## 视频
<video src="https://dev-media.amazoncloud.cn/30-LibaiGenerate/31-LiBaiRebrandingVideo/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement-LBrebrandingWCaptionCN.mp4" class="bytemdVideo" controls="controls"></video>
## 导读
多年来,体育统计领域不断发展,从基本的盒式记分过渡到更先进的指标,以提供对球员表现和比赛动态的更深入了解。随着下一代统计和数据分析技术的出现,足球分析师和爱好者现在拥有了能够以前所未有的方式详细分析比赛的工具。参加本次会议,了解亚马逊云科技和 NFL 的下一代统计团队如何使用 AI/ML 等尖端技术从头开始开发新的统计数据并重新训练现有数据。
## 演讲精华
<font color = "grey">以下是小编为您整理的本次演讲的精华,共1500字,阅读时间大约是8分钟。如果您想进一步了解演讲内容或者观看演讲全文,请观看演讲完整视频或者下面的演讲原文。</font>
视频首先介绍了Elena Ehrlich,作为亚马逊云科技(Amazon Web Services)的主要科学经理,她在过去的六年里与美国国家橄榄球联盟(NFL)紧密合作,共同开发创新的[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)模型,以推动下一代统计技术的进步。她的同事Art Sani,作为亚马逊云科技专业服务(ProServe)的高级实践经理,他的团队专注于运用包括人工智能、[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)和高级分析在内的亚马逊云科技技术,帮助媒体和娱乐行业的企业转型其业务。
Art Sani随后介绍了Andrew,他是NFL下一代统计部门的工程总监。他分享了自2013年起如何开始收集全面的球员追踪数据,以及在2016年开始利用这些数据提供数据驱动的见解的背景。这个跟踪系统依赖于嵌入在球员肩垫中的无线电频率识别(RFID)芯片,以及球本身内部的传感器。这个传感器网络每秒会捕获一次每个芯片的位置、速度、加速度、移动方向和方向的信息,相当于每秒每球员360个数据点。场上共有22名球员,系统每秒处理的数据点高达7,920个。
由于能访问这种详细的实时遥测数据,NFL得以得出以往需要通过手动审查比赛录像才能确定的关键足球见解。例如,包括识别球队阵容、场上的人员组合以及每次进攻的结果。Andrew解释了NFL希望通过揭示更多先进的分析和指标,最大化球员跟踪数据的价值,这些指标可以量化游戏之前无法实现的方面。例如,面对一对一和区域防守战术时,四分卫的表现有何不同?他们是向左还是向右扔球更有效?他们在关键时刻是否能在压力下表现更好?
为了实现这一潜力,NFL从2017年开始与亚马逊云科技ProServe合作,构建一个能够迅速开发、部署和迭代分析模型以解释正在进行的比赛的[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)管道。这一合作伙伴关系的成果包括超过两个由[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)模型组成的实时推理系统,如今正在NFL比赛中运行。
为了展示这种洞察力带来的好处,Andrew展示了完成传球比赛的片段,其完成概率为27%。这个指标反映了根据四分卫在比赛中的情况,如速度和与冲锋防守者的距离等因素,对那次特殊传球难度的评价。Andrew还强调了可以识别出四分卫在接到传球后的初始动作后所采取的退步类型的模型。他强调,由于现在有大量细致的数据可用,[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)在识别哪些指标在噪声中提供了有意义的信号方面是非常有价值的。
通过与亚马逊云科技合作,NFL能够在不需要从头开始建立自己的数据科学团队的情况下实现这些好处。总的来说,下一代统计数据部门利用了超过40种亚马逊云科技服务,包括计算、存储、分析和更多。在计算方面,Amazon EC2提供了可扩展的基础设施,以每季3亿的数据点处理能力来接收和处理数据。[Amazon VPC](https://aws.amazon.com/cn/vpc/?trk=cndc-detail)安全地隔离了环境。Lambda函数有助于将各种数据工程步骤粘合在一起。
在存储方面,[Amazon S3](https://aws.amazon.com/cn/s3/?trk=cndc-detail)提供了耐用且可扩展的对象存储,用于大量原始和衍生数据。[Amazon QuickSight](https://aws.amazon.com/cn/quicksight/?trk=cndc-detail)便于分析和可视化数据,以发现趋势和见解。但最关键的还是[Amazon SageMaker](https://aws.amazon.com/cn/sagemaker/?trk=cndc-detail),它支持快速迭代开发、训练和部署新的分析模型。
亚马逊云科技现在支持所有实时下一代统计数据,这些数据被纳入NFL的比赛广播中。NFL将来自体育场传感器的数据流到亚马逊云科技,在那里在不到一秒钟内通过超过100个过程来生成图形、API和解说员独有的数据点。这使NFL能够扩大其媒体团队和使用工具丰富比赛报道。
