Cómo el Machine Learning y los Analytics están transformando a la NFL

El uso de IA para mejorar la experiencia de los aficionados

En 2018, el programa de televisión más visto no fue una película aclamada por la crítica o un nuevo programa de telerrealidad. Era fútbol americano.


Los juegos de la NFL representaron 46 de las 50 principales transmisiones del año pasado, con un promedio de 15,8 millones de espectadores durante la temporada. Para los aficionados, el atractivo continuo del deporte puede tener mucho que ver con la combinación de estrategia, preparación e instinto de juego que se incluye en cada juego, como con el ajedrez. Ningún factor puede ser pasado por alto por su impacto potencial en cómo se desarrollan esas jugadas: desde cambios en las listas de los equipos hasta las condiciones en el campo (es decir, interior vs. exterior, día vs. noche, sin mencionar el viento y la lluvia).

Si bien la NFL ha hecho el seguimiento de una gran variedad de estadísticas desde su inicio, durante décadas estas métricas fueron relativamente rudimentarias, algo como contar estadísticas que no revelaban necesariamente el alcance completo de lo que había sucedido durante las jugadas. Recientemente, la NFL se dio cuenta de que necesitaba un sistema más avanzado para recopilar datos y darles sentido. Un sistema de este tipo podría revelar información sobre la dinámica del juego tanto para los fanáticos como para los jugadores; por ejemplo, los resultados de las alineaciones de jugadores en particular o los factores que habrían impactado el rendimiento de un jugador. El objetivo final: fidelizar al cliente para la NFL y alimentar la pasión de los aficionados más leales que buscan entender mejor el juego.

Hoy en día, el programa Next Gen Stats (NGS) de la NFL utiliza una sofisticada tecnología de rastreo recopilada a través de dispositivos RFID colocados en las hombreras de cada jugador e integrada en cada uno de los estadios. Estos dispositivos capturan datos sobre los jugadores que están en el campo en un momento dado, la ubicación de estos en pulgadas y la velocidad y la dirección en la que se mueven. Este tesoro de datos representa un gran recurso para los 32 equipos de la liga, múltiples socios de medios y aproximadamente 180 millones de aficionados en todo el mundo.

"El machine learning está abriendo el potencial para que hagamos más de lo que podríamos, de manera oportuna y con un alto grado de confianza".

Matt Swensson
Vicepresidente de productos y tecnologías emergentes
NFL

"El machine learning está abriendo el potencial para que hagamos más de lo que podríamos, de manera oportuna y con un alto grado de confianza".

Matt Swensson
Vicepresidente de productos y tecnologías emergentes
NFL


Al asociarse con Amazon Web Services, la NFL está aprovechando el poder de sus datos a través de análisis sofisticados y el aprendizaje automático. "El aprendizaje automático nos otorga el potencial necesario para que hagamos más de lo que podríamos, de manera oportuna y con un alto grado de confianza", afirma Matt Swensson, vicepresidente de productos y tecnologías emergentes para la NFL. “Teníamos muchas estadísticas y queríamos encontrar la mejor manera de aprovecharlas. Estamos incorporando tantos datos con el sistema de seguimiento que podemos utilizar el aprendizaje automático para comprender qué elementos son relevantes y cuáles no”.

Desarrollada por la herramienta de aprendizaje automático Amazon SageMaker, la plataforma NGS permite a la NFL crear y desplegar rápida y fácilmente modelos de aprendizaje automático capaces de interpretar el juego. Un ejemplo es la métrica de probabilidad de finalización de NGS, que integra más de 10 mediciones en juego que van desde la longitud y la velocidad de un pase específico hasta la distancia entre el receptor y los defensores más cercanos, así como los mariscales de campo y los demás pasadores más cercanos.

El uso de Amazon SageMaker para construir, entrenar y ejecutar fácilmente estos modelos predictivos ayudó a reducir el tiempo para obtener resultados de 12 horas a 30 minutos. Y como señala Swensson, con SageMaker, la NFL no necesita armarse con equipos de científicos de datos: sus ingenieros pueden ponerse en marcha rápidamente. "No tenemos que reinventar la rueda cada vez que queremos hacer algo", dice Swensson.

Los resultados ayudan a los aficionados a comprender por qué algunas jugadas de pase son más difíciles que otras y permiten entender mejor el juego en sí. La NFL y sus socios de medios pueden usar rápidamente estas ideas para mejorar las transmisiones y el contenido en línea, o incluso para formar y emocionar a los aficionados dentro del estadio. "He recibido muchos comentarios positivos de los aficionados que decían: '¡Guau!, ¿cómo completaron ese pase?' Hemos podido cuantificarlo y compararlo con otros pases, y eso ha sido un verdadero valor agregado para los aficionados porque crea un contexto para lo que está sucediendo en el juego", explica Swensson.

Por supuesto, los datos solo son útiles cuando se pueden acceder rápida y fácilmente. Con la herramienta de inteligencia empresarial Amazon QuickSight, la NFL puede obtener una mejor visión interna, al mismo tiempo que abre una ventana para que los aficionados interactúen con los datos. "Nos permite ejecutar consultas extremadamente rápidas para hacer preguntas y dar a conocer las respuestas en los paneles", dice Swensson. "Proporcionamos tableros de instrumentos a nuestros clubes, a nuestros emisores y a nuestros editores y escritores de fútbol de fantasía en NFL.com".

Esos tableros, que solían tardar horas o días en construirse, ahora se pueden crear en minutos y también pueden incluir cualquier número de filtros relevantes. "Nos ha permitido evitar escribir muchos códigos cada vez que queremos mostrar información", dice Swensson. "Es mucho más eficiente".

Además, la NFL puede tomar estos conocimientos y aplicarlos a diferentes partes de la organización, ayudando a los entrenadores a crear mejores planes de juego e incluso a encontrar formas de mejorar la seguridad de los jugadores. “Cuanta más información tengas, mejor podrás identificar los patrones en juego”, señala Swensson. Esos patrones, identificados a través del aprendizaje automático, podrían ser las claves para comprender mejor dónde es más probable que los jugadores se lesionen y ayudar a diseñar reglas para mitigar el riesgo.

El resultado final es una mejor experiencia para los aficionados, para los jugadores y equipos, todo en tiempo real. Es nada menos que la próxima generación de fútbol americano de la NFL, y se basa en los análisis de última generación y el aprendizaje automático.

Kia utiliza el aprendizaje automático para reducir el número de víctimas mortales en accidentes automovilísticos

Más información »

Capital One aprovecha el aprendizaje automático para evitar que sus clientes sean víctimas de fraudes

Más información »

GE Healthcare obtiene mejores resultados en el área sanitaria con el aprendizaje automático

Más información »

En T-Mobile, el aprendizaje automático humaniza el servicio al cliente

Más información »