▲ 勝出概率 (圖:甲骨文/英超聯(lián)賽)
日前,英超聯(lián)賽宣布與科技巨頭甲骨文合作創(chuàng)建足球分析平臺,平臺將為旗下全球電視轉(zhuǎn)播以及社交和數(shù)字媒體渠道提供實況“賽事洞察力(Match Insights)”。
據(jù)悉,從2021-2022賽季開始,“Match Insights – Powered by Oracle Cloud”服務(wù)將在全球直播和英超聯(lián)賽的社交渠道,提供關(guān)于球員表現(xiàn)的深度數(shù)據(jù)和統(tǒng)計數(shù)據(jù)。項目團隊將基于每位球員表現(xiàn)和以往數(shù)千場比賽的信息,開發(fā)各種機器學習模型,基于實時數(shù)據(jù)流、實時跟蹤數(shù)據(jù),生成即時結(jié)果。
足球以外的其他體育項目長期以來都十分重視數(shù)據(jù)功能,將其用于改善球場表現(xiàn)及推動球迷在場外參與,而足球世界(除了少數(shù)例外)最近也開始重視數(shù)據(jù)分析。
在最近的數(shù)據(jù)驅(qū)動革命大潮流下,一些職業(yè)俱樂部紛紛建立了專門的分析部門,以幫助招聘、戰(zhàn)術(shù)和球員發(fā)展,統(tǒng)計學家也開發(fā)了全新的指標,如“預(yù)期進球(xG)”。
對此,媒體在報道足球運動時也越來越多地用到諸如此類的分析,而其他聯(lián)賽(如德國德甲)則已經(jīng)將實時數(shù)據(jù)整合為國際轉(zhuǎn)播的一個組成部分。
英超聯(lián)賽認為,要保持自己在全球收視率最高的國內(nèi)足球聯(lián)賽的地位就必須提高這些洞察力,特別是對于那些年輕的、以數(shù)字原生球迷而言,數(shù)據(jù)就是他們體驗的一個組成部分。而對于那些通過智能手機(可以是補充或替代電視)關(guān)注比賽的國際支持者來說,這一點也尤其重要。
在這方面,甲骨文公司的云基礎(chǔ)架構(gòu)可以儲存大量的歷史比賽數(shù)據(jù)以及由聯(lián)賽官方數(shù)據(jù)合作伙伴提供的實時信息,例如通過計算機視覺技術(shù)收集的球員跟蹤數(shù)據(jù)等等。這些信息進入云端后,甲骨文的機器學習模型即可創(chuàng)造出可以通過各種渠道傳播的洞察力。
這樣做的目的,是希望觀眾可以更深入地了解球場上發(fā)生的事情,進而令每場英超聯(lián)賽更加精彩以及增加觀眾和社交媒體粉絲的數(shù)量。
據(jù)了解,該平臺目前已知的比賽洞察力有三個。第一個是“攻守平衡陣型”,該模型用于跟蹤所有球員在球隊控球和失球時的位置,目的是幫助球迷看到球隊在進攻和防守時的表現(xiàn)并看到比賽中策略的變化,從而理解不同比賽風格所采取的戰(zhàn)術(shù)。
▲ 平均位置統(tǒng)計(圖:甲骨文/英超聯(lián)賽)
第二個是“即時勝出概率”。這一項統(tǒng)計數(shù)據(jù)將實時數(shù)據(jù)和四年的比賽統(tǒng)計數(shù)據(jù)結(jié)合在一起,并對該場比賽的剩余時間進行10萬次的模擬及計算出兩隊獲勝、平局或失利的可能性。該模型基于4年的比賽數(shù)據(jù),并將球隊是主場或客場、目前比分、點球、場上球員、紅牌、比賽剩余時間等條件納入考慮。
最后一項洞察力是 “態(tài)勢追蹤”。勢頭追蹤預(yù)測未來10秒鐘內(nèi)控球球隊進球的可能性,用到英超聯(lián)賽的歷史數(shù)據(jù)庫和過去的5個事件,如傳球、運球和攻門以及當前球的位置等。
英超聯(lián)賽首席執(zhí)行官Richard Masters表示:“我們一直在尋找新方法,力求令英超聯(lián)賽更加生動及加強對比賽的分析。甲骨文是個全球品牌,甲骨文在推動創(chuàng)新方面一直都有很好的成績,我們期待兩家的合作可以將世界各地球迷的參與提升至新的水平。”他表示,“英超聯(lián)賽力求為全球球迷帶來全新的體驗,我們的選擇是顯然的。
據(jù)悉,在計劃于8月14日開幕的2021-2022賽季中,英超聯(lián)賽將提供更多Match Insights分析功能。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓(xùn)練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。