För NFL-säsongen 2021-2022 som startade på torsdagen samarbetar NFL och AWS för att lägga till lite ny statistik i verktyget Next Gen Stats.
Ligan kommer nu att spåra fjärde och tvåpoängskonvertering analyser med Next Gen Stats Beslutsguide som drivs av AWS.
Fjärde nedgångar är fortfarande några av de tuffaste – och mest omstridda – beslut ledarna i spelet måste ta på söndagar, och NFL kommer nu ge fans en inblick i sina val med hjälp av AWS och spårningsteknik.
Matt Swensson, vice president Nästa generationsstatistik på NFL, berättade för ZDNet att beslutsguiden för nästa generations statistik är byggd på en serie maskininlärningsmodeller som använder Amazon SageMaker för att driva 4: e och 2-poängs konverteringsbeslutsanalys.
Beslutsekvationen, förklarade han, fokuserar på två huvudkomponenter: vinstsannolikhet, som informerar hur mycket spelet kommer att förändras i den hypotetiska händelsen för varje utfall, och omvandlingssannolikhet, vilket berättar sannolikheten för att brottet omvandlar en fjärde nedåt eller 2-punkts konvertering.
“Den fjärde beslutsguiden är intressant eftersom den fungerar med hjälp av andra modeller. Vi hade statistik på basnivå som vi hämtade information från, sedan började vi skapa modeller utifrån den härledda statistiken. Nu skapar vi fler mätvärden med mer modeller så det är bara lager på lager, säger Swensson.
“Vi tar en kombination av vinstsannolikheten vid den tidpunkten i spelet för ett lag och sedan en omvandlingssannolikhet om de kan konvertera på ett spel. Du kan i princip sätta sannolikheter mot frågor som” Ska de gå för det? ' “Ska de slå?” “Är de i fältmålsintervall?” etc. “
En skärmdump av hur NFL: s fjärde down -statistik ser ut.
NFL
Statistiken är inte för tränare utan snarare för NFL Network, sändningspartners och fans av spelet som är intresserade av att lära sig hur beslut av tränare fattas.
För vissa spel kommer programföretag att be NFL om statistik eller sannolikheter och ligan kommer att dela data som de har kört genom AWS.
“Tränare fortsätter med sin instinkt och sitt beslutskort som de har på sidan, men det vi har gjort har börjat kvantifiera det och utbilda fansen lite om varför du skulle fatta det beslutet och varför du kan välja att går faktiskt emot vad oddsen gynnar, ”tillade Swensson.
Swensson berättade för ZDNet att det som intresserade honom mest var att se analysen av hur olika tränare närmar sig 4: e och hur de har hanterat beslutet tillbaka till 2016.
verkställande guide
AWS: Den kompletta affärsguiden till Amazons molntjänster
Några strålande uppfinningsrikedom i kombination med en stor dos kapitalism gjorde e-handlaren till världens ledare för molntjänster.
Read More
Vissa tränare är mer villiga att ta risker medan andra gärna pekar och ser hur deras försvar reagerar. NFL undersökte hur lagen presterade på 4: e nedgången under öppningshelgens skiffer med spel, och detaljerade ett antal intressanta fynd i ett blogginlägg på måndagen.
NFL fann att beslutet från Dallas Cowboys huvudtränare Mike McCarthy att sparka ett 21-yards fältmål på 4: e och 3: an halvvägs genom det tredje kvartalet från Tampa Bay 3-yard var “bland de mest kostsamma besluten i vecka 1. “
Beslutet kostade Cowboys 5,8 procent i nettovinstsannolikhet, det mest förlorade värdet på ett 4: e down-beslut som gick in på Monday Night Football enligt Next Gen Stats Decision Guide. Cowboys odds för att konvertera var 51%, fann NFL.
Tyvärr för Cowboys -fans var det inte nattens enda blunder som fångades av Next Gen Stats Decision Guide. McCarthy bestämde sig för att sparka ett fältmål i en 4: e och 3-situation med 6:41 i det andra kvartalet från Buccaneers 13-yardlinje. Även om det beslutet var mindre grovt enligt uppgifterna, hade det fortfarande en effekt på Cowboys eventuella 2-poängsförlust.
NFL noterade att McCarthy gjorde ytterligare ett tufft fjärde nedrop med 1:29 kvar i matchen och valde att sparka ett fältmål från Tampa Bay 30-yardlinjen.
“Deras vinstsannolikhet efter att ha gjort ett fältmål skulle fortfarande bara vara 44 procent. Om de gick för det på 4: e och 6 (ett 37-procentigt förslag) och konverterade hade Cowboys haft en 69-procentig chans att vinna Cowboysna valde att sparka ett fältmål-som vår modell betygsatte som ett riktigt go-field-mål som kastas upp-följt av ett Brady-spelvinnande driv för att skapa ett Ryan Succop-vinnande 36-yard-fält. mål “, förklarade NFL.
I den motsatta änden av spektrumet hjälpte Lions huvudtränare Dan Campbells aggressiva spel att hålla sitt lag kvar i spelet även om det såg ut som om det kunde vara över.
The Next Gen Stats Decision Guide fann att Campbell gjorde rätt samtal på nästan alla 10 av hans 4: e down-beslut, saknade bara en gång på en uppkastning på 0,1-procent go-it-rekommendation den 4: e och 14 från SF 47 ner 21 poäng i tredje kvartalet.
