Ecco come il machine learning e l'analitica stanno trasformando l'NFL

Come usare la tecnologia AI per offrire ai fan un'esperienza ancora migliore

Il programma TV più seguito negli Stati Uniti nel 2018 non è stato certo una commedia drammatica acclamata dalla critica o un nuovissimo reality show. È stato il rugby.


Quarantasei partite dell'NFL fanno infatti parte della graduatoria delle 50 trasmissioni televisive più seguite del 2018, con una media di 15,8 milioni di spettatori durante la stagione. Il successo di questo sport ed il grande seguito di fan ha sicuramente molto a che fare con la meticolosa unione di strategia, preparazione e istinto necessaria alle squadre in ogni partita. Nulla va lasciato al caso proprio per il potenziale impatto che potrebbe avere sul risultato della partita: qualsiasi aspetto, dai cambiamenti nella rosa di giocatori della squadra alle condizioni del campo di gioco (per esempio, coperto vs all’aperto, giorno vs notte, per non parlare di vento e precipitazioni).

Sebbene l'NFL abbia monitorato diverse sin dalla propria nascita, per diversi anni tali metriche sono state piuttosto rudimentali: si trattava di semplici statistiche di conteggi che non rivelavano necessariamente la portata globale di quanto accadeva durante le partite. In anni più recenti, l'NFL ha capito di aver bisogno di un sistema più avanzato per raccogliere i dati e per dar loro un senso. Un tale sistema avrebbe potuto rivelare preziose informazioni sulle dinamiche di gioco, sia per i fan che i per i giocatori: per esempio, i risultati ottenuti con una formazione in particolare o quali siano i fattori che influenzano le prestazioni di un giocatore. Lo scopo finale sarebbe stato ottenere un seguito fedele per l'NFL e accontentare anche i fan più sfegatati, sempre alla ricerca di una comprensione migliore del gioco.

Oggi il programma Next Gen Stats (NGS) dell'NFL utilizza una tecnologia di tracciamento sofisticata raccolta tramite i dispositivi RFID inseriti all'interno delle imbottiture poste sulle spalle di ciascun giocatore e di quelli integrati in ogni stadio. Questi dispositivi raccolgono i dati sui giocatori in campo in un preciso momento, compresi quelli relativi alla loro posizione con una precisione al centimetro, alla velocità con cui si muovono e alla loro direzione. Questa raccolta dati rappresenta una vera miniera d'oro, una risorsa incredibile per i 32 team della lega, per i numerosi partner multimediali e per i circa 180 milioni di fan sparsi in tutto il mondo.

"Il machine learning ha un enorme potenziale, che possiamo sfruttare per poter fare di più, in modo tempestivo e con un elevato livello di sicurezza rispetto a quanto avverrebbe senza utilizzare questa tecnologia".

Matt Swensson
Vicepresidente, Emerging Products and Technology, NFL
NFL

"Il machine learning ha un enorme potenziale, che possiamo sfruttare per poter fare di più, in modo tempestivo e con un elevato livello di sicurezza rispetto a quanto avverrebbe senza utilizzare questa tecnologia".

Matt Swensson
Vicepresidente, Emerging Products and Technology, NFL
NFL


In collaborazione con Amazon Web Services, l'NFL usufruisce del potere nascosto dei propri dati attraverso sistemi sofisticati di analisi e machine learning. "Il machine learning ha un enorme potenziale, che possiamo sfruttare per poter fare di più, in modo tempestivo e con un elevato livello di sicurezza rispetto a quanto avverrebbe senza utilizzare questa tecnologia", afferma il vicepresidente responsabile dei prodotti e delle tecnologie emergenti presso l'NFL. “Disponevamo di molte statistiche e volevamo trovare il miglior modo di sfruttarle. Ora stiamo raccogliendo così tanti dati con il sistema di tracciamento che siamo in grado di utilizzare il machine learning per comprendere quali elementi siano rilevanti e quali non lo siano".

