在2024赛季即将到来之际,美国国家橄榄球联盟和亚马逊云科技(Amazon Web Services Inc.)继续推动人工智能和机器学习在橄榄球领域的应用。通过2017年开始的合作,美国橄榄球联盟已利用 AWS技术提高了球员表现分析、比赛策略和球迷体验。
即将到来的NFL比赛将展示一种新的人工智能工具Tackle Probability(擒抱概率),该工具可实时分析和预测后卫进行擒抱的可能性。该工具能识别最可靠的后卫和最难抓的持球人。它还能提供关键表现指标的数据,如失误的擒抱和成功的擒抱,为球队的进攻和防守策略提供有价值的见解。
更具体地说,Tackle Probability每1/10秒就会检查20个不同的因子,包括每个后卫的位置和速度。利用这些数据点,一个根据过去五年比赛数据训练的人工智能模型会计算出在比赛中任何特定时刻发生擒抱的可能性。根据这些数据,该模型会创建新的统计数据,如后卫尝试擒抱而不失误的频率,或跑锋迫使擒抱失误的频率。这有助于教练了解哪些球员在擒抱或躲避擒抱方面最可靠。
Tackle Probability是NFL球员和球追踪平台Next Gen Stats的一项功能,该平台主要依靠 AWS处理从比赛中收集的大量数据。该平台每个赛季收集超过5亿个数据点,为NFL提供先进的统计数据,改善观看体验并帮助做出比赛决策。这包括规则的改变,如新的动态开球,通过调整球员的位置和移动,最大限度地减少开球过程中的高速碰撞和伤害。
Digital Athlete(数字运动员)是利用AWS开发的另一款工具,旨在提高球员的安全性。该工具模拟比赛和训练场景,帮助教练和医务人员评估受伤风险,这样他们就可以为每位球员制定预防和恢复计划。我们可以把这想象成建立一个球员的数字孪生体,然后让他们经历各种场景,从而更好地了解受伤发生的时间和方式。球队可以利用这些数据来避免这些情况,让球员在场上的时间更长。
除了提高球员的安全性,AWS还与NFL Media合作实施Amazon Q Business,这是一款人工智能助手,可以回答业务和生产相关的问题。它就像一个自动服务台,可以回答常见的技术或操作问题。NFL Media还推出了一款由亚马逊云科技Bedrock支持的研究工具,允许制作团队使用简单的语言提示从NFL的Next Gen Stats数据库里的特定比赛中收集见解和片段。
NFL相信,通过自动化日常任务和加快研究速度,这些开发将提高工作效率。团队不必再把时间花在重复性的活动上,而是可以集中精力在NFL Media的各个频道上创建高质量的内容,如NFL Network、NFL Films、NFL.com、NFL+、NFL应用程序和社交媒体渠道。
包括Tackle Probability在内的许多创新的灵感来自于AWS Big Data Bowl(大数据杯)的参赛创意,该项目创建于五年前,旨在为NFL的Next Gen Stats开发新的使用方法。该计划为工程师、数据科学家、学生和其他没有体育经验的人创建了一个开放的平台,让他们参与到橄榄球分析中来。
该竞赛自2019年启动以来已增长了四倍,去年有400名参赛者提交了230多份作品,而在竞赛创办以来的5个年头里,参赛者超过了75个国家。通过实现数据访问的民主化,NFL和AWS可以加速创造和创新。自Big Data Bowl举办以来,已有50多名参与者在专业体育分析领域找到了工作,其中30多人被 NFL球队或球员跟踪供应商聘用。
体育联盟拥有丰富的数据,其中许多数据几十年来一直未被开发利用。找到了解数据和相关体育运动的专家以获取价值是一项挑战。生成式人工智能使任何人,无论是否具有数据科学或体育背景,都能找到利用这些数据的新方法,从而实现运营价值并创造新的球迷体验。
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。