在本周日超级碗比赛之前,AWS分享了关于与美国国家橄榄球联盟(NFL)展开合作增强该联盟Next Gen Stats赛事分析系统的细节。
Next Gen Stats系统让NFL可以在直播期间显示比赛的统计信息,增强观看体验。该系统可以显示诸如运动员接球后带球奔跑的码数等信息。Next Gen Stats系统的后端基础设施是托管在AWS上的。
NFL目前正在开发的增强功能将使该系统能够分析球员的各项表现,从而生成新的、更复杂的预测。例如,如果四分卫将球投掷给另一名队员,那么观众有可能会收到关于如果该四分卫把球投给其他人比赛结果会有哪些不同的预测结果。为此,NFL和AWS开发了一种能够执行“Defender Ghosting”的人工智能模型,AWS今天上午也在博客文章中详细介绍了这一模型。
该项目是NFL工程师和AWS机器学习解决方案实验室的科学家共同努力的结果。据AWS称,该模型的目的是预测在球离开四分卫的手之后,防守后卫可能会选择的轨迹,而知道防守后卫会使用哪些战术,对于生成更深入的比赛效率预测来说至关重要。
为了构建这一模型,AWS和NFL必须克服很多技术障碍,最大的难题之一就是数据质量:Next Gen Stats 是通过收集嵌入在球员肩部、足球内部以及整个体育场内的传感器的数据来获得对比赛的分析预期,而这些传感器有时会产生不准确的测量结果。
问题是,NFL之前曾经把其中一些不准确的结果用于该模型的训练数据集中,影响了模型的可靠性。据AWS称,亚马逊机器学习解决方案实验室帮助该联盟的工程师发现问题并开发了解决方案,为了消除训练数据集的错误,AWS的专家创建了一系列规则以过滤不准确的测量信息。
AWS在博客文章中详细介绍说:“通过与NFL的沟通,研究团队排除了所有违反一些基本规则的球员跟踪数据,例如球员的运动轨迹永远都不可能是在球场之外的,而且速度绝对不会超过每秒12.5码(NFL球员最高速度记录是每秒11码)。”
解决了数据质量问题之后,AWS还优化了Defender Ghosting模型的功能。机器学习上下文的特征是模型生成结果所使用的一些因素,例如球员奔跑速度。理想情况下,人工智能是根据对潜在结果影响最大的因素进行计算的。
为了帮助NFL优化该模型的功能,AWS用另一种AI设计方法(称为Gradient Boosting)创建了第二个模型,这种方法的准确性相对低一些。Gradient Boosting在精确度上有局限性,但是在开发过程中,可以让工程师更轻松地找到对结果可靠性影响最大的功能。AWS的科学家利用该模型不那么精确的梯度提升所产生的结果,来增强主版本的精确度。
在这个项目的推动下,目前AWS正在与NFL合作,寻找利用AI增强Next Gen Stats的其他方法。AWS表示:“Defender Ghosting只是AWS科学家为开发Next Gen Stats做做的贡献之一。除此之外,他们正在还在研究计算机视觉是否可以帮助首攻(first down)相关的数据。”
好文章,需要你的鼓励
CIO们正面临众多复杂挑战,其多样性值得关注。除了企业安全和成本控制等传统问题,人工智能快速发展和地缘政治环境正在颠覆常规业务模式。主要挑战包括:AI技术快速演进、IT部门AI应用、AI网络攻击威胁、AIOps智能运维、快速实现价值、地缘政治影响、成本控制、人才短缺、安全风险管理以及未来准备等十个方面。
北航团队发布AnimaX技术,能够根据文字描述让静态3D模型自动生成动画。该系统支持人形角色、动物、家具等各类模型,仅需6分钟即可完成高质量动画生成,效率远超传统方法。通过多视角视频-姿态联合扩散模型,AnimaX有效结合了视频AI的运动理解能力与骨骼动画的精确控制,在16万动画序列数据集上训练后展现出卓越性能。
过去两年间,许多组织启动了大量AI概念验证项目,但失败率高且投资回报率令人失望。如今出现新趋势,组织开始重新评估AI实验的撒网策略。IT观察者发现,许多组织正在减少AI概念验证项目数量,IT领导转向商业AI工具,专注于有限的战略性目标用例。专家表示,组织正从大规模实验转向更专注、结果导向的AI部署,优先考虑能深度融入运营工作流程并产生可衡量结果的少数用例。
这项研究解决了AI图片描述中的两大难题:描述不平衡和内容虚构。通过创新的"侦探式追问"方法,让AI能生成更详细准确的图片描述,显著提升了多个AI系统的性能表现,为无障碍技术、教育、电商等领域带来实用价值。