Grazie allo strumento per il machine learning Amazon SageMaker, la piattaforma NGS permette all'NFL di creare e distribuire in modo rapido e semplice modelli di machine learning in grado di interpretare il gioco sul campo. Un esempio di questo processo è la metrica sulla probabilità di completamento dell’NGS, la quale integra più di 10 misurazioni durante le partite, che vanno dalla durata alla velocità di un passaggio specifico fino alla distanza tra il ricevente e il difensore più vicino o quella tra il quarterback e i giocatori responsabili di fare pressione difensiva.

Utilizzare Amazon SageMaker per costruire, addestrare ed eseguire facilmente questi modelli predittivi, ha permesso di ridurre il tempo necessario ad ottenere i risultati da più di 12 ore a solo 30 minuti. E, come sottolinea Swensson, con SageMaker l'NFL non ha più bisogno di avere team numerosi di data scientist: i suoi ingegneri possono occuparsi di tutto in modo veloce e tempestivo. "Non siamo costretti a dover inventare chissà che cosa ogni volta che dobbiamo fare qualcosa", afferma Swensson.

I risultati aiutano i fan a comprendere perché alcuni passaggi sono più difficili di altri e forniscono una comprensione più significativa del gioco stesso. Tali informazioni possono essere utilizzate velocemente dall'NFL e dai suoi partner multimediali per migliorare le trasmissioni ed i contenuti online o anche per informare ed emozionare i fan all'interno dello stadio. "Ho ricevuto moltissimi commenti positivi dai fan, i quali mi hanno detto ad esempio 'Incredibile! Come hanno fatto a portare avanti quel passaggio?' In quel caso siamo stati capaci di vederlo e confrontarlo con altri passaggi e questo rappresenta davvero un valore per i fan, perché offre contesto per ciò che sta accadendo in partita", spiega Swensson.

Naturalmente i dati possono risultare utili solo quando è possibile accedervi in modo veloce e semplice. Utilizzando gli strumenti di business intelligence di Amazon QuickSight, l'NFL è capace di ottenere informazioni ancora più specifiche internamente, permettendo allo stesso tempo ai fan di poter interagire con i dati. "Ci permette di eseguire query molto velocemente per porre domande e presentare le risposte sui dashboard", afferma Swensson. "Forniamo dashboard ai nostri club, ai nostri broadcaster, agli addetti ai contenuti editoriali e a coloro che si occupano del fanta-rugby presso NFL.com".

Questi dashboard, che prima richiedevano ore o giorni per essere realizzati, ora vengono creati in pochi minuti e possono anche comprendere qualsiasi numero di filtri pertinenti. "Tutto questo ci ha permesso di evitare di dover scrivere grandi quantità di codice ogni volta che vogliamo mostrare un’informazione", afferma Swensson. “È molto più efficiente”.

Inoltre, l'NFL può anche utilizzare tali informazioni in ambiti diversi dell’organizzazione, ad esempio aiutando gli allenatori a creare piani di gioco migliori e persino trovando modi per migliorare la sicurezza dei giocatori. "Più informazioni abbiamo, meglio possiamo identificare gli schemi che si ripetono all’interno del gioco", aggiunge Swensson. Tali schemi, identificati attraverso il machine learning, possono essere fondamentali per comprendere meglio dove ci sia maggior probabilità che si verifichi un infortunio per i giocatori per aiutare a creare delle regole per ridurre i rischi.

Il risultato finale è un'esperienza migliore per i fan, i giocatori e le squadre, il tutto in tempo reale. Si tratta delle basi per la prossima generazione del rugby nell'NFL, basata sulle tecniche di analisi più all'avanguardia e sul machine learning.

Kia utilizza il ML per ridurre gli incidenti fatali in auto

Ulteriori informazioni »

Capital One utilizza il ML per proteggere meglio i propri clienti dalle frodi

Ulteriori informazioni »

GE Healthcare migliora le prestazioni nel settore sanitario grazie al ML

Ulteriori informazioni »

Da T-Mobile, il ML rende il servizio clienti umano

Ulteriori informazioni »