Машинное обучение поможет предсказать вероятность игроков НХЛ завладеть шайбой

Amazon Web Services

Компания Amazon Web Services представила модель машинного обучения, которая в режиме реального времени предсказывает, с какой вероятностью тот или иной игрок Национальной хоккейной лиги (НХЛ) выиграет вбрасывание шайбы. Она учитывает контекст игры, характеристики игроков и данные о сотнях тысяч вбрасываний более чем за десять лет.

Предсказательная аналитика в большом спорте, и в том числе хоккее, не только оценивает действия конкретного игрока, но и прогнозирует его будущее поведения. Машинное обучение такого уровня требует много данных. К стандартным метрикам — статистике голов, бросков, удалений и так далее — добавляется, к примеру, отслеживание передвижения на площадке через анализ координат шайбы и хоккеистов.

Такая технология позволяет вычислять оптимальное сочетания игроков на площадке и лучшую стратегию замен. Российская компания ICEBERG в 2018 году с ее помощью подбирала олимпийской сборной оптимальный состав для выступлений в корейском Пхёнчхане, а НХЛ уже несколько лет использует ее во время своих матчей. Датчики в шайбе и на игроках передают сигнал 200 раз в секунду, отслеживая шайбу с точностью до сантиметра, а также направление подач, бросков и другие параметры. 

Amazon Web Services во вторник представила модель машинного обучения Face-off Probability. Она позволит в режиме реального времени предсказывать, с какой вероятностью тот или иной игрок НХЛ выиграет вбрасывание шайбы — ввода шайбы в игру в начале каждого периода или после ее остановки.

Еще до вбрасывания шайбы Face-off Probability определяет, на каком участке поля оно произойдет, кто в нем будет сражаться и какова вероятность победы у каждого из игроков. В основе модели лежат данные датчиков, расположенных в шайбе и на игроках, а также статистика НХЛ о вбрасываниях шайбы более чем за десять лет. Она включает статистику ввода шайбы в игру по игрокам во время домашних и выездных матчах, характеристики игроков, такие как рост, вес и преобладающая рука, а также контекст игры. К последнему относится, например, в какой части поля происходило вбрасывание, сколько оно длилось, какой был счет.

Предсказания модели меняются в зависимости от ситуации в игре. Если игрока во время вбрасывания удаляют из-за нарушения, она обновляет свой прогноз на основе данных отслеживания шайбы и игроков с задержкой менее секунды. Еще Face-off Probability может определить, увеличиваются или уменьшаются шансы команды на победу, когда центрального нападающего на вбрасывании заменяют другим игроком.

Статистика будет отображаться одновременно с трансляцией игры. На этой неделе она появится на канадском канале Sportsnet, а позже в марте — на американских ESPN и Turner.


Ранее мы писали про алгоритм, способный анализировать коллективное поведение игроков и стратегию в командных видах спорта. Программа обучалась на траекториях профессиональных футболистов в матчах Европейской лиги УЕФА и при этом сама определяла роли игроков по ходу игры, не привязываясь к их формальным позициям в составе команде.

Василиса Чернявцева

Нашли опечатку? Выделите фрагмент и нажмите Ctrl+Enter.