Официальный сайт ХК Сочи

Омский «Авангард», одержав четыре победы в пяти встречах, впервые стал победителем сочинского турнира. 

«Авангард» (Омская область) – «Адмирал» (Владивосток) 3:2

«Авангард» стал победителем «Лиги Ставок Sochi Hockey Open-2022». Это стало известно после окончания утреннего матча турнира, в котором омичи со счетом 3:2 переиграли «Адмирал». После гола Федора Малыхина на 17-ой минуте, счет 1:0 держался довольно долго. На 45-ой минуте Марк Верба восстановил равновесие, что вполне вытекало из логики игры – матч был равным. И все-таки мастерство игроков «Авангарда» вышло на первый план – голы Тимофея Давыдова и Сергея Толчинского позволили омской команде избежать нервной концовки. И пусть приморцы смогли забросить еще одну шайбу усилиями Семена Иванова, произошло это на последней секунде, когда спасти встречу уже было невозможно.

После окончания матча заместитель генерального директора букмекерской компании «Лига Ставок» Александр Егоров вручил «Авангарду» главный трофей турнира.

Леонид Тамбиев (главный тренер ХК «Адмирал»):

– «Адмирал» провел очень хороший матч по качеству. По турниру мы посмотрели, над чем нужно работать, куда двигаться, что подправлять. Ребята провели неплохой турнир, во всех матчах боролись, играли, старались. Сейчас вернемся в Минск и продолжим готовиться к сезону дальше.

Дмитрий Рябыкин (главный тренер «Авангарда»):

– Игра у нас сегодня особо не получилась, но зато хороший результат, и команда впервые выиграла трофей в Сочи. Вы должны понимать, что всегда мужской коллектив сплачивается либо в драке, либо в пьянке. Пьянку мы сейчас себе позволить не можем. Крылов правильно сказал, что в матче с «Сочи» нам был предоставлен бесплатный тимбилдинг. Мне было все равно, выиграем или нет мы этот турнир. В плане уверенности данная победа не прибавит ничего. Мне главное, чтобы команда показывала хороший хоккей, который меня устраивает. В сегодняшней игре мне очень не понравился хоккей. Положительные стороны по итогам турнира в том, что команда стала лучше понимать требования, что мы хотим, именно нюансы. Понравилось большинство, а над остальными элементами надо работать.

«Авангард» (Омская область) – «Адмирал» (Владивосток) 3:2 (1:0, 0:0, 2:2).

Судьи: Сергей Морозов, Александр Соин

Штраф: 2-6

Вратари: Василий Демченко – Никита Серебряков

Голы:

16.17 Малыхин (Жарков, Толчинский) 1:0

44.55 Хлопотов (Верба) 1:1

54.29 Давыдов 2:1

55.43 Толчинский (Береглазов) 3:1

59.59 Иванов (Лисовец, Хамидуллин) 3:2

9 августа. Сочи. Арена «Шайба». 636 зрителей.

Заместитель генерального директора букмекерской компании «Лига Ставок» Александр Егоров стал гостем нашей студии перед заключительной игрой домашнего турнира. Узнали, почему «Лига Ставок» решила поддержать турнир в Сочи, что связывает хоккей и «Лигу Ставок» и какие надежды компания возлагает на партнерства со СКА и с «Сочи»?

«Сочи» – «Динамо» (Минск) 5:3

Хозяева турнира только в своем заключительном матче смогли одержать первую на турнире победу. Несмотря на то, что после 40 минут игры «Сочи» уступал 1:2, в последней трети матча команда сделала решающее усилие, забросив четырежды. Дубль в этой встрече сделал Артур Тянулин (всего на турнире нападающий забросил 5 шайб), по одной шайбе на счету Андрея Алтыбармакяна, Никиты Зоркина и Никиты Феоктистова. Последний установил окончательный результат броском по пустым воротам.

Крэйг Вудкрофт (главный тренер «Динамо»):

–У нас сегодня был молодой состав. Хотели использовать этот матч, чтобы оценить нашу молодежь, дать им возможность побороться за места в основе. В первом периоде действовали плохо, в перерыве сказали, что нельзя так вяло и лениво играть, хватать удаления. Во втором мы играли правильно, вернулись в игру, вышли вперед, перехватили инициативу. В третьем периоде сели в лужу. Не так мы хотели завершить игру и весь турнир. Эта встреча дала много информацией об игроках, их состоянии. Воспользуемся этой информацией, думаю, к сезону подойдем во всеоружии.

