足球场策略 - 使用 SAP HANA 和 Amazon Sagemaker

引言

本文描述了如何利用人工智能，通过结合 SAP HANA 和 Amazon Sagemaker 的能力，在现场足球比赛中为经理（或球队教练）制定更好的球队策略。

背景

让我们先讨论用例，然后看看 SAP HANA 和 Amazon Sagemaker 如何适应这种情况。

众所周知，足球是世界上最具娱乐性的运动，涉及数十亿美元的市场，并且有很多人观看。 例如，巴黎圣日耳曼（PSG）在 2017-18 赛季的转会窗口花费了 2.22 亿欧元从西班牙巴塞罗那转会内马尔。 与过去十年相比，国家队和俱乐部足球队在技术领域的投入越来越大。

在足球比赛中，有大量数据以关系和非关系格式提供，但与其他运动相比，在预测或规定性分析领域中没有得到有效利用。 我同意一些俱乐部已经开始使用机器学习来制定他们的转会或营销策略。 但在这里，我将解释我们如何有效地利用数据，以便在球队开始比赛或在比赛的中场休息时或关键时刻（例如最后 10-20 分钟）做出即时战略决策。

让我们详细解释一下。 在现场足球比赛中，大多数球队教练未能从替补席上换上合适的球员，即使他们拥有优秀的球员。 或者，对于最后 15 分钟的比赛，应该采取什么样的策略，例如施加更大的压力，或者尝试保持更多的控球权，或者尝试长传或通过传球，或者引入另一个进攻球员或边锋等等。

考虑一个或多个 AI 模型，预测接下来 20 分钟会发生什么情况，以及如果我们修改模型变量并将此指令呈现给教练，它将如何改变赢得更多进球的概率。 真的不错！

那么这里有什么挑战呢！ 毫无疑问，我们在比赛开始前训练了一个模型，教练可以预测更好的策略，例如防守或进攻、更好的球队阵容和更好的阵型等等。 尽管这种预测和规定性分析对教练非常有帮助，但你能想象当球队正在比赛时，教练的良好预测会产生什么影响吗？

我们可以在比赛进行期间期望以不同格式的数据，包括关系和非关系结构。 关系结构包括 - 球员的详细信息，例如犯规次数、黄牌/红牌、角球等。

非关系结构主要包括 - 比赛到目前为止的视频、不同的图像，如球场地图和控球权等。 考虑一个基于关系和非关系数据输入以及根据不同参数重新训练模型并在比赛进行期间每个时间间隔预测输出的能力的模型。

方法

这里的技术挑战是什么 - 首先，我们需要一个数据库，它可以用于存储关系和非关系数据，例如视频、图像等，在数据读/写访问速度上没有任何妥协，能够使用 SQL 查询、空间查询、实时数据流等来获取数据。

其次，我们需要一个可以用于构建、学习、训练模型和预测输入的平台。

SAP HANA 是数据库的更好候选者，因为它是一个内存数据库，并且数据检索和更新速度非常快。 此外，它还支持关系和非关系数据，并具有内置的分析能力。 在我们的用例中，我们期望处理和立即分析大量不同类型的数据。

Amazon Sagemaker 提供高度可扩展的机器学习环境和框架，用于分析、构建、训练和部署模型。 我们不需要担心数据量、基础设施、日志记录、监控、深度学习框架。 Amazon Sagemaker 期望输入数据作为其自己的环境（如 EC2）或从外部来源流式传输。 在这里，我们可以利用 HANA 的高速流媒体能力。

正如我提到的，Amazon Sagemaker 在其基础设施中部署模型，但通过与 Tensorflow 的集成，我们可以在 Amazon Fargate 中部署模型容器，并最终从 SAP HANA，express edition 使用 SAP HANA 外部机器学习库 (EML) 来使用它们。

关注点

机器学习中可以使用不同的工具和框架，但 SAP HANA 和 Amazon Sagemaker 共同为时间关键型场景执行更好的预测和规定性分析，这些场景的数据量很大。

请注意，到目前为止，国际足联 (FIFA) 不允许为球员安装任何传感器，如果它允许，那么这将是一个完全不同的用例。

历史

• 2019 年 11 月 2 日：初始版本