Mengidentifikasi skema cakupan pertahanan di NFL's Next Gen Stats

Posting ini ditulis bersama Jonathan Jung, Mike Band, Michael Chi, dan Thompson Bliss di National Football League.

A skema cakupan mengacu pada aturan dan tanggung jawab masing-masing bek sepak bola yang bertugas menghentikan umpan ofensif. Ini adalah inti dari memahami dan menganalisis strategi pertahanan sepak bola apa pun. Mengklasifikasikan skema cakupan untuk setiap permainan operan akan memberikan wawasan tentang pertandingan sepak bola kepada tim, penyiar, dan penggemar. Misalnya, ini dapat mengungkapkan preferensi penelepon permainan, memungkinkan pemahaman yang lebih dalam tentang bagaimana pelatih dan tim masing-masing terus menyesuaikan strategi mereka berdasarkan kekuatan lawan mereka, dan memungkinkan pengembangan analitik berorientasi pertahanan baru seperti keunikan cakupan (Set et al.). Namun, identifikasi manual dari liputan ini berdasarkan per-permainan sulit dan melelahkan karena mengharuskan spesialis sepak bola untuk memeriksa rekaman pertandingan dengan cermat. Ada kebutuhan untuk model klasifikasi cakupan otomatis yang dapat diskalakan secara efektif dan efisien untuk mengurangi biaya dan waktu penyelesaian.

NFL Statistik Gen Berikutnya menangkap lokasi waktu nyata, kecepatan, dan lebih banyak lagi untuk setiap pemain dan permainan sepak bola NFL, dan memperoleh berbagai statistik lanjutan yang mencakup berbagai aspek permainan. Melalui kolaborasi antara tim Next Gen Stats dan Lab Solusi Amazon ML, kami telah mengembangkan stat klasifikasi cakupan bertenaga pembelajaran mesin (ML) yang secara akurat mengidentifikasi skema cakupan pertahanan berdasarkan data pelacakan pemain. Model klasifikasi cakupan dilatih menggunakan Amazon SageMaker, dan stat telah diluncurkan untuk musim NFL 2022.

Dalam postingan ini, kami mendalami detail teknis model ML ini. Kami menjelaskan cara kami merancang model ML yang akurat dan dapat dijelaskan untuk membuat klasifikasi cakupan dari data pelacakan pemain, diikuti dengan evaluasi kuantitatif dan hasil penjelasan model kami.

Rumusan masalah dan tantangan

Kami mendefinisikan klasifikasi cakupan defensif sebagai tugas klasifikasi multi-kelas, dengan tiga jenis cakupan orang (di mana setiap pemain defensif mencakup pemain ofensif tertentu) dan lima jenis cakupan zona (setiap pemain defensif mencakup area tertentu di lapangan). Kedelapan kelas ini digambarkan secara visual dalam gambar berikut: Cover 0 Man, Cover 1 Man, Cover 2 Man, Cover 2 Zone, Cover 3 Zone, Cover 4 Zone, Cover 6 Zone, dan Prevent (juga cakupan zona). Lingkaran berwarna biru adalah pemain bertahan yang ditata dalam jenis perlindungan tertentu; lingkaran berwarna merah adalah pemain ofensif. Daftar lengkap akronim pemain disediakan di lampiran di akhir posting ini.

Visualisasi berikut menunjukkan contoh permainan, dengan lokasi semua pemain ofensif dan defensif di awal permainan (kiri) dan di tengah permainan yang sama (kanan). Untuk membuat identifikasi cakupan yang benar, banyak informasi dari waktu ke waktu harus diperhitungkan, termasuk cara bek berbaris sebelum snap dan penyesuaian gerakan pemain ofensif setelah bola dibentak. Hal ini menimbulkan tantangan bagi model untuk menangkap pergerakan dan interaksi spasial-temporal, dan seringkali halus di antara para pemain.