Андрей Назаров (главный тренер «Сочи»):

– Турнир удался и в медийном, и в хоккейном плане. Не зря было потрачено время. Мы проиграли четыре матча. На лето мы не ставили больших задач. Задача – понять, кем мы начнем сезон. Уже вырисовываются пятерки. Все по плану.

«Сочи» – «Динамо» (Минск) 5:3 (1:0, 0:2, 4:1).

Судьи: Денис Наумов, Александр Сергеев

Штраф: 6-14

Вратари: Максим Третьяк – Алексей Колосов

Голы:

08. 21 Тянулин (Глотов, Феоктистов) 1:0 ГБ

28.14 Варфоломеев (Пинчук) 1:1

35.28 Лалонд (Звягин, Емелин) 1:2 ГБ

41.48 Алтыбармакян (Завгородний, Гараев) 2:2

46.54 Зоркин (Тянулин) 3:2

50.22 Тянулин (Феоктистов) 4:2

57.17 Кузнецов (Соколов, Пинчук) 4:3

59.44 Феоктистов (Третьяк, Пивцакин) 5:3 ПВ

9 августа. Сочи. ЛА «Шайба». 1054 зрителя.

СКА – Сборная России U25 5:1

В заключительном матче СКА уверенно переиграл сборную России U25 со счетом 5:1. Во втором периоде за армейцев отличились Марат Хайруллин и Кирилл Танков (до этого на турнире форвард играл в составе сборной), затем в третьем преимущество увеличили тот же Марат Хайруллин и Михаил Пашнин. На 47-ой минуте Григорий Кузьмин размочил счет, но последнее слово осталось за СКА – последнюю шайбу на турнире забросил Даниил Пыленков.

Владимир Филатов (главный тренер сборной России U25):

– Рад принять участия в турнире. Молодые ребята получили практику на таком уровне. Надеюсь, что после турнира они приобретут большую уверенность, а клубы, в которых они играют, еще больше обратят на них внимания и дадут шанс проявить себя. Парни талантливые, им не надо говорить по несколько раз. Все сразу выполняли. Очень доволен и горд ребятами. Ребята почувствовали, что могут быть конкурентоспособными на уровне КХЛ. Они поверили в своих силы. Надеюсь, этот турнир даст им толчок. Где-то они боролись на равных, где-то — проседали. Это еще молодые ребята, но очень талантливые.

Роман Ротенберг (главный тренер СКА):

– Первый период был тяжелым для нас. После него был серьезный разговор в раздевалке. Ребята – молодцы, правильно отреагировали, выполнили установку, забили хорошие трудовые голы. Команда находится под нагрузками. За шесть дней сыграли пять матчей одним составом. Нам есть, над чем работать. Начинается следующий серьезный микроцикл. Будем оттачивать детали, над которыми надо еще поработать.

СКА (Санкт-Петербург) – Сборная России U25 5:1 (0:0, 2:0, 3:1).

Судьи: Денис Наумов, Александр Сергеев

Штраф: 12-8

Вратари: Дмитрий Николаев – Сергей Иванов

Голы:

22.45 Хайруллин (Ожиганов, Жафяров) 1:0

24.56 Танков (Пыленков, Швец-Роговой) 2:0

40.20 Хайруллин (Хуснутдинов, Жафяров) 3:0

41.09 Пашнин (Швец-Роговой, Моисеев) 4:0

46.29 Кузьмин (Грошев, Грудинин) 4:1

59.34 Пыленков (Мищенко, Жафяров) 5:1

9 августа. Сочи. ЛА «Шайба». 4369 зрителей.

Итоги турнира в студии прямого эфира подвел заместитель генерального директора «Сочи» по хоккейным операциям Алексей Бадюков.

Оргкомитет турнира определил лучших игроков «Лиги Ставок Sochi Hockey Open – 2022» в четырех номинациях.

Лучший вратарь – Александр Самонов (СКА)

Лучший защитник – Кристиан Ярош («Авангард»)

Лучший нападающий – Дмитрий Бучельников (сборная России U25)

Самый ценный игрок турнира – Дамир Жафяров (СКА)

Итоговая таблица

Ростов выиграл Чемпионат ФХР 3х3 – Лига Ставок Sochi XHL

В Сочи, на специальной площадке, оборудованной во Дворце спорта «Большой», прошел Чемпионат ФХР 3х3 – Лига Ставок Sochi XHL, организованный Федерацией хоккея России совместно с букмекерской компанией «Лига Ставок». В турнире приняли участие четыре команды, по традиции получившие названия в честь городов и регионов России: Сочи, Краснодар, Ростов и Крым.

