זיהוי תוכניות כיסוי הגנה בסטטיסטיקות הדור הבא של ה-NFL

הפוסט הזה נכתב בשיתוף עם ג'ונתן יונג, מייק בנד, מייקל צ'י ותומפסון בליס בליגת הכדורגל הלאומית.

A תכנית כיסוי מתייחס לכללים ולאחריות של כל מגן כדורגל שמוטל עליו לעצור מסירה התקפית. זה בליבת ההבנה והניתוח של כל אסטרטגיית הגנה של כדורגל. סיווג ערכת הכיסוי עבור כל משחק מעבר יספק תובנות על משחק הכדורגל לקבוצות, לשדרנים ולאוהדים כאחד. לדוגמה, זה יכול לחשוף את ההעדפות של המתקשרים למשחק, לאפשר הבנה עמוקה יותר של האופן שבו המאמנים והצוותים בהתאמה מתאימים באופן רציף את האסטרטגיות שלהם בהתבסס על החוזקות של יריביהם, ולאפשר פיתוח של ניתוחים חדשים מוכווני הגנה כגון ייחודיות של כיסויים (סט וחב'.). עם זאת, זיהוי ידני של כיסויים אלה על בסיס משחק הוא מייגע וקשה כאחד, מכיוון שהוא מחייב מומחי כדורגל לבדוק היטב את צילומי המשחק. יש צורך במודל סיווג כיסוי אוטומטי שיוכל להרחיב ביעילות וביעילות כדי להפחית עלויות וזמן אספקה.

ה-NFL סטטיסטיקות הג'נר הבא לוכד מיקום בזמן אמת, מהירות ועוד עבור כל שחקן ומשחק של משחקי כדורגל של NFL, ומפיק נתונים סטטיסטיים מתקדמים שונים המכסים היבטים שונים של המשחק. באמצעות שיתוף פעולה בין צוות Next Gen Stats לבין מעבדת פתרונות אמזון ML, פיתחנו את סיווג הכיסוי המופעל על למידה מכונה (ML) המזהה במדויק את ערכת הכיסוי ההגנה על סמך נתוני המעקב של השחקנים. מודל סיווג הכיסוי מאומן באמצעות אמזון SageMaker, והנתון היה הושק לעונת 2022 ב-NFL.

בפוסט זה, אנו צוללים עמוק לתוך הפרטים הטכניים של דגם ML זה. אנו מתארים כיצד תכננו מודל ML מדויק וניתן להסבר כדי לבצע סיווג כיסוי מנתוני מעקב אחר שחקנים, ואחריו תוצאות ההערכה הכמותית והסבר המודל שלנו.

ניסוח בעיות ואתגרים

אנו מגדירים את סיווג הכיסוי ההגנתי כמשימת סיווג רב-מעמדית, עם שלושה סוגים של כיסוי גברים (כאשר כל שחקן הגנה מכסה שחקן התקפי מסוים) וחמישה סוגי כיסוי אזורים (כל שחקן הגנה מכסה אזור מסוים במגרש). שמונת המעמדות הללו מתוארים חזותית באיור הבא: כיסוי 0 אדם, כיסוי גבר 1, כיסוי 2 אדם, כיסוי 2 אזור, כיסוי 3 אזור, כיסוי 4 אזור, כיסוי 6 אזור, ומניעת (גם כיסוי אזור). עיגולים בכחול הם שחקני ההגנה המונחים בסוג מסוים של סיקור; עיגולים באדום הם שחקני ההתקפה. רשימה מלאה של ראשי התיבות של השחקנים מסופקת בנספח בסוף פוסט זה.

ההדמיה הבאה מציגה משחק לדוגמה, עם מיקומם של כל שחקני ההתקפה וההגנה בתחילת המשחק (משמאל) ובאמצע אותו משחק (מימין). כדי לבצע את זיהוי הסיקור הנכון, יש לתת את הדעת על מידע רב לאורך זמן, כולל האופן שבו המגנים התייצבו לפני ההצמדה וההתאמות לתנועת שחקן התקפי ברגע שהכדור נחבט. זה מציב את האתגר בפני המודל ללכוד תנועה ואינטראקציה מרחבית-זמנית, ולעתים קרובות עדינה, בין השחקנים.

