Poisson, Elo, xG, Monte Carlo ve üretken yapay zekâ modelleri futbol maçlarını nasıl simüle ediyor? 2026’daki yeni araştırmalar üzerinden inceleyin. IMG
Bir futbol simülasyonuna “Galatasaray 2-1 kazanacak” yazdırmak kolaydır. Zor olan, aynı maçın 0-0, 1-1 veya erken bir kırmızı kart sonrası 0-2 bitebilecek yollarını hesaplamaktır. Güncel modeller bu yüzden tek skor yerine binlerce olası maç üretmeye yöneliyor.
Maç başlamadan önceki tahmin maç içinde eskir
Karşılaşma öncesinde bahis değerlendirmesinde kadro, takım gücü ve geçmiş performans üzerinden bir olasılık dağılımı kurulabilir. İlk gol geldiğinde ise kalan 70 dakikanın koşulları değişir. Ana sayfaya bets10 giriş üzerinden ulaşıldığında, spor bahisleri ile canlı bahislerin ayrı bölümlerde sunulduğu görülüyor. Bu yapı, maç öncesi ve maç içi durumların farklı başlıklar altında ele alındığını gösteriyor.
Bir simülasyon için asıl sorun da burada başlıyor. 0-0’daki iki takım, 1-0’dan sonra aynı şekilde oynamayabilir. Önde olan ekip blok yüksekliğini düşürebilir, gerideki takım daha fazla oyuncuyla ceza alanına girebilir.
Elo’dan on binlerce maça
İlk modeller oldukça sade çalışıyordu. Elo benzeri derecelendirmeler, rakiplerin seviyesini ve önceki sonuçları kullanarak takım gücünü sayısallaştırıyordu. Poisson modelleri bu fikri gole taşıdı ve her takımın belirli sayıda gol atma ihtimalini hesapladı. Bugünkü simülasyon zinciri kabaca şöyle ilerliyor:
- Elo. Takımların göreli gücünü tek bir derecelendirmeye indirger.
- Poisson. 0, 1, 2 veya daha fazla gol olasılığı üretir.
- xG modelleri. Şutların kalitesini ve üretilen pozisyonları hesaba katar.
- Monte Carlo. Aynı karşılaşmayı binlerce kez yeniden oynatır.
- Üretken modeller. Farklı oyuncu ve taktik senaryolarında olay dizileri oluşturabilir.
Bu basamakların her biri farklı bir soruya cevap verir. Elo güçlü tarafı gösterirken, Poisson olası skorların dağılımını verir. Monte Carlo ise tek bir tahmini, çok sayıda alternatif maç hikâyesine dönüştürür.
2026’da yayımlanan bir çalışma, futbol olaylarını değişken yoğunluklu Poisson süreçleriyle modelledi. Araştırmacılar sekiz sezonluk Brezilya Série A verisini kullandı ve maç içindeki dinamik değişkenlerin tahmin gücünü artırdığını buldu.
Bir transferi daha yapılmadan simüle etmek
Mart 2026’da yayımlanan ScoutGPT çalışması daha farklı bir soru sordu: Aynı oyuncu başka bir takımda oynasaydı ne olurdu?
Model, maç olaylarını dil modelindeki kelimeler gibi ardışık öğeler olarak ele alıyor. Bir pasın ardından hangi hareketin gelme ihtimali bulunduğunu öğreniyor ve farklı kadrolarla yeni diziler üretebiliyor. Monte Carlo örneklemesi sayesinde aynı varsayımsal kadro tekrar tekrar simüle edilebiliyor.
K League verileriyle yapılan deneylerde oyuncu değişiklikleri hücum ilerleyişini ve gol olasılıklarını ölçülebilir biçimde değiştirdi. Böylece “bu forvet kaç gol atar?” sorusunun yanına daha ilginç bir soru geliyor: Bu oyuncu farklı takım arkadaşlarıyla hücumu nasıl ilerletir?
İlk gol modelin yönünü değiştirebilir
Ağustos 2026’da yayımlanan başka bir çalışma, dinamik Poisson yaklaşımını büyük dil modeliyle birleştirdi. Sistem yalnızca beklenen gol değerlerini kullanmıyor; ilk golün etkisini, taktik eşleşmeleri ve gol sonrasındaki davranışı da ayrı bir katmanda değerlendiriyor.
İlk 150 Premier League maçındaki geriye dönük testte temel modelin en olası kesin skor başarısı yüzde 10 oldu. Daha gelişmiş sürüm bu oranı yüzde 14,7’ye çıkardı. İlk üç skor seçeneğinde ise başarı yüzde 30,7 seviyesine ulaştı.
Bu rakamlar tek skor tahmininin neden zor olduğunu iyi anlatıyor. Model gelişse bile 90 dakikalık maçta çok sayıda yol açık kalıyor.
Kırmızı kartın benzeri eğitim verisinde olmayabilir
Simülasyonların sınırı genellikle sıra dışı olaylarda ortaya çıkıyor. Erken sakatlık, kalecinin yaptığı tek hata veya VAR kararı maçın kalan kısmını tamamen başka bir yöne taşıyabilir.
Model geçmişteki benzer durumları öğrenebilir, fakat gelecekteki tek pozisyonu önceden bilemez. Aynı nedenle 100 bin Monte Carlo simülasyonu da “geleceği görmek” anlamına gelmez. Daha çok hangi senaryoların ne sıklıkta ortaya çıktığını gösterir.
Asıl değer burada ortaya çıkıyor. Antrenör, analist veya scout tek bir skor yerine farklı kadroların ve maç durumlarının hangi sonuç aralıklarını ürettiğini inceleyebilir. 2026’daki çalışmalar, futbol simülasyonunu skor tahmininden çıkarıp “bu koşul değişirse maç nasıl değişir?” sorusuna yaklaştırıyor.