На первом этапе участники провели круговой турнир, по итогам которого определились пары полуфиналистов. На групповой стадии были зафиксированы следующие результаты:

Сочи – Крым – 5:3 (Круглов, Авершин, Каменский, Ромаев-2 – Черников, Несветаев, Лебедев)
Краснодар – Ростов – 2:7 (Афанасов, Шляхтов – Неволин-2, Абрамов-2, Ярулин, Гордин, Алиев)
Сочи – Краснодар – 4:6 (Новиков, Авершин-2, Круглов – Соловьев, Максимов-2, Горохов, Лялин, Афанасов)
Крым – Ростов – 3:7 (Валуйский, Петров, Лебедев – Ярулин-3, Косовец, Неволин, Абрамов, Гордин)
Ростов – Сочи – 6:7 Б (Стальнов, Юзбашян, Гордин, Абрамов, Ярулин, Косовец – Каменский-2, Ромаев, Круглов-2, Новиков, Круглов-ПБ)
Краснодар – Крым – 7:2 (Максимов-2, Лялин, Горохов, Афанасов-2, Шляхтов – Яценко, Здунов)

В турнирной таблице места распределились таким образом:
1. Ростов – 5 очков, 2. Краснодар – 4, 3. Сочи – 4, 4. Крым – 0.

Плей-офф прошел в полном соответствии с результатами группового раунда – команды, обыгравшие своих соперников на первом этапе, добились побед и на втором.

ПОЛУФИНАЛЫ
Ростов – Крым – 8:1 (Гордин-2, Алиев-2, Неволин-2, Абрамов, Ярулин – Здунов)
Краснодар – Сочи – 3:1 (Шляхтов, Горохов, Глазунов – Каменский)

ФИНАЛ
Ростов – Краснодар – 6:4 (Алиев-2, Гордин, Неволин-2, Ярулин – Максимов, Шляхтов-2, Лялин)

Оргкомитет турнира определил обладателей индивидуальных призов:

Лучший судья – Михаил Сюрдяев
Экстремальный игрок – Павел Здунов (Крым)
Лучший игрок оборонительного плана — Денис Траханов (Краснодар)
Снайпер – Тигран Ярулин (Ростов)
Лучший вратарь – Денис Черепов (Краснодар)
Самый ценный игрок – Максим Неволин (Ростов) 

Также в рамках турнира прошли два показательных матча.

Программу дня открыли детские команды «Красная машина Юниор» и «Сочи Юниор». Встреча завершилась победой сочинцев – 7:5. Таким образом, юные хоккеисты установили высокую планку результативности, достигнуть которой на взрослом уровне удалось лишь однажды.

А перед финальным матчем между Ростовом и Краснодаром прошла игра между СКА и сборной XHL. Соперниками хоккеистов одного из ведущих клубов КХЛ стали лучшие профессионалы, специализирующиеся на хоккее «3 на 3». Победу со счетом 6:3 одержал СКА, в составе которого дублями отметились Кирилл Танков и Матвей Кабуш. Кирилл Кирсанов, Дмитрий Бучельников также забросили по шайбе, а главный тренер команды Роман Ротенберг записал на свой счет голевую передачу.

Владислав Третьяк, президент ФХР:
– Это уже третий турнир, который мы проводим совместно с партнером – букмекерской компанией «Лига Ставок». Отзывы о хоккее «3 на 3» очень хорошие, он нравится людям. И я думаю, что у него большое будущее: не за горами день, когда он войдет в олимпийскую программу.

Чем больше турниров – тем больше внимания привлекается к нашему виду спорта. Тем более, в такой трудный момент для отечественного хоккея. Мы должны дать мальчишкам возможность соревноваться.

Я играл «3 на 3» на тренировках – тогда против меня были Михайлов, Петров и Харламов. Поэтому я и сказал на церемонии открытия, что не завидую вратарям. Каждый хочет показать себя настоящим профессионалом. Для вратарей такие матчи – сложный экзамен, но это очень интересно. 

Роман Ротенберг, первый вице-президент ФХР:
– В Москве уже сыграно больше тысячи игр чемпионата XHL. Запуск этой лиги планируется во всех регионах. Круглосуточный хоккей, много участников: ребята, которые только закончили с хоккеем, ребята, которые остались без команд. Это социальная программа для всех хоккеистов, которая всех объединяет. Массовость, популяризация хоккея – это очень важные направления.

