Le nouvel outil d’IA d’Amazon sera lancé pour le Super Bowl, mais cela pourrait changer bien plus que le football

Alors que Matthew Stafford et Joe Burrow se battent dans le Super Bowl de cette année, l’intelligence artificielle fonctionnera dans les coulisses pour mesurer à quel point ils ont vraiment joué.

La NFL dévoile une nouvelle mesure des performances des quarts dans un match donné. Appelée Passing Score, la métrique utilise l’IA d’Amazon Web Services pour évaluer l’exécution d’un quart-arrière à chaque jeu. À la fin du jeu, le joueur est noté sur une échelle de 50 à 99. Priya Ponnapalli, directrice principale et scientifique principale au Amazon Machine Learning Solutions Lab, affirme que l’outil peut avoir des implications au-delà du monde du sport.

« Ces apprentissages et avancées s’étendront finalement au-delà du terrain de football au bien-être général, parmi de nombreuses applications potentielles », dit-elle. « Cela pourrait s’étendre à la santé et à la sécurité au travail et à une meilleure conception des stades et des environnements de travail, comme dans la fabrication. »

Le Passing Score est né de l’intérêt de la NFL à mieux comprendre le jeu du quart-arrière, selon Ponnapalli. « La ligue était intéressée à évaluer et à comprendre la prise de décision du quart-arrière », dit-elle, « par exemple, si le quart-arrière avait pris en compte tous les receveurs éligibles et évalué les compromis avec précision. »

Les quarterbacks prennent des centaines de décisions en une fraction de seconde à chaque match. À chaque jeu, ils doivent évaluer le positionnement de la défense, anticiper où les joueurs se déplaceront, identifier quels récepteurs sont ouverts et peser le risque par rapport à la récompense de lancer à un joueur donné – puis, espérons-le, faire un lancer précis. En tant que telles, les statistiques traditionnellement utilisées pour évaluer les quarts – pourcentage d’achèvement, verges par la passe, touchés – ne racontent qu’une partie de l’histoire.

Les puces informatiques intégrées dans l’équipement des joueurs, les pylônes sur le terrain et les ballons de football pendant les matchs suivent l’emplacement, les mouvements et la vitesse des joueurs tout au long du jeu, explique Ponnapalli. Ces données peuvent être introduites dans une série de modèles d’apprentissage automatique pour proposer de nouvelles métriques comme le Passing Score.

Les ingénieurs, analystes et scientifiques des données de Next Gen Stats, la branche de statistiques avancées de la NFL, ont passé près d’un an à appliquer l’IA et d’autres outils d’analyse de données d’AWS pour créer la métrique. « Il n’y avait pas de playbook existant pour construire ce genre d’outil », explique Ponnapalli.

L’équipe a combiné sept modèles d’apprentissage automatique différents pour créer le Passing Score. Parmi eux se trouve un nouvel outil qui évalue le positionnement et le mouvement des joueurs pour prédire la probabilité qu’une passe soit complétée avant qu’elle ne soit lancée. Cela permet à la NFL de mesurer, entre autres, les jeux les plus impressionnants d’un quart-arrière, ce qui pourrait être utile aux entraîneurs lors de la révision des séquences de match.

Et ce ne sont pas seulement les entraîneurs et les scouts qui en profiteront. Ponnapalli dit que des statistiques comme celles-ci donnent aux fans une meilleure compréhension et une plus grande appréciation des exploits sportifs des joueurs. Les Bengals de Cincinnati et les Rams de Los Angeles, les équipes du Super Bowl de cette année, ont récemment utilisé l’outil pour publier des compilations des passes les plus improbablement réussies de cette saison par leurs quarts – Burrow et Stafford, respectivement – sur YouTube.

Amazon dit que les fans qui regardent le Super Bowl à la maison recevront des statistiques Next Gen lors du match de cette année, bien qu’un porte-parole de la société n’ait pas pu confirmer si le Passing Score en ferait partie. D’autres statistiques de nouvelle génération mesurent des éléments tels que la distance totale parcourue par un joueur sur un jeu donné, la vitesse de sprint maximale d’un joueur et la hauteur à laquelle un joueur a sauté pour attraper une passe.

En dehors du football, des applications d’apprentissage automatique similaires pourraient analyser le comportement sur le lieu de travail pour s’assurer que les employés suivent les protocoles ou travaillent efficacement et en toute sécurité. Il n’est pas difficile d’imaginer un scénario dans lequel les travailleurs se voient attribuer des notes en fonction de leur degré d’adhésion aux pratiques de sécurité, qui pourraient ensuite être utilisées dans les évaluations et les promotions des employés. Certaines entreprises, telles que Tyson, utilisent déjà la vision artificielle pour étudier les inefficacités des emballages ; analyser le comportement des humains derrière eux semble être une prochaine étape logique.