אתגר מרכזי נוסף שעומד בפני השותפות שלנו הוא העמימות המובנית סביב תוכניות הכיסוי שנפרסו. מעבר לשמונה תוכניות הכיסוי המוכרות, זיהינו התאמות בקריאות כיסוי ספציפיות יותר שמובילות לאי בהירות בין שמונה המחלקות הכלליות הן לתרשימים ידניים והן לסיווג מודלים. אנו מתמודדים עם אתגרים אלה באמצעות אסטרטגיות אימון משופרות והסבר מודל. אנו מתארים את הגישות שלנו בפירוט בסעיף הבא.

מסגרת סיווג כיסוי ניתנת להסבר

אנו ממחישים את המסגרת הכוללת שלנו באיור הבא, כאשר הקלט של נתוני מעקב אחר שחקנים ותוויות כיסוי מתחילים בחלק העליון של האיור.

הנדסת תכונות

נתוני מעקב אחר משחקים נלכדים ב-10 פריימים לשנייה, כולל מיקום השחקן, מהירות, תאוצה וכיוון. הנדסת התכונות שלנו בונה רצפים של תכונות משחק כקלט לעיכול המודל. עבור מסגרת נתונה, התכונות שלנו בהשראת 2020 Big Data Bowl Kaggle Zoo (Gordeev et al.): אנו בונים תמונה עבור כל צעד זמן עם שחקני ההגנה בשורות ושחקני התקפה בעמודים. לפיכך הפיקסל של התמונה מייצג את התכונות של צמד השחקנים המצטלבים. שונה מ Gordeev et al., אנו מחלצים רצף של ייצוגי הפריימים, אשר יוצר למעשה מיני וידיאו כדי לאפיין את ההצגה.

האיור הבא מדגים כיצד התכונות מתפתחות לאורך זמן בהתכתבות לשתי תמונות של מחזה לדוגמה. לבהירות ויזואלית, אנו מציגים רק ארבע תכונות מתוך כל אלה שחילצנו. "LOS" באיור מייצג את קו ה-crimmage, וציר ה-x מתייחס לכיוון האופקי מימין למגרש הכדורגל. שימו לב כיצד ערכי התכונה, המצוינים בסרגל הצבעים, מתפתחים עם הזמן בהתאם לתנועת השחקן. בסך הכל, אנו בונים שתי קבוצות של תכונות כדלקמן:

• תכונות המגן המורכבות ממיקום המגן, מהירות, תאוצה וכיוון, על ציר x (כיוון אופקי מימין למגרש הכדורגל) וציר y (כיוון אנכי לראש מגרש הכדורגל)
• תכונות יחסיות של מגן-התקפה המורכבות מאותן תכונות, אך מחושבות כהפרש בין שחקני ההגנה להתקפה

מודול CNN

אנו משתמשים ברשת עצבית קונבולוציונית (CNN) כדי לדגמן את אינטראקציות השחקנים המורכבות בדומה לכדורגל בקוד פתוח (Baldwin et al.) ופתרון Big Data Bowl Kaggle Zoo (Gordeev et al.). התמונה שהתקבלה מהנדסת תכונה הקלה על הדוגמנות של כל פריים משחק דרך CNN. שינינו את הבלוק הקונבולוציוני (Conv) המשמש על ידי פתרון Zoo (Gordeev et al.) עם מבנה מסועף המורכב מ-CNN חד-שכבתי רדוד ומ-CNN תלת-שכבתי עמוק. שכבת הקונבולוציה משתמשת בקרנל של 1×1 באופן פנימי: הסתכלות של הליבה על כל זוג שחקנים בנפרד מבטיחה שהמודל אינו משתנה לסדר השחקן. למען הפשטות, אנו מזמינים את השחקנים על סמך מזהה ה-NFL שלהם עבור כל דגימות המשחק. אנו משיגים את הטבעות המסגרת כפלט של מודול CNN.

