當然，長期以來，球隊一直在記錄其得分，籃板和助攻等基本統計數據。但是在這種建立于分析的統計方法的幫助下，數學的力量顯現了出來。他們使用統計工具設計了新的指標和公式，可以更準確地量化和預測球員和球隊的表現。可以預見，在不久的將來，在任何籃球比賽或體育脫口秀節目商，你聽到解說員提起進攻效率和PER(球員效率等級)這樣的術語，就像聽到“上籃”一樣頻繁。
當球隊首次采用跟蹤攝像機來分析球員投籃的角度時，這種復雜的統計方法對于NBA來說已經不算新鮮事了，但新的大量數據需要更新的技術和軟件支持。 Kopp在接受媒體采訪時表示：“隨著SportsVU系統(監控攝像機追蹤系統)的應用，我們所獲得的數據就不是簡單的記錄在Microsoft Excel表格中 的數字了。”與此同時，功能日益強大的計算機正在推動學習型機器的發展，因此NBA團隊和Stats等公司都在使用它。目前他們的任務是把追蹤到的數據變成更易理解的表達，比如說一個特定的目標，就像是識別如同“帶球”這樣特定的動作，“擋拆”(即掩護走位)這樣需要球手和隊友細致入微的配合策略。無論是學習型機器還是人工智能都能完美完成這些若任務，盡管我們無從得知其運作模式，但而模式識別正是區分比如由“擋拆”衍生而來的變體動作所需要的。
對于需要學習這些模式的算法而言，首先，它必須創建一個初始數據集，訓練數據越多，算法在識別前所未見的數據模式方面的表現就越好。然后，通過該生成的軟件可以瀏覽所有跟蹤數據，識別并標記每場球賽甚至每個球員，并創建一個可搜索，注釋的數據集并將每個球員動畫化的移動點圖表。有了這樣一個數據庫，教練可以做很多事情，例如，尋找特定比賽中的特定對手的勝率。有必要的話，他們可以把每次勒布朗·詹姆斯沖向籃筐并且從角落傳球給隊友，讓其能夠順利投中三分球的舉動單獨列出來。
不過我們需要的知道的一點是，這些算法完成的計算人類同樣可以做到。人類非常善于識別各種模式，而且NBA團隊長期雇用員工來審查視頻并識別球賽規劃的明顯短板。但是，讓人類篩選數百小時的鏡頭來識別每一次傳球，投籃，搶籃板，切入，投籃和翻滾這些動作，是非常不切實際的。Second Spectrum的總裁Maheswaran認為，學習型機器引導自動化發展，這就讓教練有更多的時間來制定戰略并與球員互動。
京公網安備 11010502049343號