棒球运动员在面对飞速旋转的投球时必须快速思考。现在，AI 或许能够提供帮助。
Nick Bild 是一名佛罗里达的软件工程师，他开发了一款应用程序，可以向击球手发出信号，告诉他们对方投出的球是好球还是坏球。这就是“Tipper”，可以将它安装在眼镜的外边缘，好球时显示为绿灯，坏球时显示为红灯。
Tipper 利用图像分类在球传到本垒板一半之前提醒击球手。它利用 NVIDIA Jetson 边缘 AI 平台进行瞬间推理，以此来触发灯光。
Bild 认为，他开发的应用程序可以作为击球手的辅助训练工具，帮助击球手识别好球和坏球。而投球手也可以用它来分析击球手在击球时是否会有肢体语言提示。
“也许这对裁判有用。对于那些争议球，它有助于减少与教练的争执和球迷的不满。”Bild 表示。
关于创客
白天，Bild 在电信公司工作。晚上，他的客厅就变成了 Jetson 实验的实验室。
Bild 当然知道如何乐在其中，不只是把客厅变成棒球练习场。Bild 自学了机器学习之后，将 ML 和 Python 技巧应用到 Jetson AGX Xavier 之中进行 ShAIdes 等项目的研发，通过手势就能打开家里的灯。
Bild 表示，机器学习对于解决原本无法解决的问题尤为有用。他表示，对于业余爱好者来说，入门成本可能高得令人望而却步。
他的灵感
Bild 第一次听说 Jetson Nano 时，他以为这种工具只要花费很少的预算就是实现自己的想法。他在刚刚推出时就购买了一台，自那以后就一直在用它构建设备。
他创建的第一个 Jetson 项目是 DOOM Air。他学习了图像分类基础知识，并将这些知识运用到计算机操作中，计算机将热门电子游戏“毁灭战士 (DOOM)”投影到墙上，他通过肢体动作来控制游戏。
Bild 认为，Jetson 的易用性帮助他在早期取得了成功，对他承接更艰巨的项目起到了激励作用。
他说：“我从这些项目中的构建中学习到了很多知识，而这些知识为我构建更复杂的项目（如 Tipper）提供了所需的基本技能。”
他最喜爱的 Jetson 项目
Bild 对于自己的许多 Jetson 项目都钟爱有加。其中包括 Deep Clean 项目。它使用 AI 来追踪房间里人触碰过的位置，以便进行消毒处理。
不过，Bild 最喜欢的 Jetson 项目是 Tipper。它使用了可每秒捕获 100 帧的摄像头，对投球预测起到辅助作用。将摄像头对准发球机（一支 Nerf 枪），它可以在飞行初期捕获来球的两个连续图像。
他表示，自己使用“数百张”好球和坏球图像对 Tipper 进行了训练。结果就是，Jetson AGX Xavier 在空中对球进行分类，对击球手发挥的指导作用优于一垒教练。
就有趣的 DIY AI 而言，这堪称一个本垒打。