Хоккей «3 на 3» — это совершенно другой формат: больше развлечений, больше зрелищности, больше интереса у молодежи. То, что мы видим здесь, вдохновляет. Будущее – за тем, чтобы люди приходили на такие новые форматы.

Сегодня состоялась первая медийная игра: СКА – сборная ХHL. Нам нужно больше медийности, больше журналистов, блогеров, видеоконтент… Возможно, программы для детей будут также в рамках этого проекта. Детишки сегодня играли – «Красная машина Юниор» и ХК «Сочи». Это им интересно – изучать хоккей через такой формат, через блогеров. Это и видеоуроки, и работа программы «Красная машина». 

Александр Егоров, заместитель генерального директора букмекерской компании «Лига Ставок»:
– Все мы понимаем, что это молодая дисциплина, молодая игра. Хоккей XHL сокращает эту дистанцию по популярности с большим хоккеем. Если раньше было десятикратное отставание, то сейчас уже трехкратное. Мы видим положительную динамику, интерес со стороны зрителей, со стороны наших клиентов, поэтому позитивно смотрим на развитие этой дисциплины.

Вероятность вбрасывания, часть NHL Edge IQ: прогнозирование победителей вбрасывания в режиме реального времени во время телевизионных игр

к
Райан Гиллеспи,
Александр Егоров,
Эрик Мартинес,
Мигель Ромеро Кальво и
Яш Шах | на
05 ОКТЯБРЯ 2022 | в
Amazon Kinesis, Amazon ML Solutions Lab, Amazon SageMaker, AWS Professional Services, клиентские решения, спорт |
Постоянная ссылка |
комментариев |
Делиться

«Вероятность вбрасывания» — это первая передовая статистика Национальной хоккейной лиги (НХЛ) с использованием машинного обучения (МО) и искусственного интеллекта. Он использует данные отслеживания игроков и шайб (PPT) в режиме реального времени, чтобы показать зрителям, какой игрок, скорее всего, выиграет вбрасывание до того, как шайба будет сброшена, и дает вещателям и зрителям возможность глубже погрузиться в важность матчей вбрасывания. и различия в способностях игроков. На основе исторических данных за 10 лет сотни тысяч вбрасываний были использованы для разработки более 70 функций, введенных в модель для обеспечения вероятностей в реальном времени. Вещатели теперь могут обсудить, как ключевая победа игрока во вбрасывании привела к голу или как шансы на победу во вбрасывании уменьшаются, когда специалист команды по вбрасыванию отказывается от участия в жеребьевке. Поклонники могут видеть визуальные прогнозы в реальном времени, которые показывают им важность ключевой части игры.

В этом посте мы сосредоточимся на том, как была разработана модель машинного обучения для вероятности вбрасывания, и на услугах, использованных для запуска модели в производство. Мы также делимся ключевыми техническими проблемами, которые были решены при построении модели вероятности вбрасывания.

Как это работает

Представьте себе следующий сценарий: это ничья между двумя командами НХЛ, которая определит, кто выйдет вперед. Идет третий период, до конца игры остается 1:22 секунды. Два игрока из противоположных команд выстраиваются в очередь, чтобы взять ничью в ближайшем вбрасывании ближе к одной из сеток. Судья на линии замечает, как защитник вторгается в круг вбрасывания, и отказывается от вбрасывания своего игрока из-за нарушения. Менее опытный защитник выходит на ничью в качестве замены. Атакующая команда выигрывает вбрасывание, овладевает шайбой и сразу же забивает, чтобы выйти вперед. Счет сохраняется до оставшейся минуты игры и решает, кто выйдет вперед. Какой игрок имел преимущество перед вбрасыванием до того, как первоначальный дуэт был изменен? Насколько уменьшилась вероятность победы команды защитников во вбрасывании из-за нарушения, вынудившего другого игрока взять ничью? «Вероятность вбрасывания» — новейшая статистика NHL Edge IQ от AWS — теперь может ответить на эти вопросы.

При остановке игры функция «Вероятность вбрасывания» рассчитывает, кто выиграет предстоящее вбрасывание, исходя из игроков на льду, места проведения вбрасывания и текущей игровой ситуации. Прогнозы генерируются на протяжении всей остановки, пока игровые часы не заработают снова. Прогнозы выполняются с задержкой менее секунды и срабатывают каждый раз, когда происходит смена игроков, участвующих в вбрасывании.