Tantangan utama lainnya yang dihadapi oleh kemitraan kami adalah ambiguitas yang melekat di sekitar skema cakupan yang diterapkan. Di luar delapan skema cakupan yang umum diketahui, kami mengidentifikasi penyesuaian dalam panggilan cakupan yang lebih spesifik yang menyebabkan ambiguitas di antara delapan kelas umum untuk pembuatan bagan manual dan klasifikasi model. Kami mengatasi tantangan ini menggunakan strategi pelatihan yang lebih baik dan penjelasan model. Kami menjelaskan pendekatan kami secara rinci di bagian berikut.

Kerangka klasifikasi cakupan yang dapat dijelaskan

Kami mengilustrasikan keseluruhan kerangka kerja kami dalam gambar berikut, dengan input data pelacakan pemain dan label cakupan yang dimulai dari bagian atas gambar.

Rekayasa fitur

Data pelacakan game diambil pada 10 frame per detik, termasuk lokasi pemain, kecepatan, akselerasi, dan orientasi. Rekayasa fitur kami membangun urutan fitur permainan sebagai input untuk destruksi model. Untuk bingkai tertentu, fitur kami terinspirasi oleh solusi Big Data Bowl Kaggle Zoo 2020 (Gordeev dkk.): kami membuat gambar untuk setiap langkah waktu dengan pemain bertahan di baris dan pemain ofensif di kolom. Oleh karena itu, piksel gambar mewakili fitur untuk pasangan pemain yang berpotongan. Berbeda dari Gordeev dkk., kami mengekstrak urutan representasi bingkai, yang secara efektif menghasilkan video mini untuk mengkarakterisasi permainan.

Gambar berikut memvisualisasikan bagaimana fitur berkembang dari waktu ke waktu sesuai dengan dua jepretan dari contoh permainan. Untuk kejelasan visual, kami hanya menampilkan empat fitur dari semua fitur yang kami ekstrak. "LOS" pada gambar berarti garis pergumulan, dan sumbu x mengacu pada arah horizontal di sebelah kanan lapangan sepak bola. Perhatikan bagaimana nilai fitur, yang ditunjukkan oleh bilah warna, berkembang dari waktu ke waktu sesuai dengan pergerakan pemain. Secara keseluruhan, kami membangun dua set fitur sebagai berikut:

• Fitur bek yang terdiri dari posisi bek, kecepatan, akselerasi, dan orientasi, pada sumbu x (arah horizontal ke kanan lapangan sepak bola) dan sumbu y (arah vertikal ke atas lapangan sepak bola)
• Fitur relatif bek-serangan terdiri dari atribut yang sama, tetapi dihitung sebagai selisih antara pemain bertahan dan menyerang

modul CNN

Kami menggunakan jaringan saraf convolutional (CNN) untuk memodelkan interaksi pemain yang kompleks mirip dengan Open Source Football (Baldwin dkk.) dan solusi Big Data Bowl Kaggle Zoo (Gordeev dkk.). Citra yang diperoleh dari feature engineering memfasilitasi pemodelan setiap play frame melalui CNN. Kami memodifikasi blok convolutional (Conv) yang digunakan oleh solusi Zoo (Gordeev dkk.) dengan struktur percabangan yang terdiri dari CNN satu lapis yang dangkal dan CNN tiga lapis yang dalam. Lapisan konvolusi menggunakan kernel 1×1 secara internal: melihat kernel pada setiap pasangan pemain secara individual memastikan bahwa model tidak berbeda dengan pemesanan pemain. Untuk mempermudah, kami mengurutkan pemain berdasarkan ID NFL mereka untuk semua sampel permainan. Kami mendapatkan frame embeddings sebagai output dari modul CNN.

