对峙可能是曲棍球比赛中最关键的时刻之一。获胜的玩家可以将势头带到他们的球队并直接影响比赛的结果。想象一下，在一场势均力敌的比赛的第三节后期，两名曲棍球运动员面对面地在冰上等待冰球落下。每个人都在猜测谁会先到达冰球。但直到现在，还没有人有全面的方法来评估谁更有可能获胜。为了缩小这一差距，美国国家冰球联盟 （NHL） 和 Amazon Web Services （AWS） 开发了 Face-off Probability，它使用 AI 向分析师、球迷和球队提供实时对决预测。这是一项重大的技术发展，因为它是 AWS 的第一个概率统计数据，将在比赛前实时看到，而不是在比赛发生时看到。在比赛暂停期间，对峙概率会根据冰上的球员、对峙地点和当前比赛情况生成对决中谁将获胜的预测。预测发生在不到一秒的时间内，并在整个停顿期间生成，直到游戏时钟再次开始运行。致力于应对实时对峙预测挑战的团队必须从头开始构建这个剧本。但鉴于 AWS 在为体育构建数据驱动解决方案方面的记录以及与 NHL 的深厚技术合作伙伴关系，AWS 在生成解决方案方面具有独特的优势，NHL 已经在 2021 年进行了投篮和扑救分析。将 AWS 机器学习 （ML） 应用于 NHL 数据从头开始构建一个全新的系统，该系统可以主动评估对决并预测获胜者，这带来了重大的技术挑战。NHL 和 AWS 使用了球员、冰球和跟踪 （PPT） 数据，以及来自 10 多年历史 NHL 曲棍球信息和跟踪系统 （HITS） 统计数据的数十万次对决。这个数据源非常多样化和复杂。它需要纳入个人历史主客场对决统计数据等信息;正面交锋历史;身高、体重和惯用手等球员特征;以及游戏背景，例如对峙地点、比赛比分和对峙发生的时间。这种历史成功率、玩家对决特征和游戏背景的结合，汇集了 HITS 和 PPT 数据，提供了完整而独特的对决动态视角。AWS 的包容性文化激发个性和接受度在黑人历史月期间，黑人专业人士反思了在 AWS 的积极经历。调整新的对决概率也很灵活，可以根据比赛情况的变化调整预测。例如，如果一名球员因违规而被排除在对峙之外，该模型会根据来自溜冰场和连接到球员的传感器的实时 PPT 流传感器数据将预测更新到新比赛。预测发生在不到一秒的时间内，并在对峙中参与的玩家发生变化时触发。预测还可以显示当主要中锋被放弃出对峙并换成成功概率不同的球员时，球队赢得对决的概率发生变化。这凸显了在对峙圈中拥有特定球员的重要性。除了提供两名球员对决的概率外，该工具还提供了其他可能的对决组合配对，这将帮助转播团队突出潜在的对决，这将丰富球迷的观看体验。