Преодоление ключевых препятствий для вероятности вбрасывания

Прогнозирование вероятности вбрасывания в трансляциях в реальном времени можно разбить на две конкретные подзадачи:

• Моделирование события вбрасывания как задачи машинного обучения, понимание требований и ограничений, подготовка данных, проектирование сигналов данных, изучение алгоритмов и обеспечение надежности результатов
• Обнаружение события вбрасывания во время игры из потока событий PPT, сбор параметров, необходимых для прогнозирования, вызов модели и отправка результатов вещателям

Прогнозирование вероятности того, что игрок выиграет вбрасывание в режиме реального времени в телевизионной трансляции, связано с рядом технических проблем, которые необходимо решить. К ним относятся определение необходимых функций и методов моделирования для прогнозирования события с большой степенью неопределенности, а также определение того, как использовать потоковые данные датчика PPT для определения места вбрасывания, вовлеченных игроков и вероятности каждого игрока. выиграть вбрасывание, и все это в течение сотен миллисекунд.

Построение модели машинного обучения для событий, которые трудно предсказать

Прогнозирование таких событий, как вероятность победы при вбрасывании, во время живой игры — сложная задача, требующая значительного объема качественных исторических данных и возможностей потоковой передачи данных. Чтобы определить и понять важные сигналы в такой богатой среде данных, разработка моделей ML требует обширных знаний в предметной области. Лаборатория Amazon Machine Learning Solutions Lab сотрудничала с хоккейными экспертами НХЛ и экспертами по данным, чтобы работать в обратном направлении от их основной цели — повысить качество обслуживания болельщиков. Постоянно прислушиваясь к опыту НХЛ и проверяя гипотезы, ученые AWS разработали более 100 функций, связанных с событием вбрасывания. В частности, команда отнесла этот набор функций к одной из трех категорий:

• Исторические статистические данные о выступлениях игроков, такие как количество вбрасываний, которые игрок провел и выиграл за последние пять сезонов, количество вбрасываний, которые игрок провел и выиграл в предыдущих играх, процент побед игрока за несколько раз окна и процент побед в личных встречах для каждого игрока во вбрасывании
• Характеристики игрока, такие как рост, вес, рука и количество лет в лиге
• Внутриигровые ситуационные данные, которые могут повлиять на производительность игрока, такие как счет игры, время, прошедшее в игре до этого момента, где находится вбрасывание, сила каждой команды и какой игрок должен опустить клюшку для вбрасывания первыми

Ученые AWS по машинному обучению рассмотрели проблему как проблему бинарной классификации: либо домашний игрок выигрывает вбрасывание, либо игрок, находящийся на выезде, выигрывает вбрасывание. Имея данные о более чем 200 000 исторических вбрасываниях, они использовали модель LightGBM, чтобы предсказать, какой из двух игроков, участвующих в вбрасывании, скорее всего, выиграет.

Определение того, должно ли произойти вбрасывание и какие игроки участвуют в нем

Когда звучит свисток и игра останавливается, функция «Вероятность вбрасывания» начинает делать прогнозы. Тем не менее, Вероятность вбрасывания должна сначала определить, где происходит вбрасывание и какой игрок из каждой команды участвует в вбрасывании. Поток данных показывает события по мере их возникновения, но не предоставляет информацию о том, когда событие может произойти в будущем. Таким образом, данные датчиков игроков на льду необходимы для определения того, произойдет ли и где произойдет вбрасывание.

Система PPT определяет местоположение и скорость игроков на льду в режиме реального времени со скоростью до 60 событий в секунду. Эти местоположения и скорости использовались, чтобы определить, где происходит вбрасывание на льду и может ли оно произойти в ближайшее время. Зная, насколько близко игроки находятся к известным местам вбрасывания и насколько они неподвижны, функция вероятности вбрасывания смогла определить вероятность вбрасывания и двух игроков, которые будут участвовать в вбрасывании. .

Определение правильного предельного расстояния для близости к месту вбрасывания и соответствующей предельной скорости для стационарных игроков было выполнено с использованием модели дерева решений. Используя данные PPT за сезон 2020-2021 гг., мы построили модель для прогнозирования вероятности того, что вбрасывание произойдет в указанном месте, учитывая среднее расстояние от каждой команды до этого места и скорости игроков. Дерево решений предоставило предельные значения для каждой метрики, которые мы включили в потоковое приложение как основанную на правилах логику.

После определения правильного места вбрасывания игрок каждой команды, принимающий вбрасывание, был рассчитан путем взятия игрока, ближайшего к известному месту, из каждой команды. Это предоставило приложению гибкость для определения правильных игроков, а также возможность приспосабливаться к новому игроку, которому необходимо провести вбрасывание, если текущий игрок отказался от участия из-за нарушения. Создание и обновление прогноза для правильного игрока было ключевым моментом для удобства использования модели в реальном времени в трансляциях, которые мы опишем далее в следующем разделе.

