Für die Anwendung von künstlicher Intelligenz im Sport sind prädiktive, datengetriebene Modelle von zentraler Bedeutung. Die Datenlage im Sport ist gekennzeichnet durch kleine Fallzahlen, teilweise hohes Rauschen und lückenhafte Daten, die die Verwendung geeigneter maschineller Lernverfahren notwendig machen. Bayes’sche Inferenz gilt als geeigneter Ansatz, um mit diesem Problem umzugehen. Bei normalverteilten Parametern und Daten ist exakte Inferenz beispielsweise mit Gaußprozessen möglich. Marcov-Chain-Monte-Carlo-Methoden erlauben die Verwendung beliebiger Verteilungen für prior und likelihood. Durch die Verwendung geeigneter priors und die Selektion von Modellen, die nicht unnötig komplex sind, können auch mit kleinen und lückenhaften Datensätzen sinnvolle Vorhersagen getroffen werden.