使用人工智能改善球迷体验
2018 年，最受欢迎的电视节目，不是广受好评的电视剧或新的热门真人秀，而是橄榄球。
去年收视率最高的 50 次电视转播里，美国职业橄榄球大联盟 (NFL) 比赛占了 46 次，平均有 1580 万观众观看了本赛季比赛。对于球迷来说，这项运动犹如国际象棋一般融合了战略、预备和本能，散发着源源不断的吸引力。从球队阵容的变化到球场环境（如室内和室外、白天和晚上，更不用说刮风和下雨天气）等，任何因素都有可能影响比赛结果，因而不容忽视。
虽然 NFL 自成立几十年来，就一直在大范围地统计各种数据，但这些指标相当基本，只是在做简单地计数统计，无法全方位展示赛况。最近，NFL 意识到自己需要一个更先进的系统来收集和解析数据。这种系统可以为球迷和球员剖析瞬息万变的赛况与洞察，例如，特定球员阵容的结果或影响球员表现的因素等。终极目标：为 NFL 培养客户忠诚度，并帮助铁杆球迷更好地看懂比赛。
现今，NFL 的 Next Gen Stats (NGS) 程序采用复杂的跟踪技术通过每个球员肩垫中的 RFID 设备和嵌在每个体育场中的设备收集数据。这些设备会捕获多种数据，包括特定时间内上场球员名单、精准到英尺的球员位置、球员移动速度和方向等。这一数据宝库为联盟的 32 支球队、多家媒体合作伙伴以及全球约 1.8 亿球迷提供了巨大的资源。
“机器学习让我们能够发挥更多潜能，让我们可以自信及时地完成很多之前无法处理的事情。”
Matt Swensson
新兴产品和技术部门副总裁
NFL
“机器学习让我们能够发挥更多潜能，让我们可以自信及时地完成很多之前无法处理的事情。”
Matt Swensson
新兴产品和技术部门副总裁
NFL
NFL 与 Amazon Web Services 合作，通过复杂的分析和机器学习充分发掘数据的力量。“机器学习让我们能够发挥更多潜能，让我们可以自信及时地完成很多之前无法处理的事情，”NFL 新兴产品和技术部门副总裁 Matt Swensson 说，“我们有很多统计数据，并希望找到利用这些数据的最佳方式。我们现在通过跟踪系统获取了大量数据，我们可以使用机器学习，来了解哪些元素相关，哪些元素不相关。”
借助机器学习工具 Amazon SageMaker，NGS 平台允许 NFL 快速轻松地创建和部署能够解读比赛的机器学习模型。其中一个例子是 NGS 的完成率指标，该指标集成了 十余项赛中测量值，包括特定传球的时长和速度、接球手和最近的防守球员之间的距离，以及四分卫和最近的突击手之间的距离。
使用 Amazon SageMaker 来轻松构建、训练和运行这些预测模型，有助于将获得结果的时间从 12 小时缩短到 30 分钟。正如 Swensson 所指出的那样，借助 SageMaker，NFL 不需要聘请数据科学家团队，因为其工程师就可以快速启动和运行。“我们每次想要做某件事时，都不再需要浪费时间研发别人已经研发好了的技术。”Swensson 说。
这些结果有助于球迷了解为什么某些传球比其他传球更困难，并针对比赛本身提供更具价值的解析。NFL 及其媒体合作伙伴可以迅速利用这些见解来改进广播和在线内容，甚至还可以教育和激励体育场内的球迷们。“我从球迷那里得到了很多积极的反馈，比如‘哇，他们是怎么完成那个传球的?’ 我们已经能够对传球进行量化并跟其他传球进行比较，这对球迷来说是真正的附加价值，因为可以更好地了解赛事环境，”Swensson 说。
当然，数据只有在能够快速方便地访问时才有用。借助商业智能工具 Amazon QuickSight，NFL 能够在内部获得更深入的见解，同时还为球迷提供了与数据互动的机会。“这让我们可以极快地进行查询提问，并在控制面板上显示答案，”Swensson 说，“我们为俱乐部、广播公司、NFL.com 网站编辑人员以及梦幻橄榄球游戏作家提供控制面板。”
这些控制面板过去需要数小时或数天的时间才能构建完成，但现在只需几分钟即可创建，还可以包含任意数量的相关筛选器。“这样我们就不必在每次想要显示信息时，都编写大量代码，”Swensson 说，“这样效率更高。”
此外，NFL 还可以将这些见解应用到组织的不同部分，从而帮助教练制定更好的比赛计划，甚至找到提高球员安全性的方法。“您拥有的信息越多，就能越好地识别比赛中的模式，”Swensson 指出。通过机器学习发现的这些模式，为更好了解球员在哪些情况下容易受伤，提供了关键信息，并且有助于设计规则，从而降低受伤风险。
最终结果是为球迷、球员和球队带来更好的体验，所有体验都是实时的。由新一代的分析系统和机器学习提供支持，这绝对就是新一代的 NFL 橄榄球。