Pemodelan waktu

Dalam periode permainan singkat yang berlangsung hanya beberapa detik, ini berisi dinamika temporal yang kaya sebagai indikator utama untuk mengidentifikasi cakupannya. Pemodelan CNN berbasis bingkai, seperti yang digunakan dalam solusi Zoo (Gordeev dkk.), belum memperhitungkan perkembangan temporal. Untuk mengatasi tantangan ini, kami merancang modul perhatian diri (Vaswani dkk.), ditumpuk di atas CNN, untuk pemodelan sementara. Selama pelatihan, ia belajar mengagregasi masing-masing bingkai dengan menimbangnya secara berbeda (Alammar dkk.). Kami akan membandingkannya dengan pendekatan LSTM dua arah yang lebih konvensional dalam evaluasi kuantitatif. Penyematan perhatian yang dipelajari sebagai output kemudian dirata-ratakan untuk mendapatkan penyematan keseluruhan drama. Akhirnya, lapisan yang terhubung sepenuhnya terhubung untuk menentukan kelas cakupan permainan.

Ansambel model dan perataan label

Ketidakjelasan di antara delapan skema pertanggungan dan distribusinya yang tidak seimbang membuat pemisahan yang jelas di antara pertanggungan menjadi sulit. Kami menggunakan ansambel model untuk mengatasi tantangan ini selama pelatihan model. Studi kami menemukan bahwa ansambel berbasis pemungutan suara, salah satu metode ansambel yang paling sederhana, sebenarnya mengungguli pendekatan yang lebih kompleks. Dalam metode ini, setiap model dasar memiliki arsitektur CNN-attention yang sama dan dilatih secara independen dari seed acak yang berbeda. Klasifikasi akhir mengambil rata-rata dari output dari semua model dasar.

Kami selanjutnya menggabungkan penghalusan label (Müller et al.) ke dalam cross-entropy loss untuk menangani potensi noise pada label charting manual. Perataan label mengarahkan kelas cakupan beranotasi sedikit ke arah kelas yang tersisa. Idenya adalah untuk mendorong model untuk beradaptasi dengan ambiguitas cakupan yang melekat alih-alih menyesuaikan dengan anotasi yang bias.

Evaluasi kuantitatif

Kami menggunakan data musim 2018-2020 untuk pelatihan dan validasi model, dan data musim 2021 untuk evaluasi model. Setiap musim terdiri dari sekitar 17,000 drama. Kami melakukan validasi silang lima kali lipat untuk memilih model terbaik selama pelatihan, dan melakukan pengoptimalan hyperparameter untuk memilih pengaturan terbaik pada beberapa arsitektur model dan parameter pelatihan.

Untuk mengevaluasi performa model, kami menghitung akurasi cakupan, skor F1, akurasi top-2, dan akurasi tugas orang yang lebih mudah vs zona. Model Kebun Binatang berbasis CNN yang digunakan di Baldwin dkk. adalah yang paling relevan untuk klasifikasi cakupan dan kami menggunakannya sebagai garis dasar. Selain itu, kami mempertimbangkan versi dasar yang ditingkatkan yang menggabungkan komponen pemodelan temporal untuk studi banding: model CNN-LSTM yang menggunakan LSTM dua arah untuk melakukan pemodelan temporal, dan model perhatian CNN tunggal tanpa ansambel dan label komponen penghalus. Hasilnya ditunjukkan pada tabel berikut.

Model	Akurasi Tes 8 Cakupan (%)	Akurasi Top-2 8 Cakupan (%)	Skor F1 8 Cakupan	Akurasi Tes Manusia vs Zona (%)
Dasar: Model kebun binatang	68.8 0.4 ±	87.7 0.1 ±	65.8 0.4 ±	88.4 0.4 ±
CNN-LSTM	86.5 0.1 ±	93.9 0.1 ±	84.9 0.2 ±	94.6 0.2 ±
CNN-perhatian	87.7 0.2 ±	94.7 0.2 ±	85.9 0.2 ±	94.6 0.2 ±
Milik kami: Ensemble dari 5 model perhatian CNN	88.9 0.1 ±	97.6 0.1 ±	87.4 0.2 ±	95.4 0.1 ±

