想知道“超級碗”裡的雲科技是怎樣的嗎？那就準備好進入今天的文章內容吧~

NFL 如何透過機器學習和分析技術實現轉型

“機器學習讓我們能夠發揮更多潛能，讓我們可以自信及時地完成很多之前無法處理的事情。”

——Matt Swensson新興產品和技術部門副總裁

在 2018 年收視率最高的 50 次電視轉播裡，美國職業橄欖球大聯盟 (NFL) 比賽佔了 46 次，平均有 1580 萬觀眾觀看了本賽季比賽。對於球迷來說，這項運動猶如國際象棋一般融合了戰略、預備和本能，散發著源源不斷的吸引力。從球隊陣容的變化到球場環境（如室內和室外、白天和晚上，更不用說颳風和下雨天氣）等，任何因素都有可能影響比賽結果，因而不容忽視。

雖然 NFL 自成立幾十年來，就一直在大範圍地統計各種資料，但這些指標相當基本，只是在做簡單地計數統計，無法全方位展示賽況。但隨著時間的推移，NFL 意識到自己需要一個更先進的系統來收集和解析資料。這種系統可以為球迷和球員剖析瞬息萬變的賽況與洞察，例如，特定球員陣容的結果或影響球員表現的因素等。終極目標：為 NFL 培養客戶忠誠度，並幫助鐵桿球迷更好地看懂比賽。

現今，NFL 的 Next Gen Stats (NGS) 程式採用複雜的跟蹤技術透過每個球員肩墊中的 RFID 裝置和嵌在每個體育場中的裝置收集資料。這些裝置會捕獲多種資料，包括特定時間內上場球員名單、精準到英尺的球員位置、球員移動速度和方向等。這一資料寶庫為聯盟的 32 支球隊、多家媒體合作伙伴以及全球約 1.8 億球迷提供了巨大的資源。

藉助機器學習工具 Amazon SageMaker，NGS 平臺允許 NFL 快速輕鬆地建立和部署能夠解讀比賽的機器學習模型。其中一個例子是 NGS 的完成率指標，該指標集成了 十餘項賽中測量值，包括特定傳球的時長和速度、接球手和最近的防守球員之間的距離，以及四分衛和最近的突擊手之間的距離。

使用 Amazon SageMaker 來輕鬆構建、訓練和執行這些預測模型，有助於將獲得結果的時間從 12 小時縮短到 30 分鐘。正如 Swensson 所指出的那樣，藉助 Amazon SageMaker，NFL 不需要聘請資料科學家團隊，因為其工程師就可以快速啟動和執行。“我們每次想要做某件事時，都不再需要浪費時間研發別人已經研發好了的技術。”Swensson 說。

這些結果有助於球迷了解為什麼某些傳球比其他傳球更困難，並針對比賽本身提供更具價值的解析。NFL 及其媒體合作伙伴可以迅速利用這些見解來改進廣播和線上內容，甚至還可以教育和激勵體育場內的球迷們。“我從球迷那裡得到了很多積極的反饋，比如‘哇，他們是怎麼完成那個傳球的?’ 我們已經能夠對傳球進行量化並跟其他傳球進行比較，這對球迷來說是真正的附加價值，因為可以更好地瞭解賽事環境，”Swensson 說。

當然，資料只有在能夠快速方便地訪問時才有用。藉助商業智慧工具 Amazon QuickSight，NFL 能夠在內部獲得更深入的見解，同時還為球迷提供了與資料互動的機會。“這讓我們可以極快地進行查詢提問，並在控制面板上顯示答案，”Swensson 說，“我們為俱樂部、廣播公司、NFL.com 網站編輯人員以及夢幻橄欖球遊戲作家提供控制面板。”

這些控制面板過去需要數小時或數天的時間才能構建完成，但現在只需幾分鐘即可建立，還可以包含任意數量的相關篩選器。“這樣我們就不必在每次想要顯示資訊時，都編寫大量程式碼，”Swensson 說，“這樣效率更高。”

此外，NFL 還可以將這些見解應用到組織的不同部分，從而幫助教練制定更好的比賽計劃，甚至找到提高球員安全性的方法。“您擁有的資訊越多，就能越好地識別比賽中的模式，”Swensson 指出。透過機器學習發現的這些模式，為更好了解球員在哪些情況下容易受傷，提供了關鍵資訊，並且有助於設計規則，從而降低受傷風險。

最終結果是為球迷、球員和球隊帶來更好的體驗，所有體驗都是實時的。由新一代的分析系統和機器學習提供支援，這絕對就是新一代的 NFL 橄欖球。