דוגמנות זמנית

בתקופת המשחק הקצרה הנמשכת שניות ספורות, הוא מכיל דינמיקה זמנית עשירה כאינדיקטורים מרכזיים לזיהוי הסיקור. דוגמנות CNN מבוססת פריים, כפי שהיא משמשת בפתרון Zoo (Gordeev et al.), לא הסבירה את ההתקדמות הזמנית. כדי להתמודד עם אתגר זה, אנו מעצבים מודול תשומת לב עצמית (Vaswani et al.), מוערמים על גבי ה-CNN, לדוגמנות זמנית. במהלך האימון, הוא לומד לצבור את המסגרות האישיות על ידי שקלולן באופן שונה (אלמר וחב'.). נשווה אותו לגישת LSTM דו-כיוונית קונבנציונלית יותר בהערכה הכמותית. הטמעות תשומת הלב הנלמדות כפלט נמדדות לאחר מכן כדי לקבל את ההטמעה של המחזה כולו. לבסוף, שכבה מחוברת לחלוטין כדי לקבוע את דרגת הכיסוי של המחזה.

דגם אנסמבל והחלקת תוויות

עמימות בין שמונה תוכניות הכיסוי והחלוקה הלא מאוזנת שלהן הופכות את ההפרדה הברורה בין הכיסויים למאתגרת. אנו משתמשים באנסמבל המודל כדי להתמודד עם אתגרים אלו במהלך אימון המודל. המחקר שלנו מגלה שאנסמבל מבוסס הצבעה, אחת משיטות האנסמבל הפשטניות ביותר, למעשה מתעלה על גישות מורכבות יותר. בשיטה זו, לכל דגם בסיס יש את אותה ארכיטקטורת תשומת לב של CNN והוא מאומן באופן עצמאי מזרעים אקראיים שונים. הסיווג הסופי לוקח את הממוצע על פני התפוקות מכל דגמי הבסיס.

אנו משלבים עוד החלקת תווית (Müller et al.) לתוך אובדן האנטרופיה הצולבת כדי להתמודד עם הרעש הפוטנציאלי בתוויות תרשימים ידניות. החלקת התווית מכוונת מעט את מחלקת הכיסוי המוערת לעבר השיעורים הנותרים. הרעיון הוא לעודד את המודל להסתגל לעמימות הסיקור המובנית במקום להתאים יתר על המידה לכל הערות מוטות.

הערכה כמותית

אנו משתמשים בנתוני עונת 2018–2020 לאימון ואימות מודל, ונתוני עונת 2021 להערכת מודל. כל עונה מורכבת מכ-17,000 הצגות. אנו מבצעים אימות צולב פי חמישה לבחירת המודל הטוב ביותר במהלך האימון, ומבצעים אופטימיזציה של היפרפרמטרים לבחירת ההגדרות הטובות ביותר בארכיטקטורת מודלים ופרמטרי אימון מרובים.

כדי להעריך את ביצועי המודל, אנו מחשבים את דיוק הכיסוי, ציון F1, דיוק 2 המובילים והדיוק של המשימה הקלה יותר של אדם מול אזור. מודל החיות מבוסס CNN בשימוש ב Baldwin et al. הוא הרלוונטי ביותר לסיווג הכיסוי ואנו משתמשים בו כקו הבסיס. בנוסף, אנו שוקלים גרסאות משופרות של קו הבסיס המשלבות את רכיבי המודל הזמני למחקר השוואתי: מודל CNN-LSTM המשתמש ב-LSTM דו-כיווני לביצוע המודל הזמני, ומודל CNN-תשומת לב יחיד ללא ההרכב והתווית החלקת רכיבים. התוצאות מוצגות בטבלה הבאה.

מספר סימוכין	בדיקת דיוק 8 כיסויים (%)	Top-2 דיוק 8 כיסויים (%)	ציון F1 8 כיסויים	בדיקת דיוק אדם נגד אזור (%)
קו בסיס: דגם גן החיות	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 ±
תשומת לב CNN	87.7 0.2 ±	94.7 0.2 ±	85.9 0.2 ±	94.6 0.2 ±
שלנו: אנסמבל של 5 דוגמניות עם תשומת לב של CNN	88.9 0.1 ±	97.6 0.1 ±	87.4 0.2 ±	95.4 0.1 ±