Kami mengamati bahwa penggabungan modul pemodelan temporal secara signifikan meningkatkan model dasar Kebun Binatang yang didasarkan pada satu bingkai. Dibandingkan dengan baseline yang kuat dari model CNN-LSTM, komponen pemodelan yang kami usulkan termasuk modul perhatian diri, ansambel model, dan gabungan perataan pelabelan memberikan peningkatan kinerja yang signifikan. Model terakhir adalah performan seperti yang ditunjukkan oleh langkah-langkah evaluasi. Selain itu, kami mengidentifikasi akurasi top-2 yang sangat tinggi dan kesenjangan yang signifikan dengan akurasi top-1. Ini dapat dikaitkan dengan ambiguitas cakupan: ketika klasifikasi teratas salah, tebakan ke-2 sering cocok dengan anotasi manusia.

Model penjelasan dan hasil

Untuk menjelaskan ambiguitas cakupan dan memahami apa yang digunakan model untuk sampai pada kesimpulan tertentu, kami melakukan analisis menggunakan penjelasan model. Ini terdiri dari dua bagian: penjelasan global yang menganalisis semua penyematan yang dipelajari bersama-sama, dan penjelasan lokal yang memperbesar permainan individu untuk menganalisis sinyal paling penting yang ditangkap oleh model.

Penjelasan global

Pada tahap ini, kami menganalisis embedding permainan yang dipelajari dari model klasifikasi cakupan secara global untuk menemukan pola apa pun yang memerlukan tinjauan manual. Kami menggunakan penyematan tetangga stokastik terdistribusi-t (t-SNE) (Maaten dkk.) yang memproyeksikan embedding permainan ke dalam ruang 2D seperti sepasang embedding serupa memiliki probabilitas tinggi pada distribusinya. Kami bereksperimen dengan parameter internal untuk mengekstrak proyeksi 2D yang stabil. Embedding dari sampel bertingkat dari 9,000 lakon divisualisasikan pada gambar berikut (kiri), dengan setiap titik mewakili lakon tertentu. Kami menemukan bahwa sebagian besar dari setiap skema cakupan dipisahkan dengan baik, menunjukkan kemampuan klasifikasi yang diperoleh model. Kami mengamati dua pola penting dan menyelidikinya lebih lanjut.

Beberapa lakon dicampur ke dalam jenis liputan lain, seperti yang ditunjukkan pada gambar berikut (kanan). Drama ini berpotensi salah label dan layak untuk diperiksa secara manual. Kami merancang pengklasifikasi K-Nearest Neighbors (KNN) untuk mengidentifikasi drama ini secara otomatis dan mengirimkannya untuk ditinjau oleh pakar. Hasilnya menunjukkan bahwa kebanyakan dari mereka memang diberi label yang salah.

Selanjutnya, kami mengamati beberapa wilayah yang tumpang tindih di antara jenis cakupan, mewujudkan ambiguitas cakupan dalam skenario tertentu. Sebagai contoh, pada gambar berikut, kami memisahkan Cover 3 Zone (cluster hijau di kiri) dan Cover 1 Man (cluster biru di tengah). Ini adalah dua konsep cakupan tunggal-tinggi yang berbeda, di mana perbedaan utamanya adalah cakupan manusia vs. zona. Kami merancang algoritme yang secara otomatis mengidentifikasi ambiguitas antara kedua kelas ini sebagai wilayah cluster yang tumpang tindih. Hasilnya divisualisasikan sebagai titik-titik merah pada gambar kanan berikut, dengan 10 permainan sampel acak yang ditandai dengan "x" hitam untuk tinjauan manual. Analisis kami mengungkapkan bahwa sebagian besar contoh permainan di wilayah ini melibatkan semacam pencocokan pola. Dalam drama ini, tanggung jawab liputan bergantung pada bagaimana rute penerima ofensif didistribusikan, dan penyesuaian dapat membuat drama tersebut terlihat seperti campuran liputan zona dan manusia. Salah satu penyesuaian yang kami identifikasi berlaku untuk Cover 3 Zone, ketika cornerback (CB) di satu sisi dikunci ke dalam cakupan pria ("Man Everywhere he Goes" atau MEG) dan sisi lainnya memiliki penurunan zona tradisional.

