GRAPHIC_Orange-rule_01

NFL 為什麼選擇 AWS 進行統計

「我們成功的關鍵要素之一就是擁有出色的合作夥伴,而 AWS 就是例證。我們希望與具有出色技能的聰明人合作,而 AWS 便是這樣的合作夥伴。」 

- Roger Goodell,NFL 執行長

「我們成功的關鍵要素之一就是擁有出色的合作夥伴,而 AWS 就是例證。我們希望與具有出色技能的聰明人合作,而 AWS 便是這樣的合作夥伴。」 

– Roger Goodell,NFL 執行長

當今在雲端中完成的絕大多數機器學習 (ML) 都是在 AWS 上完成的,這就是為什麼在透過複雜的分析利用其資料時,AWS 是 NFL 最佳選擇的原因。NFL 使用 AWS ML 的強大功能進行統計:建立新的統計資料,並改善球員的健康和安全,同時為球迷、球員和球隊創造更好的體驗,所有一切皆在即時即刻發生。

Machine Learning

它是 NFL 的統計方式,使用機器學習和資料分析服務來提高其 Next Gen Stats 平台的準確性、速度和提供的洞察。

快速存取

使用商業智慧工具 Amazon QuickSight,NFL 能取得更好的深入分析,同時也為球迷、廣播員、體育編輯開啟了與資料互動的一扇窗。

速度

Amazon SageMaker 可用於建置、訓練及執行預測模型,將得到結果的時間有效地從 12 小時縮短到 30 分鐘。

GRAPHIC_Orange-rule_01

統計與粉絲互動

如果有比賽,NFL 可以進行統計。聯盟已經在 AWS 上建置了幾個新的統計資料,並且依賴於不同的資料點。以下是一些範例。若要進一步了解,請瀏覽 nextgenstats.nfl.com

預期的跑陣碼數

NFL 與 AWS 合作舉辦了第二屆年度體育分析競賽 2020 Big Data Bowl,以開發此新統計資料。 預期的跑陣碼數旨在根據開路球員和防守球員的相對位置、速度和方向,顯示在某次持球中,持球者預期的跑陣碼數。

預期的接球後跑陣碼數

這個新的預測模型使用 Amazon SageMaker 輸出球員在接球後預期的跑陣碼數,這是使用追蹤資料根據眾多因素得出,例如接球球員身前的開闊程度、移動速度以及所在區域中防守球員/開路球員的數量。

路線分類

這項下一代統計資料可協助球迷以新的方式分析比賽,了解球員採取的路線類型 (直線加速、內衝或外折),並給球隊的比賽打出總分,以便球迷可以研究整個聯盟的趨勢,從而對進攻策略有新的認識。

GRAPHIC_Orange-rule_01

將機器學習運用於資料

透過利用 AWS 廣泛的雲端機器學習功能,NFL 將其對比賽日的統計方式提高到了一個新水平,以便球迷、廣播業者、教練和球隊可以從更深入的洞察中受益。

Diagram-MOBILE_02
Diagram-DESKTOP_02

來自傳統技術分析統計資料的訓練資料以及從體育場收集的資料將在幾秒鐘內通過數百個程序,並且輸出將饋送到 Amazon Sagemaker 中。然後由 NGS 團隊建置的機器學習模型將擷取資料,從而不斷訓練和完善模型。然後在比賽期間即時使用該機器學習模型,以產生諸如陣式、路線和事件之類的輸出。

GRAPHIC_thin-rule_02

「我們之所以選擇 AWS,是因為它提供進階雲端產品,具備強大的機器學習能力,並且擁有以我們所需規模執行的經驗。透過採用 AWS 技術的 Next Gen Stats,我們將能夠在新的賽季提供更具影響力和有意義的內容,並以前所未有的深度了解足球比賽。」

- Matt SwenssonNFL 新興產品和技術副總裁

「我們之所以選擇 AWS,是因為它提供進階雲端產品,具備強大的機器學習能力,並且擁有以我們所需規模執行的經驗。透過採用 AWS 技術的 Next Gen Stats,我們將能夠在新的賽季提供更具影響力和有意義的內容,並以前所未有的深度了解足球比賽。」

- Matt SwenssonNFL 新興產品和技術副總裁

GRAPHIC_thin-rule_02
GRAPHIC_Orange-rule_01

與 NFL 一起深入探索機器學習

想看這本手冊嗎? 透過 NFL 資訊長 Michelle R.McKenna 的介紹,了解有關 NFL 機器學習之旅的更多資訊,並傾聽 Matt Swensson 根據親身經歷講述的故事,了解他的 Next Gen Stats 團隊如何與 AWS Machine Learning Solutions Lab 合作,在 Amazon SageMaker 上建置、訓練和部署他們的機器學習模型。

eBook-02
NGS-football-graphic

了解其他企業如何利用 AWS 來轉變其業務。