אנו רואים ששילוב של מודול הדוגמנות הזמני משפר באופן משמעותי את מודל החיות הבסיסי שהתבסס על מסגרת בודדת. בהשוואה לקו הבסיס החזק של מודל CNN-LSTM, רכיבי הדוגמנות המוצעים שלנו, כולל מודול הקשב העצמי, מכלול המודלים והחלקת התוויות יחד מספקים שיפור משמעותי בביצועים. המודל הסופי הוא ביצועי כפי שהודגם על ידי מדדי ההערכה. בנוסף, אנו מזהים דיוק טופ 2 גבוה מאוד ופער משמעותי לדיוק טופ 1. ניתן לייחס זאת לעמימות הסיקור: כאשר הסיווג העליון אינו נכון, הניחוש השני תואם לרוב את ההערה האנושית.

מודל הסברים ותוצאות

כדי לשפוך אור על עמימות הסיקור ולהבין מה השתמש המודל כדי להגיע למסקנה נתונה, אנו מבצעים ניתוח באמצעות הסברי מודל. הוא מורכב משני חלקים: הסברים גלובליים המנתחים את כל ההטמעות הנלמדות במשותף, והסברים מקומיים שמתקרבים למחזות בודדים כדי לנתח את האותות החשובים ביותר שנלכדו על ידי המודל.

הסברים גלובליים

בשלב זה, אנו מנתחים את הטבעות המחזה הנלמדות ממודל סיווג הסיקור באופן גלובלי כדי לגלות כל דפוס הדורש סקירה ידנית. אנו משתמשים בהטבעה סטוכסטית סטוכסטית (t-SNE) (Maaten et al.) שמקרין את הטבעות המשחק לתוך מרחב דו-ממדי, כגון זוג הטמעות דומות יש סבירות גבוהה להפצתן. אנו מתנסים עם הפרמטרים הפנימיים כדי לחלץ תחזיות דו-ממדיות יציבות. ההטבעות מדגימות מרובדות של 2 הצגות מוצגות באיור הבא (משמאל), כאשר כל נקודה מייצגת משחק מסוים. אנו מוצאים שרוב כל תכנית כיסוי מופרדת היטב, מה שמדגים את יכולת הסיווג שהושגה במודל. אנו מתבוננים בשני דפוסים חשובים וחוקרים אותם עוד יותר.

כמה מחזות מעורבבים בסוגי סיקור אחרים, כפי שמוצג באיור הבא (מימין). מחזות אלה עלולים להיות מתויגים שגויים וראויים לבדיקה ידנית. אנו מעצבים מסווג K-Nearest Neighbors (KNN) כדי לזהות אוטומטית את המחזות הללו ולשלוח אותם לסקירת מומחה. התוצאות מראות שרובם אכן תויגו בצורה שגויה.

לאחר מכן, אנו רואים כמה אזורים חופפים בין סוגי הכיסוי, המבטאים אי בהירות כיסוי בתרחישים מסוימים. כדוגמה, באיור הבא, אנו מפרידים בין Cover 3 Zone (אשכול ירוק משמאל) לבין Cover 1 Man (אשכול כחול באמצע). אלו שני מושגים שונים של כיסוי יחיד-גבוה, כאשר ההבחנה העיקרית היא כיסוי אדם לעומת אזור. אנו מתכננים אלגוריתם המזהה אוטומטית את העמימות בין שתי המחלקות הללו כאזור החופף של האשכולות. התוצאה מוצגת כנקודות האדומות באיור הימני הבא, עם 10 הצגות שנדגמו באקראי המסומנות ב-"x" שחור לסקירה ידנית. הניתוח שלנו מגלה שרוב דוגמאות המשחק באזור זה כוללות איזושהי התאמת דפוסים. בהצגות אלו, אחריות הסיקור מותנית באופן שבו מחולקים המסלולים של מקלטי ההתקפה, והתאמות יכולות לגרום למשחק להיראות כמו שילוב של כיסויי אזורים וכיסויים. התאמה אחת כזו שזיהינו חלה על Cover 3 Zone, כאשר מגן הפינה (CB) בצד אחד נעול בכיסוי אדם ("Man Everywhere He Goes" או MEG) ולשני יש ירידה אזורית מסורתית.