Penjelasan contoh

Pada tahap kedua, penjelasan instance memperbesar permainan individu yang diminati, dan mengekstrak sorotan interaksi pemain frame-by-frame yang berkontribusi paling besar pada skema cakupan yang teridentifikasi. Ini dicapai melalui algoritme GradCAM Terpandu (Ramprasaath dkk.). Kami menggunakan penjelasan contoh pada prediksi model kepercayaan rendah.

Untuk drama yang kami ilustrasikan di awal postingan, model memprediksi Cover 3 Zone dengan probabilitas 44.5% dan Cover 1 Man dengan probabilitas 31.3%. Kami menghasilkan hasil penjelasan untuk kedua kelas seperti yang ditunjukkan pada gambar berikut. Ketebalan garis menjelaskan kekuatan interaksi yang berkontribusi pada identifikasi model.

Plot teratas untuk penjelasan Cover 3 Zone muncul tepat setelah bola jepret. CB di sebelah kanan pelanggaran memiliki garis interaksi terkuat, karena dia menghadap QB dan tetap di tempatnya. Dia akhirnya bersiap-siap dan mencocokkan dengan penerima di sisinya, yang sangat mengancamnya.

Plot bawah untuk penjelasan Cover 1 Man muncul beberapa saat kemudian, saat aksi permainan palsu sedang terjadi. Salah satu interaksi terkuat adalah dengan CB di sebelah kiri pelanggaran, yang menjatuhkan WR. Cuplikan pemutaran mengungkapkan bahwa dia terus menatap QB sebelum berbalik dan berlari dengan WR yang sangat mengancamnya. SS di sebelah kanan pelanggaran juga memiliki interaksi yang kuat dengan TE di sisinya, saat dia mulai mengocok saat TE menerobos masuk. Dia akhirnya mengikutinya melintasi formasi, tetapi TE mulai memblokirnya, menunjukkan bahwa permainan itu kemungkinan merupakan opsi run-pass. Ini menjelaskan ketidakpastian klasifikasi model: TE sesuai dengan desain SS, menciptakan bias dalam data.

Kesimpulan

Amazon ML Solutions Lab dan tim Next Gen Stats NFL bersama-sama mengembangkan stat klasifikasi cakupan pertahanan yang baru-baru ini diluncurkan untuk musim sepak bola NFL 2022. Posting ini menyajikan detail teknis ML dari stat ini, termasuk pemodelan perkembangan temporal yang cepat, strategi pelatihan untuk menangani ambiguitas kelas cakupan, dan penjelasan model yang komprehensif untuk mempercepat tinjauan ahli di tingkat global dan instans.

Solusinya membuat kecenderungan dan pemisahan liputan defensif langsung tersedia untuk penyiar dalam game untuk pertama kalinya. Demikian pula, model tersebut memungkinkan NFL untuk meningkatkan analisisnya terhadap hasil pasca-pertandingan dan mengidentifikasi pertarungan kunci yang mengarah ke pertandingan dengan lebih baik.

Jika Anda ingin membantu mempercepat penggunaan ML Anda, silakan hubungi Lab Solusi Amazon ML program.

