i saloni dell'auto e le grandi corse a tappe. Segue anche auto elettriche, riparazioni in garage e tratte ferroviarie europee, temi che ritornano spesso nei suoi articoli. Non pubblica numeri o anteprime senza una seconda conferma indipendente.

Redazione →

Commenti

0
  1. Nessun commento — sii il primo.

Scrivi un commento

I commenti sono pubblici. Non pubblichiamo insulti, spam né pubblicità.