Национальная футбольная лига (НФЛ) предоставила исследователям Университета Карнеги-Меллон доступ к официальным видеозаписям матчей и данным о перемещениях игроков на поле. Цель - разработать технологии на основе искусственного интеллекта (ИИ), которые помогут тренерам, игрокам и болельщикам размечать, анализировать и глубже понимать игру. Об этом сообщает Tech Xplore.

Проект возглавляют Чэньянь Сюн, доцент Института языковых технологий Школы компьютерных наук имени Кеннета К. Гриффина, и Рон Юрко, директор Центра спортивной аналитики Карнеги-Меллон (CMSAC). Сюн называет себя любителем футбола, а Юрко - ассистент-преподаватель факультета статистики и науки о данных. Вместе они строят модель ИИ, которая учится понимать американский футбол.

"Доступ к официальным плёнкам НФЛ - невероятная возможность, - говорит Юрко. - Мы единственное учреждение, которое проводит исследования с этими данными". Ранее Юрко уже сотрудничал с лигой: его наработки вошли в чат-бот NFL IQ AI, представленный на драфте НФЛ 2026 года. Сюн же в своей работе в Карнеги-Меллон создаёт ИИ-технологии, которые анализируют большие объёмы разнородных данных для решения задач в здравоохранении. Интерес к футболу подтолкнул его сделать инструмент и для НФЛ.

Исследователи подали заявку в программу NFL Forward Initiative, которая позволяет предпринимателям и учёным предлагать технологические решения для соревнований, тренировок, развития игроков и популяризации спорта. Заявку приняли. НФЛ передала университету несколько терабайт данных: игровые записи и систему Next Gen Stats - данные трекинга игроков, которые собираются с помощью радиочастотных меток (RFID-чипов), встроенных в наплечники, экипировку и сам мяч. Эти чипы в реальном времени передают информацию о местоположении объектов на поле.

"Для нас честь работать с таким престижным учреждением, как CMU, которое ищет способы сделать игру эффективнее, - заявил Майк Лопес, старший директор НФЛ по футбольным данным и аналитике. - Инновации - основа развития игры, и мы с нетерпением ждём результатов".

Объём данных потребовал использовать так называемые фундаментальные модели - это глубокие нейросети (многослойные алгоритмы, обученные на больших массивах информации), которые способны решать широкий круг задач. Чем больше данных для обучения, тем больше модель может усвоить и тем сложнее задачи ей по плечу. Однако прежде чем объединять видео и трекинг, учёные создали две предварительно обученные системы - по сути, строительные блоки для будущей большой модели. Одна учится на записях матчей, другая - на данных о перемещениях игроков. Задача у обеих одна: понимать, что происходит на поле.

Следующий этап сложнее. "Например, поняв, что произошло в розыгрыше, сможет ли модель предсказывать события до следующего розыгрыша? Будет ли блиц? Сместится ли сэйфти в другую зону покрытия?" - поясняет Сюн. Блиц - это массированная атака защиты на квотербека, а сэйфти - игрок обороны, отвечающий за глубокую зону. Чтобы модель научилась работать с видео и трекингом одновременно, может понадобиться больше данных и времени. Но в перспективе это даст более точные прогнозы и эффективность: например, модель сможет моделировать развитие розыгрыша при определённых решениях или предлагать тактические комбинации на основе оценённых исходов.

"Это поможет тренерам и скаутам сосредоточиться на главном и сделает лигу эффективнее", - считает Юрко. Пока речь идёт об исследовательском проекте, а не о готовом продукте для команд или болельщиков. О сроках появления коммерческой версии не сообщается.

Источник: Tech Xplore