Lampiran

Singkatan posisi pemain
Posisi bertahan
W	Linebacker "Will", atau LB sisi lemah
M	Linebacker "Mike", atau LB tengah
S	Linebacker "Sam", atau LB sisi kuat
CB	pemain belakang
DE	Akhir Pertahanan
DT	Tekel Bertahan
NT	Alat Hidung
FS	Keamanan Gratis
SS	Keamanan yang Kuat
S	Safety/keselamatan
LB	pemain belakang
DIA B	Di dalam Linebacker
OLB	Lini Belakang Luar
MLB	Gelandang Tengah
Posisi ofensif
X	Biasanya penerima lebar nomor 1 dalam suatu pelanggaran, mereka sejajar di LOS. Dalam formasi perjalanan, penerima ini sering disejajarkan secara terisolasi di bagian belakang.
Y	Biasanya awal yang ketat, pemain ini akan sering menyelaraskan in-line dan ke sisi yang berlawanan sebagai X.
Z	Biasanya lebih merupakan penerima slot, pemain ini akan sering menyelaraskan garis pergumulan dan di sisi lapangan yang sama dengan ujung yang sempit.
H	Secara tradisional seorang bek sayap, pemain ini lebih sering menjadi penerima lebar ketiga atau ujung ketat kedua di liga modern. Mereka dapat menyelaraskan seluruh formasi, tetapi hampir selalu keluar dari garis latihan. Bergantung pada tim, pemain ini juga bisa ditetapkan sebagai F.
T	Fitur berjalan kembali. Selain formasi kosong, pemain ini akan sejajar di lini belakang dan menjadi ancaman untuk menerima handoff.
QB	quarterback
C	pusat
G	Penjaga
RB	Berlari kembali
FB	fullback
WR	Penerima lebar
TE	Ujung Ketat
LG	Penjaga Kiri
RG	Penjaga Kanan
T	mengatasi
LT	Tekel Kiri
RT	Tekel yang Tepat

Referensi

• Tej Seth, Ryan Weisman, “Studi Data PFF: Keunikan skema cakupan untuk setiap tim dan apa artinya bagi perubahan kepelatihan”, https://www.pff.com/news/nfl-pff-data-study-coverage-scheme-uniqueness-for-each-team-and-what-that-means-for-coaching-changes
• Ben Baldwin. "Computer Vision dengan Data Pelacakan Pemain NFL menggunakan obor untuk R: Klasifikasi Cakupan Menggunakan CNN." https://www.opensourcefootball.com/posts/2021-05-31-computer-vision-in-r-using-torch/
• Dmitry Gordeev, Penyanyi Philipp. “Solusi tempat pertama The Zoo.” https://www.kaggle.com/c/nfl-big-data-bowl-2020/discussion/119400
• Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin. "Perhatian adalah semua yang Anda butuhkan." Kemajuan dalam sistem pemrosesan informasi saraf 30 (2017).
• Jay Alammar. "Transformer Bergambar." https://jalammar.github.io/illustrated-transformer/
• Müller, Rafael, Simon Kornblith, dan Geoffrey E. Hinton. "Kapan perataan label membantu?" Kemajuan dalam sistem pemrosesan informasi saraf 32 (2019).
• Van der Maaten, Laurens, dan Geoffrey Hinton. "Visualisasi data menggunakan t-SNE." Jurnal penelitian pembelajaran mesin 9, tidak. 11 (2008).
• Selvaraju, Ramprasaath R., Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, and Dhruv Batra. “Grad-cam: Penjelasan visual dari jaringan dalam melalui pelokalan berbasis gradien.” Di dalam Prosiding konferensi internasional IEEE pada visi komputer, hlm. 618-626. 2017.

---

Tentang Penulis

Hua Song adalah ilmuwan terapan di Amazon Machine Learning Solutions Lab, tempat dia bekerja untuk memberikan solusi ML khusus untuk kasus penggunaan pelanggan berdampak tinggi dari berbagai vertikal industri. Minat penelitiannya adalah jaringan saraf grafik, visi komputer, analisis deret waktu dan aplikasi industrinya.

Mohammad Al Jazaery adalah ilmuwan terapan di Lab Solusi Pembelajaran Mesin Amazon. Dia membantu pelanggan AWS mengidentifikasi dan membangun solusi ML untuk mengatasi tantangan bisnis mereka di berbagai bidang seperti logistik, personalisasi dan rekomendasi, visi komputer, pencegahan penipuan, prakiraan, dan pengoptimalan rantai pasokan. Sebelum di AWS, dia memperoleh gelar MCS dari West Virginia University dan bekerja sebagai peneliti visi komputer di Midea. Di luar pekerjaan, dia menikmati sepak bola dan video game.

