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
Docker公司通过增强的compose框架和新基础设施工具,将自己定位为AI智能体开发的核心编排平台。该平台在compose规范中新增"models"元素,允许开发者在同一YAML文件中定义AI智能体、大语言模型和工具。支持LangGraph、CrewAI等多个AI框架,提供Docker Offload服务访问NVIDIA L4 GPU,并与谷歌云、微软Azure建立合作。通过MCP网关提供企业级安全隔离,解决了企业AI项目从概念验证到生产部署的断层问题。
中科院联合字节跳动开发全新AI评测基准TreeBench,揭示当前最先进模型在复杂视觉推理上的重大缺陷。即使OpenAI o3也仅获得54.87%分数。研究团队同时提出TreeVGR训练方法,通过要求AI同时给出答案和精确定位,实现真正可追溯的视觉推理,为构建更透明可信的AI系统开辟新路径。
马斯克的AI女友"Ani"引爆全球,腾讯RLVER框架突破情感理解边界:AI下半场竞争核心已转向对人性的精准把握。当技术学会共情,虚拟陪伴不再停留于脚本应答,而是通过"心与心的循环"真正理解人类孤独——这背后是强化学习算法与思考模式的化学反应,让AI从解决问题转向拥抱情感。
PyVision是上海AI实验室开发的革命性视觉推理框架,让AI系统能够根据具体问题动态创造Python工具,而非依赖预设工具集。通过多轮交互机制,PyVision在多项基准测试中实现显著性能提升,其中在符号视觉任务上提升达31.1%。该框架展现了从"工具使用者"到"工具创造者"的AI能力跃迁,为通用人工智能的发展开辟了新路径。