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
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。