Haibo Ding adalah ilmuwan terapan senior di Amazon Machine Learning Solutions Lab. Dia sangat tertarik dengan Deep Learning dan Natural Language Processing. Penelitiannya berfokus pada pengembangan model pembelajaran mesin baru yang dapat dijelaskan, dengan tujuan menjadikannya lebih efisien dan dapat dipercaya untuk masalah dunia nyata. Ia memperoleh gelar Ph.D. dari University of Utah dan bekerja sebagai ilmuwan riset senior di Bosch Research North America sebelum bergabung dengan Amazon. Selain bekerja, ia menikmati hiking, berlari, dan menghabiskan waktu bersama keluarganya.

Lin LeeCheong adalah manajer sains terapan dengan tim Amazon ML Solutions Lab di AWS. Dia bekerja dengan pelanggan AWS strategis untuk mengeksplorasi dan menerapkan kecerdasan buatan dan pembelajaran mesin untuk menemukan wawasan baru dan memecahkan masalah kompleks. Dia menerima gelar Ph.D. dari Massachusetts Institute of Technology. Di luar pekerjaan, dia suka membaca dan hiking.

Jonatan Jung adalah Insinyur Perangkat Lunak Senior di National Football League. Dia telah bersama tim Next Gen Stats selama tujuh tahun terakhir membantu membangun platform mulai dari streaming data mentah, membangun layanan mikro untuk memproses data, hingga membangun API yang memaparkan data yang diproses. Dia telah berkolaborasi dengan Lab Solusi Pembelajaran Mesin Amazon dalam menyediakan data bersih untuk mereka gunakan serta memberikan pengetahuan domain tentang data itu sendiri. Di luar pekerjaan, dia menikmati bersepeda di Los Angeles dan hiking di Sierras.

Mike Band adalah Manajer Senior Riset dan Analitik untuk Statistik Generasi Berikutnya di National Football League. Sejak bergabung dengan tim pada tahun 2018, dia bertanggung jawab atas ide, pengembangan, dan komunikasi statistik dan wawasan utama yang diperoleh dari data pelacakan pemain untuk penggemar, mitra penyiaran NFL, dan 32 klub. Mike membawa banyak pengetahuan dan pengalaman ke tim dengan gelar master dalam analitik dari University of Chicago, gelar sarjana dalam manajemen olahraga dari University of Florida, dan pengalaman di departemen kepanduan Minnesota Vikings dan departemen perekrutan dari Florida Gator Football.

Michael Chi adalah Senior Director of Technology yang mengawasi Next Gen Stats dan Data Engineering di National Football League. Dia memiliki gelar di bidang Matematika dan Ilmu Komputer dari University of Illinois di Urbana Champaign. Michael pertama kali bergabung dengan NFL pada tahun 2007 dan terutama berfokus pada teknologi dan platform untuk statistik sepak bola. Di waktu luangnya, ia menikmati menghabiskan waktu bersama keluarganya di luar ruangan.

Kebahagiaan Thompson adalah Manajer, Operasi Sepak Bola, Ilmuwan Data di National Football League. Dia mulai di NFL pada Februari 2020 sebagai Ilmuwan Data dan dipromosikan ke perannya saat ini pada Desember 2021. Dia menyelesaikan gelar masternya dalam Ilmu Data di Universitas Columbia di Kota New York pada Desember 2019. Dia menerima gelar Sarjana Sains dalam Fisika dan Astronomi dengan anak di bawah umur dalam Matematika dan Ilmu Komputer di University of Wisconsin – Madison pada tahun 2018.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
• Sumber: https://aws.amazon.com/blogs/machine-learning/identifying-defense-coverage-schemes-in-nfls-next-gen-stats/