接下来,Elena更深入地介绍了ProServe如何开发下一代统计的数据[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)模型之一——四分卫传球评分。她概述了指导设计的一些关键准则:
- 保持与现代NFL比赛相一致,而不是过时假设
- 与获胜保持强相关性
- 避免针对个别球员的异常现象
- 在从单场比赛到整个赛季的不同粒度级别上扩展
为了提高模型的性能,ProServe公司利用了过去三个NFL赛季的50,000场比赛的跟踪数据。这些数据包括了大约34,000个成功传球、15,000个失败传球和1,200个截断传球。由于输入数据量庞大,模型训练需要8-10小时。然而,预测一场新比赛的传球得分只需几秒钟。这种低延迟使得在比赛直播过程中可以实时提供见解,例如用于即时重播。
接下来,Elena详细解释了驱动这个模型的[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)架构。捕获每个比赛过程中的可变长度输入序列会被输入到一个时间卷积网络中。这种神经网络架构擅长在序列数据中找到模式,即使序列的长度发生变化。例如,一个在传球后需要4秒才能释放球的四分卫会产生40个时间步长的序列,每秒10帧。但是一个更快的2.5秒的释放时间只会产生25个时间步长。
模型还将静态特征(如比赛时间和当前进攻阶段)纳入预测,因为情境因素会影响压力下的决策和表现。输出是预测该回合可能获得的码洋的概率分布。为了准确地捕捉对体育分析至关重要的长尾结果,ProServe使用了一种名为splice bin parado的新型模型。通过比较实际获得的码洋与平均四分卫的预测分布,可以量化特定四分卫的超常或低于预期的表现程度。
这些比赛级别的评分可以被汇总以评估不同场景下(如不同的传球深度或比赛类型)的四分卫表现。Elena强调了他们的四分卫传球评分如何比之前的评级系统更强烈地与获胜概率相关,满足了关键的设计目标。
作为另一个好处,ProServe以容器化格式提供了模型,这简化了将其部署到Next Gen Stats环境中的过程。这使得能够实现低延迟计分,同时仍让NFL工程师能够通过Kubernetes和[Amazon EKS](https://aws.amazon.com/cn/eks/?trk=cndc-detail)对管道协调、资源分配和模型集成拥有完全控制。
Art Sani总结了一些由[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)驱动的引人注目的Next Gen Stats以及它们的商业影响:
- 传球评分综合了7个ML模型来评估每个传球尝试上四分卫的效率。
预期的回攻码数主要关注罚球和开球,分析那些常被忽视的、占比赛时间20%但极大影响场地位置的传球。这些传球通常涉及到第四档进攻决策,这些决策指导着最大化胜利概率的传球选择——进攻、射踢或罚球。这种趋势反映了球队越来越倾向于做出最优的数学决策。
完成概率的概念弥补了传统统计(如码数和接球)中缺失的关键背景信息。此外,预期冲球码数预测了在比赛开始之前,基于对手情况可能获得的码数。而防守者跟踪预测则通过预测他们的移动,可以预测防守者对不同四分卫决策的反应。
在大码分数方面,每个传球都会在0-100分的尺度上进行评级,考虑胜利概率、预计得分增加以及结果的不可能性。相比之下,过去仅依赖基于量的指标(如抢断、触球和目标)来评估球员的表现已经不再足够。如今,幻想积分超过预期这一新指标更能准确识别跑卫的机会。
安德鲁详细解释了一些统计数据背后的原理。例如,完成概率考虑了11个关键因素,如四分卫速度、接收员间距和球飞行距离,以量化每次传球的难度,难度范围从0到100%。同样,在一次成功率为27%的深度传球中,平均四分卫只能完成四次中的有一次。如果一个四分卫的实际完成率为75%,但他的平均概率为67%,那么他已经超过了预期8%。
总结来说,随着NFL比赛的日益数据化,球迷们越来越依赖于幻想运动和统计来了解球队表现。因此,Next Gen Stats团队致力于提供可操作的见解,以帮助粉丝赢得他们的幻想对决。
总体来说,亚马逊云科技的ProServe团队与NFL的Next Gen Stats团队合作,运用先进的人工智能和[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)技术,为球迷体验带来了革命性的改变。通过深入挖掘数据,我们仍能发现更多有趣的见解和故事。ProServe团队可以帮助其他机构借鉴NFL的成功经验,首先制定一个结合AI/ML、高级分析和相关技术的创新战略,然后提供全面的实施支持。
在视频的结尾,与会者被邀请填写一份简短的问卷,以对他们的体验提供反馈。
**下面是一些演讲现场的精彩瞬间:**
这家体育分析初创公司通过与亚马逊云科技的紧密合作,实现了创新突破,开发出了高效的[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)模型和直观的统计数据,为客户提供深入的分析见解。
![](https://d1trpeugzwbig5.cloudfront.net/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement/images/rebranded/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement_0.png)
通过对四分卫传球得分的研究,该初创公司能够对不同类型、不同环境和不同时段的四分卫表现进行详细分析和排序。