Разработка моделей и обучение

Для разработки модели мы использовали более 200 000 исторических точек данных о вбрасываниях, а также специально разработанный набор функций, разработанный в сотрудничестве с экспертами в предметной области. Мы рассмотрели такие особенности, как внутриигровые ситуации, исторические результаты игроков, принимающих вбрасывание, специфические характеристики игроков и результаты личных встреч игроков, принимающих вбрасывание, как в текущем сезоне, так и за их карьера. В совокупности это привело к созданию более 100 функций с использованием комбинации доступных и производных методов.

Чтобы оценить различные функции и то, как они могут повлиять на модель, мы провели обширный анализ функций в рамках исследовательского этапа. Мы использовали сочетание одномерных и многомерных тестов. Для многовариантных тестов для интерпретируемости мы использовали методы визуализации дерева решений. Для оценки статистической значимости мы использовали Chi Test и KS тесты для проверки зависимости или различий в распределении.

Мы исследовали методы и модели классификации, ожидая, что необработанные вероятности будут рассматриваться как прогнозы. Мы исследовали ближайших соседей, деревья решений, нейронные сети, а также совместную фильтрацию с точки зрения алгоритмов, пробуя различные стратегии выборки (фильтрация, случайная выборка, стратифицированная выборка и выборка на основе времени) и оценивали производительность на площади под кривой (AUC) и распределение калибровки вместе с потерей оценки Брайера. В итоге мы обнаружили, что модель LightGBM лучше всего работает с хорошо откалиброванными показателями точности.

Для оценки производительности моделей мы использовали несколько методов. Мы использовали тестовый набор, которому обученная модель никогда не подвергалась. Кроме того, команды провели обширную ручную оценку результатов, рассматривая крайние случаи и пытаясь понять нюансы того, как выглядела модель, чтобы определить, почему определенный игрок должен был выиграть или проиграть вбрасывание.

Используя информацию, полученную от рецензентов вручную, мы при необходимости корректировали функции или запускали итерации модели, чтобы проверить, соответствует ли производительность модели ожидаемому.

Развертывание вероятности вбрасывания для использования в режиме реального времени во время национальных телетрансляций

Одной из целей проекта было не просто предсказать победителя вбрасывания, но и создать основу для решения ряда подобных задач в режиме реального времени и с минимальными затратами. Эта цель помогла определить, какие компоненты использовать в окончательной архитектуре.

Первым важным компонентом является Amazon Kinesis Data Streams, бессерверная служба потоковой передачи данных, которая служит связующим звеном между конкретной реализацией поставщика данных PPT и приложениями-потребителями, тем самым защищая последние от разрушительных изменений в первых. Он также улучшил функцию разветвления, которая обеспечивает возможность подключения до 20 параллельных потребителей и поддерживает низкую задержку 70 миллисекунд и одинаковую пропускную способность 2 МБ/с на сегмент между всеми ними одновременно.

PPT-события не приходят ко всем игрокам сразу, а прибывают отдельно для каждого игрока, как и другие события в игре. Следовательно, для реализации предстоящего алгоритма обнаружения вбрасывания приложению необходимо поддерживать состояние.

Вторым важным компонентом архитектуры является Amazon Kinesis Data Analytics для Apache Flink. Apache Flink — это механизм распределенной потоковой передачи данных с высокой пропускной способностью и малой задержкой, который обеспечивает удобный и простой способ использования API потока данных и поддерживает функции обработки с отслеживанием состояния, создание контрольных точек и параллельную обработку. Это помогает ускорить разработку и предоставляет доступ к низкоуровневым процедурам и компонентам, что позволяет гибко проектировать и реализовывать приложения.

Kinesis Data Analytics обеспечивает базовую инфраструктуру для ваших приложений Apache Flink. Это устраняет необходимость в развертывании и настройке кластера Flink в Amazon Elastic Compute Cloud (Amazon EC2) или Kubernetes, что снижает сложность и затраты на обслуживание.