הסברים למשל

בשלב השני, הסברי מופע מתקרבים למחזה הפרטני של עניין, ומחלצים דגשים של אינטראקציה של שחקן מסגרת אחר פריים שתורמים הכי הרבה לתכנית הסיקור שזוהתה. זה מושג באמצעות האלגוריתם Guided GradCAM (Ramprasaath et al.). אנו משתמשים בהסברים לדוגמה על תחזיות של מודלים בעלי אמון נמוך.

למחזה שהמחישנו בתחילת הפוסט, המודל חזה את Cover 3 Zone עם הסתברות של 44.5% ו- Cover 1 Man עם הסתברות של 31.3%. אנו יוצרים את תוצאות ההסבר עבור שתי הכיתות כפי שמוצג באיור הבא. עובי הקו מציין את חוזק האינטראקציה התורם לזיהוי הדגם.

העלילה העליונה להסבר על אזור כיסוי 3 מגיעה מיד לאחר הצמדת הכדור. ל-CB בצד ימין של העבירה יש את קווי האינטראקציה החזקים ביותר, כי הוא פונה ל-QB ונשאר במקום. בסופו של דבר הוא מתלבט ומתאים עם השפופרת בצד שלו, שמאיים עליו עמוקות.

העלילה התחתונה של ההסבר של Cover 1 Man מגיעה רגע לאחר מכן, כאשר זיוף פעולת המשחק מתרחש. אחת האינטראקציות החזקות היא עם ה-CB משמאל לעבירה, שיורד עם ה-WR. צילומי משחק חושפים שהוא שומר את עיניו על ה-QB לפני שהוא מתהפך ורץ עם ה-WR שמאיים עליו עמוקות. גם ל-SS בצד ימין של העבירה יש אינטראקציה חזקה עם ה-TE בצד שלו, כשהוא מתחיל לדשדש כשה-TE פורץ פנימה. בסופו של דבר הוא עוקב אחריו על פני המערך, אבל ה-TE מתחילה לחסום אותו, מה שמצביע על כך שהמשחק היה כנראה אופציית ריצה. זה מסביר את חוסר הוודאות בסיווג המודל: ה-TE דבק ב-SS בעיצובו, ויוצר הטיות בנתונים.

סיכום

מעבדת אמזון ML Solutions וצוות Next Gen Stats של NFL פיתחו יחד את נתון סיווג הסיקור הביטחוני שפורסם לאחרונה הושק לעונת הפוטבול ב-NFL 2022. פוסט זה הציג את הפרטים הטכניים של ה-ML של נתון זה, כולל המודל של ההתקדמות הזמנית המהירה, אסטרטגיות הדרכה לטיפול בעמימות כיתת הכיסוי, והסברי מודל מקיפים כדי להאיץ את סקירת המומחים הן ברמה הגלובלית והן ברמה המופעית.

הפתרון הופך נטיות ופיצולים לסיקור הגנתי חי לזמינים לשדרנים במשחק בפעם הראשונה אי פעם. כמו כן, המודל מאפשר ל-NFL לשפר את הניתוח שלה של תוצאות שלאחר המשחק ולזהות טוב יותר התאמות מפתח לקראת המשחקים.

אם תרצה עזרה בהאצת השימוש שלך ב-ML, אנא צור קשר עם מעבדת פתרונות אמזון ML תכנית.

