Utiliser l'IA pour améliorer l'expérience des fans
En 2018, le programme télévisé le plus populaire aux États-Unis n'était ni un film salué par la critique, ni la dernière émission de télé-réalité à la mode. C'était le football américain.
L'an dernier, les matches de la NFL, la ligue nationale de football américain, ont représenté 46 des 50 plus grosses audiences télévisuelles, avec une moyenne de 15,8 millions de téléspectateurs sur l'ensemble de la saison. L'intérêt jamais démenti des fans pour ce sport doit sans doute beaucoup à cette association, digne du jeu d'échecs, entre stratégie, préparation et instinct, que l'on retrouve à chaque match. Aucun facteur ne doit être négligé en termes d'impact sur le déroulement du match : qu'il s'agisse des changements dans la composition des équipes ou des conditions sur le terrain (match joué en intérieur ou en extérieur, de jour ou de nuit, sans oublier le vent et les précipitations).
Bien que la NFL utilise bon nombre de statistiques différentes depuis sa création, pendant des décennies celles-ci sont demeurées relativement rudimentaires. Il s'agissait de simples comptages qui n'indiquaient pas nécessairement grand-chose quant au déroulement de la partie. Récemment, la NFL a pris conscience de la nécessité d'utiliser un système plus avancé pour collecter des données et les interpréter. Ce système pourrait dévoiler des informations sur la dynamique du match, aussi bien pour les fans que pour les joueurs – par exemple, les résultats obtenus par une composition d'équipe spécifique ou les facteurs qui ont influencé la performance d'un joueur. L'objectif final est de fidéliser le consommateur et de donner des clés aux fans les plus assidus pour comprendre les matchs.
Aujourd'hui, le programme Next Gen Stats (NGS) de la NFL utilise des technologies de suivi sophistiquées de données collectées via des dispositifs d'identification par radiofréquence placés dans les épaulières de chaque joueur et intégrés dans chaque stade. Ces dispositifs capturent les données permettant de savoir quels joueurs sont sur le terrain à un moment donné, leur position au centimètre près ainsi que leur vitesse et la direction dans laquelle ils se déplacent. Ce trésor de données constitue une ressource inestimable pour les 32 équipes de la ligue, les nombreux médias partenaires et les quelque 180 millions de fans dans le monde entier.
« Le machine learning nous offre la possibilité d'accomplir davantage, de manière rapide et avec un degré de confiance élevé. »
Matt Swensson
Vice-président des produits et technologies émergents
NFL
« Le machine learning nous offre la possibilité d'accomplir davantage, de manière rapide et avec un degré de confiance élevé. »
Matt Swensson
Vice-président des produits et technologies émergents
NFL
En s'associant à Amazon Web Services, la NFL exploite le potentiel de ses données grâce à des analyses sophistiquées et au Machine Learning. « Le machine learning nous offre la possibilité d'accomplir davantage, de manière rapide et avec un degré de confiance élevé », explique Matt Swensson, vice-président des produits et technologies émergents de la NFL. « Nous disposions de nombreuses statistiques, et nous voulions trouver la meilleure manière de les exploiter. Aujourd'hui, nous collectons une telle quantité de données avec le système de suivi que nous pouvons utiliser le machine learning pour comprendre quels éléments sont pertinents ou non. »
La plateforme NGS, qui s'appuie sur l'outil de machine learning Amazon SageMaker, permet à la NFL de créer et de déployer rapidement et facilement des modèles de Machine Learning capables d'interpréter le jeu. À titre d'exemple, l'indicateur de probabilité de réussite d'une passe du NGS, qui intègre plus de 10 mesures en jeu allant de la longueur et de la vélocité d'une passe spécifique à la distance séparant le récepteur de la passe et les défenseurs les plus proches – ainsi que le quarterback et les pass rushers les plus proches.
L'utilisation d'Amazon SageMaker pour créer, former et exécuter des modèles prédictifs a permis de réduire de 12 heures à 30 minutes le temps nécessaire pour obtenir des résultats. Et comme le souligne Swensson, avec SageMaker, la NFL n'a pas besoin de faire appel à des équipes de scientifiques de données – ses ingénieurs peuvent se mettre au travail rapidement. « Nous n'avons pas besoin de réinventer la roue à chaque analyse », indique Swensson.
Les résultats aident les fans à comprendre la difficulté de certaines passes et apportent un éclairage sur l'ensemble du jeu. La NFL et ses médias partenaires peuvent utiliser rapidement ces informations pour améliorer les diffusions et le contenu en ligne, ou même pour informer les fans dans le stade et susciter leur enthousiasme. « J'ai eu beaucoup de réactions positives de fans qui se demandaient comment les joueurs avaient réussi une incroyable passe. Nous avons pu quantifier la passe et la comparer à d'autres. En contextualisant le déroulement du match, nous avons pu offrir une vraie valeur ajoutée aux fans », explique Swensson.
Bien sûr, ces données ne sont utiles qu'à condition qu'il soit possible d'y accéder rapidement et facilement. À l'aide de l'outil d'informatique décisionnelle Amazon QuickSight, la NFL peut obtenir une meilleure compréhension en interne tout en ouvrant un accès aux données pour les fans. « Cela nous permet d'effectuer des requêtes extrêmement rapides pour poser des questions et faire apparaître les réponses sur le tableau de bord », explique Swensson. « Nous fournissons des tableaux de bord à nos clubs, à nos diffuseurs, à nos rédacteurs et aux rédacteurs de fantasy football sur NFL.com. »
Ces tableaux de bord, qui demandaient auparavant des heures pour être mis sur pied, peuvent maintenant être créés en quelques minutes et inclure autant de filtres utiles que nécessaire. « Cela nous a permis d'éviter d'avoir à écrire beaucoup de code à chaque fois que nous voulions afficher des informations », raconte Swensson. « C'est beaucoup plus efficace. »
En outre, la NFL peut mettre en pratique ces informations à différents niveaux de l'organisation, en aidant les coaches à élaborer de meilleurs plans de jeu et même en trouvant des moyens d'améliorer la sécurité des joueurs. « Disposer de plus d'informations permet de mieux identifier les schémas qui se déroulent en cours de match », remarque Swensson. Ces schémas, identifiés grâce au machine learning, pourraient permettre de comprendre les situations où les joueurs sont les plus susceptibles de se blesser, et aider à concevoir des règles permettant de limiter les risques.
Le résultat final, c'est une meilleure expérience pour les fans, les joueurs et les équipes – le tout en temps réel. On peut tout simplement parler de football nouvelle génération pour la NFL, qui s'appuie sur des analyses et un machine learning également novateurs.