Третий важный компонент — Amazon SageMaker. Хотя мы использовали SageMaker для построения модели, нам также нужно было принять решение на ранних стадиях проекта: должен ли скоринг быть реализован внутри самого приложения для определения вбрасывания и усложнять реализацию, или должно ли приложение для определения вбрасывания вызывать SageMaker удаленно и пожертвовать некоторой задержкой из-за связи по сети? Чтобы принять обоснованное решение, мы выполнили серию тестов для проверки задержки и масштабируемости SageMaker и подтвердили, что средняя задержка под нагрузкой составляет менее 100 миллисекунд, что соответствует нашим ожиданиям.

Определившись с основными частями высокоуровневой архитектуры, мы начали работать над внутренним дизайном приложения для обнаружения вбрасывания. Вычислительная модель приложения изображена на следующей диаграмме.

Вычислительная модель приложения для обнаружения вбрасывания может быть смоделирована как простой автомат с конечным числом состояний, в котором каждое входящее сообщение переводит систему из одного состояния в другое, одновременно выполняя некоторые вычисления. Приложение поддерживает несколько структур данных для отслеживания следующего:

• Изменения в состоянии игры – Текущий номер периода, состояние и значение игровых часов, а также счет
• Изменения состояния игрока — Если игрок в данный момент находится на льду или на скамейке запасных, текущие координаты на поле и текущая скорость
• Изменения в личной статистике вбрасывания игрока — Коэффициент успеха одного игрока против другого и т. д.

Алгоритм проверяет каждое событие обновления местоположения игрока, чтобы решить, следует ли делать прогноз вбрасывания и следует ли передавать результат вещателям. Принимая во внимание, что местоположение каждого игрока обновляется примерно каждые 80 миллисекунд, а во время игровых пауз игроки перемещаются гораздо медленнее, чем во время игры, можно сделать вывод, что ситуация между двумя обновлениями кардинально не меняется. Если бы приложение вызывало SageMaker для получения прогнозов и отправляло прогнозы вещательным компаниям каждый раз, когда было получено новое событие обновления местоположения и все условия были выполнены, SageMaker и вещательные компании были бы перегружены множеством повторяющихся запросов.

Чтобы избежать всего этого ненужного шума, приложение отслеживает комбинацию параметров, для которых уже были сделаны прогнозы, вместе с результатом прогноза и кэширует их в памяти, чтобы избежать дорогостоящих дублирующих запросов к SageMaker. Кроме того, он отслеживает, какие прогнозы уже были отправлены вещателям, и следит за тем, чтобы отправлялись только новые прогнозы или повторно отправлялись ранее отправленные прогнозы только в случае необходимости. Тестирование показало, что такой подход снижает объем исходящего трафика более чем в 100 раз.

Другой метод оптимизации, который мы использовали, заключался в группировании запросов к SageMaker и их асинхронном параллельном выполнении. Например, если у нас есть четыре новых комбинации параметров вбрасывания, для которых нам нужно получить прогнозы от SageMaker, мы знаем, что каждый запрос займет менее 100 миллисекунд. Если мы будем выполнять каждый запрос синхронно один за другим, общее время ответа будет меньше 400 миллисекунд. Но если мы сгруппируем все четыре запроса, отправим их асинхронно и дождемся результата для всей группы, прежде чем двигаться вперед, мы эффективно распараллелим запросы, и общее время ответа будет меньше 100 миллисекунд, как и для одного запроса.

Резюме

NHL Edge IQ на базе AWS приближает болельщиков к действию благодаря расширенной аналитике и новой статистике машинного обучения. В этом посте мы рассказали о создании и развертывании новой модели вероятности вбрасывания, первой статистики машинного обучения в эфире для НХЛ. Обязательно следите за вероятностями, генерируемыми вероятностью вбрасывания в предстоящих играх НХЛ.

Чтобы найти полные примеры создания настраиваемых заданий обучения для SageMaker, посетите страницу Создание собственной модели с завершенным обучением с помощью SageMaker путем создания пользовательского контейнера. Примеры использования Amazon Kinesis для потоковой передачи см. в разделе Изучение разработки Amazon Kinesis.

Чтобы узнать больше о партнерстве между AWS и НХЛ, посетите страницу NHL Innovates with AWS Cloud Services. Если вы хотите сотрудничать с экспертами, чтобы внедрить решения машинного обучения в свою организацию, обратитесь в лабораторию решений Amazon ML.

Об авторах

Райан Гиллеспи — старший специалист по данным в AWS Professional Services. Он имеет степень магистра Северо-Западного университета и степень магистра делового администрирования Университета Торонто. Имеет опыт работы в розничной торговле и горнодобывающей промышленности.

Яш Шах — научный руководитель в лаборатории решений Amazon ML. Он и его команда ученых-прикладников и инженеров по машинному обучению работают над рядом вариантов использования машинного обучения в здравоохранении, спорте, автомобилестроении и производстве.

