冰上的“点球成金”:GPU 助力加拿大初创公司的冰球数据分析工具为球队带来优势

by 英伟达中国

在《点球成金》这部影片中,资金拮据的奥克兰运动家棒球队运用赛伯计量学来分析球员活动,借此多次战胜豪门球队,在当代棒球界中谱写了传奇故事。

为了适应如冰球般快速流畅的运动,位于多伦多的初创公司 ICEBERG 立下宏愿,要使用由计算机视觉驱动并融合人工智能 (AI) 的分析工具开创体育运动的未来。

在职业运动中,哪怕是丝毫竞争优势都会影响到胜负。这正是强大的分析工具在各类运动队(尤其是棒球队和足球队)中广泛使用的原因。

冰球一度与这场分析变革无缘,主要是因为冰球运动速度快、变化复杂,让人根本无法细致了解球员站位和活动背后的数据。但是,这在 ICEBERG 首席执行官 Alex Martynov 的眼中却是一个黄金商机。

Martynov 说:“我一向认为各行各业都离不开数据,但我吃惊地发现,数据分析对于棒球和足球已是家常便饭,但对于冰球和其他运动则是凤毛麟角。”

2014 年,Martynov 辞去了在多伦多一家银行的分析师工作,开始将自己的分析和统计技能投入到他钟爱的运动中。

Martynov 的父亲提供了一笔启动资金,而一些在俄罗斯和加拿大从事开发工作且热爱冰球的朋友也伸出援手,使他能够将计算机视觉和机器学习技术结合起来,开始收集和分析冰球赛事的数据。

每场比赛一百万个数据点

ICEBERG 这个名字暗指隐藏在通常跟踪的统计信息(例如进球得分和射中次数)背后的海量数据。

该公司最初由五个人组成,他们开发出一套算法,对全景拍摄冰球比赛的三台摄像机所拍下的视频进行处理。这样一来,60 分钟的比赛便转化为超过一百万个数据点,当中蕴含高价值的情报,经过分析后能让球队更好地调兵遣将和制定比赛计划。

在整个过程中,首先使用计算机视觉技术跟踪物体(例如本方/对方球员和冰球)、根据球衣颜色和号码识别球员以及检测冰球的位置 – 这并非易事,因为冰球的移动时速最高超过 100 英里。

机器学习算法随后记录各类事件,例如射门、传球、身体阻截和简单的控球。通过这样做,该公司创建了一个数据库,并向公司客户详细解释数据。迄今为止,该公司已拥有大约 20 家球队客户,它们遍布全球各地的多个冰球联盟,其中包括 NHL 的纽约岛人队。

基于云的 GPU 大显威力

客户通过基于云的门户访问可视化数据。在 Microsoft Azure 云平台上运行的 NVIDIA GPU 处理高强度的计算工作,并对驱动 ICEBERG 算法的神经网络进行训练。

Martynov 说:“GPU 更擅长处理这种工作。”他指出,GPU 的延迟比 CPU 低得多,最终使公司节省了资金。该公司还使用 GPU 进行推理工作。现在,该公司已拥有 25 名员工,分驻于多伦多总部和莫斯科的研发机构内。

该公司六个月前开始测试 cuDNN,因为它有望提高机器学习模型的完善程度,并能训练神经网络更好地通过坐标来识别事件(Martynov 指出这“并非小事”)。

利用该公司的服务,球队能更好地了解各种比赛因素,例如进攻球员在哪个位置强打最奏效、在哪里射门最常让守门员无法抵挡和球员的耐力在变阵期间何时开始下降。

宏大的新兴技术发展计划

本周上演斯坦利杯总决赛,对阵双方是黑马纳什维尔掠夺者队和卫冕冠军匹兹堡企鹅队。虽然本次决赛并未用上这项技术,但 Martynov 希望将来能用它分析如此引人注目的赛事。

他还立志将 ICEBERG 的技术运用到其他体育运动上,并坚信它能改进目前使用的分析工具。

Martynov 还希望该公司很快能将可视化分析数据提供给电视台使用。这样一来,不仅电视台能更专业地解说比赛,而且还有助于吸引因难以在电视上看清快节奏比赛场面而甚少观看冰球的球迷。

他说,在 NVIDIA 和 Microsoft 等合作伙伴的幕后支持下,ICEBERG 没什么做不到的。

Martynov 说:“这项技术的进展太快了,让我们能在如此短的时间内取得了很棒的成果。”

请观看以下视频,了解 ICEBERG 技术的实际效果: