使用 AI 改善球迷體驗
在 2018 年，最受歡迎的電視節目不是經典大戲，也不是熱門的全新真人秀節目，而是美式足球賽。
在去年 50 大電視轉播排行榜中，NFL 美式足球賽就佔了 46 個，該季收看的觀眾人數平均有 158 萬。對球迷來說，這個運動之所以一直很吸引人，是因為如同棋局般的策略組合，還有每場比賽球員本能的全力以赴。任何可能影響比賽結果的因素都不容小覷：從團隊球員名單更改到球場條件 (即室內或室外、白天或晚上等，還有風速和降雪量等)。
雖然 NFL 在一開始早已追蹤各種統計數據達數十年，但這些指標非常基本 — 例如，只是簡單的次數統計，不一定會顯示比賽過程中所發生的全貌。最近，NFL 發現他們需要有更先進的系統，來收集資料並理解資料。這類的系統可將有關球賽動態的深入分析顯示給球迷和球員，例如，特定球員陣容的結果或影響球員表現的因素。最終目標是建立客戶對 NFL 的忠誠度，並刺激死忠球迷進一步了解比賽。
而今，NFL 的 Next Gen Stats (NGS) 計畫使用精密的追蹤技術，透過放置在每位球員肩墊和內嵌於每座體育場的 RFID 裝置收集資料。這些裝置會擷取有關球員在球場上特定瞬間、球員位置，以及移動速度和方向等的資料。對聯賽中32 個球隊、多個媒體合作夥伴及全世界約 1 億 8000 萬球迷來說，這個珍貴的資料提供了極佳的資源。
「機器學習讓我們得以及時發揮潛力、充滿自信地大展身手。」
Matt Swensson
新興產品與技術部副總裁
NFL
「機器學習讓我們得以及時發揮潛力、充滿自信地大展身手。」
Matt Swensson
新興產品與技術部副總裁
NFL
NFL 與 Amazon Web Services 合作，透過精密分析和機器學習，充分發揮資料的力量。NFL 新興產品與技術副總裁 Matt Swensson表示：「機器學習讓我們及時釋放潛力、充滿自信地大展身手。我們有大量的統計數據，希望找出利用資料的最佳方式。我們現在透過追蹤系統取得非常龐大的資料，我們能使用機器學習來了解相關與不相關的元素。」
由機器學習工具 Amazon SageMaker 提供支援的 NGS 平台，讓 NFL 可以快速輕鬆地建立和部署能解析球賽的機器學習模型。其中一例是 NGS 的 Completion Probability 指標，整合了超過 10 個比賽衡量指標，包括接球手和最近守衛 (還有四分衛和最近突擊手) 之間特定傳球距離的長度和速度。
使用 Amazon SageMaker 可輕鬆建置、訓練及執行這些預測模型，將得到結果的時間有效地從 12 小時縮短到 30 分鐘。如同 Swensson 所言，有了 SageMaker，NFL 就不需要設置資料科學家團隊，原本的工程師就可以快速啟動並執行。Swensson 表示：「每次想做什麼，都不必又從零開始。」
這些結果協助球迷了解為何有些傳球戰術比其他傳球戰術難，並提供更有意義的方式來了解球賽本身。NFL 及其媒體合作夥伴可以快速使用這些深入的分析，來加強廣播和線上內容，甚至可以教育和激勵體育場內的球迷。Swensson 指出：「我從球迷口中得到許多正面評價，他們說『哇，他們那樣出色的傳球是怎麼辦到的？』。 我們早已能量化並將該次傳球與其他傳球進行比較，這對球迷來說，是真正加分的價值，因為他們可以看到整場比賽的來龍去脈。」
當然，資料只有在能被快速輕鬆存取時才真正有用。使用商業智慧工具 Amazon QuickSight，NFL 能在內部取得更好的深入分析，同時也為球迷開啟了與資料互動的一扇窗。Swensson 表示：「這讓我們可以執行極快的問題查詢，然後在儀表板上顯示答案。我們會提供儀表板給我們的足球俱樂部、廣播公司，以及 NFL.com 網站上的編輯人員和夢幻足球記者。」
這些儀表板過去需要好幾小時甚至數天才能完成建置，現在只要幾分鐘就可以完成，而且可以放入不限數量的相關篩選條件。Swensson 表示：「現在我們每次想要顯示資訊時，不必再撰寫一堆程式碼，效率提升很多。」
此外，NFL 也可以獲取這些深入分析，然後應用到組織的不同單位，協助教練建立詳盡的比賽計畫，甚至找出提高球員安全的做法。Swensson 補充說：「您手中的資訊越多，就越能找出球賽的戰術型態。這些透過機器學習識別出的型態，可以成為更充分了解球員在哪裡比較容易受傷的關鍵，並進而設計出能減輕風險的規則。
最終結果是讓球迷、球員和球隊即時享有更好的體驗。這就是新一代的 NFL 足球賽，由新一代的分析和機器學習技術提供支援。