![](https://d1trpeugzwbig5.cloudfront.net/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement/images/rebranded/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement_1.png)
这种AI驱动的第四档决策工具能够帮助NFL教练们根据数据做出更明智的选择,从而提高他们的胜率。
![](https://d1trpeugzwbig5.cloudfront.net/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement/images/rebranded/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement_2.png)
此外,该公司还开发了预期冲球码数模型,用于预测冲球进攻成功率的概率分布。
![](https://d1trpeugzwbig5.cloudfront.net/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement/images/rebranded/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement_3.png)
尼克松团队专注于幻想足球领域,为球迷提供实用的见解和指标,助力他们在联赛中取得胜利。
![](https://d1trpeugzwbig5.cloudfront.net/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement/images/rebranded/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement_4.png)
然而,这位领导者承认,在回答过去的挑战细节之前,他需要更多的时间来深思熟虑。
![](https://d1trpeugzwbig5.cloudfront.net/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement/images/rebranded/PRO304-NFL_Next_Gen_Stats__Using_AI_ML_to_transform_fan_engagement_5.png)
## 总结
视频探讨了美国国家橄榄球联盟(NFL)如何通过人工智能/[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)(AI/ML)和亚马逊云计算技术服务来获取高级足球数据,这些数据被称之为“下一代统计”。这些统计数据已经改变了球迷的参与方式,将比赛中的无形因素进行了量化。演讲者解释了球员肩部垫和球中的射频识别(RFID)芯片是如何捕获位置数据的,然后输入到[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)模型中生成实时统计数据,例如传球成功率。亚马逊云计算技术专业服务帮助构建了一个快速部署高性能[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)模型的管道。一个模型采用创新的分布方式来评估四分卫,以应对比赛的极端结果。四分卫的通过率与胜利有密切的关系。总之,与亚马逊云计算技术的合作伙伴关系使NFL能够快速推广“下一代统计”的应用,提高广播和虚拟现实足球的体验。这些统计数据揭示了一场比赛的隐藏方面,讲述了一个更丰富的故事,并加强了球迷、球员、教练和媒体之间的联系。
## 演讲原文
## 想了解更多精彩完整内容吗?立即访问re:Invent 官网中文网站!
[2023亚马逊云科技re:Invent全球大会 - 官方网站](https://webinar.amazoncloud.cn/reInvent2023/?s=8739&smid=19458 "2023亚马逊云科技re:Invent全球大会 - 官方网站")
[点击此处](https://aws.amazon.com/cn/new/?trk=6dd7cc20-6afa-4abf-9359-2d6976ff9600&trk=cndc-detail "点击此处"),一键获取亚马逊云科技全球最新产品/服务资讯!
[点击此处](https://www.amazonaws.cn/new/?trk=2ab098aa-0793-48b1-85e6-a9d261bd8cd4&trk=cndc-detail "点击此处"),一键获取亚马逊云科技中国区最新产品/服务资讯!
## 即刻注册亚马逊云科技账户,开启云端之旅!
[【免费】亚马逊云科技“100 余种核心云服务产品免费试用”](https://aws.amazon.com/cn/campaigns/freecenter/?trk=f079813d-3a13-4a50-b67b-e31d930f36a4&sc_channel=el&trk=cndc-detail "【免费】亚马逊云科技“100 余种核心云服务产品免费试用“")
[【免费】亚马逊云科技中国区“40 余种核心云服务产品免费试用”](https://www.amazonaws.cn/campaign/CloudService/?trk=2cdb6245-f491-42bc-b931-c1693fe92be1&sc_channel=el&trk=cndc-detail "【免费】亚马逊云科技中国区“40 余种核心云服务产品免费试用“")