NFL on AWS
NFL 運用 AWS Machine Learning 的強大功能，為球迷、球員和團隊打造更出色的體驗。
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 將比賽日提高到了一個新水平，以便球迷、廣播員、教練和球隊可以從更深入的洞見中受益。來自傳統技術分析統計資料的訓練資料將在幾秒鐘內透過數百個程序執行，並且輸出將饋送到 Amazon SageMaker 中。比賽期間即時地運用這些模型，以產生陣式、路線和事件之類的輸出。
AWS 與 Next Gen Stats 共同推出了全新的壓力概率指標
壓力剖析
善用 2023 Big Data Bowl 的概念，了解 AWS 工程師如何在過去 5 年根據 90,000 次以上的傳球，訓練一系列機器學習模型，以更好地捕捉 QB 壓力，以及在向後退縮時如何發展。
AWS 如何為 NFL 提供技術支援
Big Data Bowl
「這是一場全球資料科學競賽，期望解決尚未得到回覆的足球問題。在過去 5 年中，超過 15 次 Next Gen Stats 從 Big Data Bowl 提交開始。」
– Mike Lopez
NFL 資料與分析資深總監
Next Gen Stats
「AWS ML 團隊提供了前所未見的解決方案和技術，再加上我們的足球專業知識和統計資料生產經驗，每次建立新指標時，我們一如既往會取得成功。」
– Mike Band
Next Gen Stats
Seattle Seahawks
「資料只在不斷增加。因此，將系統置於適當的位置來處理這些資料，對於不斷分析球員的優勢至關重要。」
– Patrick Ward
Seattle Seahawks 研究與分析主管
AWS 如何為 NFL 提供技術支援
Big Data Bowl
「這是一場全球資料科學競賽，期望解決尚未得到回覆的足球問題。在過去 5 年中，超過 15 次 Next Gen Stats 從 Big Data Bowl 提交開始。」
– Mike Lopez
NFL 資料與分析資深總監
Next Gen Stats
「AWS ML 團隊提供了前所未見的解決方案和技術，再加上我們的足球專業知識和統計資料生產經驗，每次建立新指標時，我們一如既往會取得成功。」
– Mike Band
Next Gen Stats
Seattle Seahawks
「資料只在不斷增加。因此，將系統置於適當的位置來處理這些資料，對於不斷分析球員的優勢至關重要。」
– Patrick Ward
Seattle Seahawks 研究與分析主管
AWS 服務助力 Next Gen Stats
了解 NFL 如何運用 AWS
聯盟已經在 AWS 上建置了幾個機器學習統計資料，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
合格分數
首創的 AI 工具，結合了七個 ML 模型，包括一個在投球前預測傳球值的新模型，以評估四分衛的傳球表現。
第四陣決策指南
使用 Amazon SageMaker 分析獲勝概率，它根據假設的結果告知比賽將如何變化，以及轉換概率，它預測進攻是否會轉換為第四陣或 2 分轉換。
完成概率
此預測模型使用 Amazon SageMaker 根據傳球距離、接球手與最近防守球員的距離、他在場上的位置、QB 上的壓力大小等來計算完成任何給定傳球的概率。
預期的跑陣碼數
該指標使用 Amazon SageMaker，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。
Coverage Classification
Coverage Classification 是首創的 AI 系統，可在比賽結束後幾秒鐘內識別 8 種不同類型的人工和區域防禦覆蓋範圍。該系統在過去 4 個賽季中接受了 60,000 多次 NFL 比賽訓練，運用球員追蹤資料來考慮初始防守球員取準目標方式，他們如何調整進攻球員在球被搶後的移動，球員加速，偽裝區域覆蓋，甚至攻擊區域覆蓋分配等變數，以確定使用哪種區域覆蓋。
了解其他企業如何利用 AWS 來轉變其業務。