נספח

ראשי תיבות של מיקום שחקן
עמדות הגנה
W	"Will" Linebacker, או הצד החלש LB
M	"מייק" Linebacker, או ה-LB האמצעי
S	"Sam" Linebacker, או הצד החזק LB
CB	פינה
DE	סוף הגנתי
DT	תיקול הגנתי
NT	טיפול באף
FS	בטיחות חינם
SS	בטיחות חזקה
S	בְּטִיחוּת
LB	Linebacker
הוא ב	Inside Linebacker
OLB	מגן חיצוני
MLB	מגן אמצעי
עמדות התקפיות
X	בדרך כלל מקלט רחב מספר 1 בעבירה, הם מיישרים על LOS. בתצורות טיולים, מקלט זה מיושר לרוב מבודד על הצד האחורי.
Y	בדרך כלל ה-tight end ההתחלתי, שחקן זה יתיישר לרוב בשורה ולצד הנגדי כמו ה-X.
Z	בדרך כלל יותר מקלט משבצות, השחקן הזה יתיישר לרוב מחוץ לקו ה-crimmage ובאותו צד של המגרש כמו ה-tight end.
H	באופן מסורתי, שחקן אחורי, השחקן הזה הוא לרוב רסיבר רחבה שלישי או טייט אנד שני בליגה המודרנית. הם יכולים להתיישר בכל המבנה, אבל כמעט תמיד נמצאים מחוץ לקו הלחימה. בהתאם לקבוצה, שחקן זה יכול להיות מוגדר גם כ-F.
T	הריצה לאחור המוצגת. מלבד מערכים ריקים, השחקן הזה יתיישר במגרש האחורי ויהווה איום לקבל את ההגשה.
QB	רָץ
C	מרכז
G	שומר
RB	רץ לאחור
FB	מלא
WR	מקלט רחב
TE	סוף הדוק
LG	משמר שמאל
RG	שומר ימני
T	להתמודד
LT	תיקל שמאלי
RT	תיקל נכון

הפניות

• Tej Set, Ryan Weisman, "מחקר נתונים של PFF: ייחודיות תכנית הכיסוי לכל קבוצה ומה זה אומר לגבי שינויים באימון", https://www.pff.com/news/nfl-pff-data-study-coverage-scheme-uniqueness-for-each-team-and-what-that-means-for-coaching-changes
• בן בולדווין. "ראיית מחשב עם מעקב אחר נתוני נגן NFL באמצעות לפיד עבור R: סיווג כיסוי באמצעות CNN." https://www.opensourcefootball.com/posts/2021-05-31-computer-vision-in-r-using-torch/
• דמיטרי גורדייב, פיליפ זינגר. "פתרון מקום ראשון גן החיות." https://www.kaggle.com/c/nfl-big-data-bowl-2020/discussion/119400
• ואשואני, אשיש, נועם שזיר, ניקי פארמר, יעקב אוסקורייט, ליון ג'ונס, איידן נ' גומז, לוקאש קייזר ואיליה פולוסוחין. "תשומת לב היא כל מה שאתה צריך." התקדמות במערכות עיבוד מידע עצבי 30 (2017).
• ג'יי אלמר. "הרובאי המאויר." https://jalammar.github.io/illustrated-transformer/
• מולר, רפאל, סיימון קורנבליט וג'פרי אי הינטון. "מתי החלקת תווית עוזרת?" התקדמות במערכות עיבוד מידע עצבי 32 (2019).
• ואן דר מאטן, לורנס וג'פרי הינטון. "הצגת נתונים באמצעות t-SNE." כתב העת למחקר למידת מכונות 9, לא. 11 (2008).
• סלוואראג'ו, רמפרסאאת' ר., מייקל קוגסוול, אבישק דאס, ראמאקרישנה ודנטם, דווי פאריך ודרוב בתרה. "Grad-cam: הסברים חזותיים מרשתות עמוקות באמצעות לוקליזציה מבוססת גרדיאנט." ב המשך הוועידה הבינלאומית IEEE בנושא ראיית מחשב, עמ ' 618-626. 2017.

---

על הכותבים

הואן שיר הוא מדען יישומי במעבדת פתרונות למידת מכונה של אמזון, שם הוא עובד על אספקת פתרונות ML מותאמים אישית עבור מקרי שימוש בעלי השפעה רבה של לקוחות ממגוון רחב של ענפים בתעשייה. תחומי המחקר שלו הם רשתות עצביות גרפיות, ראייה ממוחשבת, ניתוח סדרות זמן והיישומים התעשייתיים שלהן.

מוחמד אל ג'זארי הוא מדען יישומי במעבדת פתרונות למידת מכונה של אמזון. הוא עוזר ללקוחות AWS לזהות ולבנות פתרונות ML כדי להתמודד עם האתגרים העסקיים שלהם בתחומים כמו לוגיסטיקה, התאמה אישית והמלצות, ראייה ממוחשבת, מניעת הונאות, חיזוי ואופטימיזציה של שרשרת האספקה. לפני AWS, הוא השיג את ה-MCS שלו מאוניברסיטת מערב וירג'יניה ועבד כחוקר ראיית מחשב ב- Midea. מחוץ לעבודה, הוא נהנה מכדורגל וממשחקי וידאו.