Александр Егоров — ведущий архитектор потокового вещания, специализирующийся на технологиях потокового вещания. Он помогает организациям проектировать и создавать платформы для обработки и анализа потоковых данных в режиме реального времени.

Мигель Ромеро Кальво  – ученый-прикладник в Amazon ML Solutions Lab, где он сотрудничает с внутренними командами AWS и стратегическими клиентами, чтобы ускорить их бизнес с помощью машинного обучения и внедрения облачных технологий.

Эрик Мартинес — старший архитектор медиа-приложений с более чем 25-летним опытом работы в области медиа и развлечений. Он имеет опыт во всех аспектах жизненного цикла разработки систем, начиная от обнаружения, сбора требований, проектирования, внедрения, тестирования, развертывания и эксплуатации.

Александр Егоров (Россия): Хорошая или плохая новость для стартапов в России?

Мнение

Александр Егоров, генеральный директор компании «Рексофт», исследует среду для стартапов в России. Прочтите об историях успеха и узнайте, как ситуация изменится в ближайшем будущем.

Александр Егоров

ИДГ Коннект |

Некоторые обозреватели российской ИТ-сцены обеспокоены тем, как изменилась жизнь небольших ИТ- и интернет-стартапов в стране.

Действительно, входной барьер для новых участников рынка в России за последние 20 лет стал намного выше, что автоматически сокращает количество стартапов, которые могут запускаться без значительного финансирования. Это происходит, когда любой рынок начинает созревать. Первые пять сотрудников «Рексофт» стоили в общей сложности $12 000 в год на 19 мая.91, всего за несколько месяцев до распада СССР. В то время в России практически не было спроса на разработчиков программного обеспечения. Чрезвычайно низкая сравнительная стоимость НИОКР во многом способствовала первой волне успеха отечественной ИТ-индустрии, когда безработица среди высококвалифицированных ИТ-специалистов была значительной, а заработная плата была низкой.

Вторая волна началась в 1997-1999 годах, когда в основном иностранные инвесторы стремились отхватить кусок российского рынка программного обеспечения по мере того, как глобальный ИТ-бум набирал силу. За это время «Рексофт» смог выделить некоторые собственные разработки (например, интернет-магазин Ozon.ru и платежную систему Assist.ru) и привлечь первые венчурные деньги для продолжения успешного развития этих проектов. Такой способ финансирования стартапов был практически неизвестен в России в то время.

Внутренний спрос на высококвалифицированных ИТ-специалистов за последнее десятилетие постепенно увеличивался, и сегодня за 12 000 долларов вы получите пятерых инженеров-программистов в месяц, чего недостаточно для создания чего-то значительного. Поскольку конкуренция за лучших работников возросла, особенно ценные сотрудники могут эффективно назначать свои собственные условия по мере увеличения их рыночной стоимости. Рост стоимости жизни в России также сыграл свою роль в повышении цен.

Тем не менее, я верю, что сейчас мы находимся на гребне третьей волны, когда российское правительство обещает огромные субсидии для поддержки отечественных компаний, а такие компании, как Mail.ru, Yandex.ru или Ozon.ru, собирают сотни миллионов долларов в инвестиции с российских и зарубежных фондовых рынков и венчурных фондов.

Следует отметить, что экосистема знаний, которая уже давно существует в таких технологических центрах, как Силиконовая долина, только недавно была формализована для молодежи в России.

С одной стороны, пионеры электронного бизнеса добились первых несомненных успехов без какой-либо связи с традиционными российскими источниками доходов, такими как нефтегазовая, аэрокосмическая или оборонная промышленность, тем самым подав сигнал о том, что способы создания новых великих компаний в страна открыта.

С другой стороны, российскому правительству удалось добиться успеха в некоторых инфраструктурных проектах, направленных на стимулирование инноваций. «Ингрии», одному из ведущих ИТ-бизнес-инкубаторов, основанному Правительством Санкт-Петербурга, всего три года, но его конкурс WebReady, который проводится в этом году уже в третий раз, уже стал местом встречи самых интересных интернет-стартапов из России, Украины. и Прибалтики. Проект «Сколково», возглавляемый федеральным правительством, призван еще больше стимулировать развитие отрасли.

Таким образом, несмотря на то, что финансовые барьеры для входа в ИТ-стартапы, несомненно, выросли, хорошая новость заключается в том, что уровень поддержки этих стартапов также значительно вырос.