Campbell valde upprepade gånger att gå för det på 4: e nedgången, med vetskap om att hans lag var en underdog och en extremt nackdel. Campbell var oförskräckt trots misslyckade spelningar på tidigare fjärde nedgångar.
Browns huvudtränare Kevin Stefanksi var på samma sätt fräck på fjärdeplacering efter en säsong 2020 där han blev rankad som “den mest optimala beslutsfattaren” av NFL.
“Inför en 4: a och 3: a från Kansas City 15-yardlinjen valde de bruna att gå efter det när våra siffror sa att fältmålet var det mest optimala beslutet (med 1 procent). En skillnad på endast 1 procent är mer av ett slängbeslut än en riktig rekommendation. Browns konverterade det första ned på en Baker Mayfield-Austin Hooper 5-yard färdigställande, “fann NFL-forskare.
“Medan siffrorna säger fältmål var skillnaden mellan besluten marginell. Browns skulle fortsätta att göra en TD två spelningar senare, och efter att ha dragit ett inkräktningsstraff på deras extrapoängförsök accepterade Stefanski straffet skarpt och gick för två (framgångsrikt). Enligt vår tvåpunktsmodell borde Stefanski och Co. gå på två om omvandlingssannolikheten var större än 49 procent. I det här fallet hoppade antalet från 53 procent till 65 procent. ”
läs detta
Allt du behöver veta om AI
En verkställande guide för artificiell intelligens, från maskininlärning och allmän AI till neurala nätverk.
Läs mer
Ett av de mest intressanta spelen med tuffa fjärde down -samtal var matchen mellan Cincinnati Bengals och Minnesota Vikings.
Bengals huvudtränare Zac Taylor var konservativ för att avsluta matchen och bestämde sig för att slå på fjärde under med 1:55 kvar och Bengalerna ledde med 24-21.
Beslutet visade sig vara fel, med vikingarna. marscherar ner på planen för att sparka ett fältmål och jämna ut spelet och skicka det till övertid.
Men Taylor löste sig själv på övertid. Med bara 0:39 kvar och matchen jämn mötte Bengals en tuff fjärde-och-1 från sina egna 48. Taylor valde att gå för det för att undvika oavgjort och laget konverterade.
“Intressant nog, i detta specifika fall, med tanke på risken för ett misslyckat försök, föredrog modellen faktiskt en poäng med 2,2 procent. Om Bengals konverterade – som de gjorde – hoppade deras vinstchanser till 59 procent. Om de skulle ha misslyckats? Oddsen skulle ha sjunkit till 40 procent, “fann NFL.
“Taylor valde ett oavgjort resultat och gjorde klart för det, och banade vägen för en matchvinnande spark. Om det fanns ett mönster i Taylors beslutsfattande var det detta: gå för det i fjärde-och-1-situationer. Av 11 fjärde-down-situationer var tre fjärde-och-1, och Bengals behöll offensiven på planen i alla tre. På de andra åtta sparkade de. Vår modell hittar de flesta 1-yard-to-go-situationerna gå efter det -scenarier, även om det beror på situationen. “
verkställande guide
Vad är maskininlärning? Allt du behöver veta
Så här är det relaterat till artificiell intelligens, hur det fungerar och varför det spelar roll.
Läs mer < /p>
Swensson sa att när Next Gen Stats lanserades första gången 2015-2016 spårade de initialt grundläggande mätvärden som hur snabbt och långt spelarna sprang.
De uppgraderade sakta till svårare statistik som separering vid tidpunkten för fångst och hur mycket utrymme quarterbacken gavs av den offensiva linjen. Men saker förändrades när de försökte ta reda på om ett försvar flitade.
“Det var mycket om-då-logik och det var kladdigt men fungerade. Vi insåg att det måste finnas ett mycket mer elegant sätt att identifiera vissa saker. Statan som sparkade saker i växel och började arbetet med AWS, särskilt i AI och ML -utrymmet var vår sannolikhetsmätning för slutförande, som var den första som verkligen tog en massa data och använde Amazon SageMaker för att träna en modell, “förklarade Swensson.
“Den statistiken började som ett kalkylblad där vi försökte justera några parametrar och jag sa till forskarna” Jag tror att det här är något som verkligen är mer lämpligt för maskininlärning. ” Så vi tog hjälp från AWS på ett par fronter och sedan dess har vi skapat mer och mer ML -basstatistik, där vi tar en massa data som vi har taggat eller märkt. “
NFL har arbetat med AWS sedan 2018 och presenterade annan ny statistik i år inklusive Quarterback Expected Rushing Yards, Quarterback Dropback Type, Next Gen Stats Big Play Score och Expected Fantasy Points.
För framtiden sa Swensson att det finns planer på att göra fler datadyk på den defensiva sidan av bollen för att identifiera täckningssystem och mer. Det finns också planer på att engagera sig i fantasifotbollsutrymmet med hjälp av data från ligan.
“AWS har varit en stor anledning till att vi verkligen har kunnat ta nästa steg i denna statistik. Jag ser fram emot vår fortsatta utveckling med dem och vi letar alltid efter nya sätt för att förklara spelet för fans, säger Swensson.
se även
Hur man ser NFL -fotboll online i höst
Du har mer val för ditt fotbollstittande nöje på internet än någonsin, och det är ett problem.
Läs mer
Relaterade ämnen:
Big Data Analytics Cloud E-Commerce Hardware Enterprise Software 