הייבו דינג הוא מדען יישומי בכיר במעבדת פתרונות למידת מכונה של אמזון. הוא מתעניין באופן נרחב בלמידה עמוקה ועיבוד שפה טבעית. המחקר שלו מתמקד בפיתוח מודלים חדשים של למידת מכונה הניתנים להסבר, במטרה להפוך אותם ליעילים יותר ואמינים יותר עבור בעיות בעולם האמיתי. הוא השיג את הדוקטורט שלו. מאוניברסיטת יוטה ועבד כמדען בכיר ב-Bosch Research North America לפני שהצטרף לאמזון. מלבד העבודה, הוא נהנה לטייל, לרוץ ולבלות עם משפחתו.

לין לי צ'ונג הוא מנהל מדע יישומי בצוות Amazon ML Solutions Lab ב-AWS. היא עובדת עם לקוחות AWS אסטרטגיים כדי לחקור וליישם בינה מלאכותית ולמידת מכונה כדי לגלות תובנות חדשות ולפתור בעיות מורכבות. היא קיבלה את הדוקטורט שלה. מהמכון הטכנולוגי של מסצ'וסטס. מחוץ לעבודה, היא נהנית לקרוא ולטייל.

יונתן יונג הוא מהנדס תוכנה בכיר בליגת הכדורגל הלאומית. הוא היה בצוות Next Gen Stats בשבע השנים האחרונות ועזר לבנות את הפלטפורמה מהזרמת הנתונים הגולמיים, בניית שירותי מיקרו לעיבוד הנתונים ועד לבניית API's שחושפים את הנתונים המעובדים. הוא שיתף פעולה עם Amazon Machine Learning Solutions Lab באספקת נתונים נקיים שיעבדו איתם, כמו גם במתן ידע בתחום לגבי הנתונים עצמם. מחוץ לעבודה, הוא נהנה לרכוב על אופניים בלוס אנג'לס ולטייל בסיירה.

מייק בנד הוא מנהל בכיר של מחקר וניתוח עבור סטטיסטיקות מהדור הבא בליגת הכדורגל הלאומית. מאז שהצטרף לקבוצה ב-2018, הוא היה אחראי על רעיונות, פיתוח ותקשורת של נתונים סטטיסטיים ותובנות מפתח שנגזרו מנתוני מעקב אחר שחקנים עבור אוהדים, שותפי שידור NFL ו-32 המועדונים כאחד. מייק מביא שפע של ידע וניסיון לצוות עם תואר שני באנליטיקה מאוניברסיטת שיקגו, תואר ראשון בניהול ספורט מאוניברסיטת פלורידה וניסיון הן במחלקת הסקאוטינג של מינסוטה ויקינגס והן במחלקת הגיוס של פלורידה גאטור פוטבול.

מייקל צ'י הוא מנהל בכיר לטכנולוגיה המפקחת על סטטיסטיקות והנדסת נתונים מהדור הבא בליגת הכדורגל הלאומית. יש לו תואר במתמטיקה ומדעי המחשב מאוניברסיטת אילינוי באורבנה שמפיין. מייקל הצטרף לראשונה ל-NFL ב-2007 והתמקד בעיקר בטכנולוגיה ובפלטפורמות לסטטיסטיקה של כדורגל. בזמנו הפנוי הוא נהנה לבלות עם משפחתו בחוץ.

תומפסון בליס הוא מנהל, תפעול כדורגל, מדען נתונים בליגת הכדורגל הלאומית. הוא התחיל ב-NFL בפברואר 2020 כמדען נתונים וקודם לתפקידו הנוכחי בדצמבר 2021. הוא השלים את התואר השני שלו במדעי הנתונים באוניברסיטת קולומביה בעיר ניו יורק בדצמבר 2019. הוא קיבל תואר ראשון במדעים בפיזיקה ואסטרונומיה עם קטינים במתמטיקה ומדעי המחשב באוניברסיטת ויסקונסין - מדיסון בשנת 2018.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
• מקור: https://aws.amazon.com/blogs/machine-learning/identifying-defense-coverage-schemes-in-nfls-next-gen-stats/