CMU und NFL trainieren KI-Modelle zum Verständnis von Football

NFL-Daten trainieren Football-KI

Die NFL hat CMU-Forschern im Rahmen der NFL Forward Initiative Zugang zu offiziellen Spielaufnahmen und den Trackingdaten der Spieler aus den Next Gen Stats gewährt. Das Programm ermöglicht es Unternehmern und Forschern, Technologien für den Wettbewerb, das Training, die Spielerentwicklung und eine größere Reichweite des Sports vorzuschlagen.

An der Zusammenarbeit beteiligt sind Chenyan Xiong, außerordentlicher Professor am Language Technologies Institute der Kenneth C. Griffin School of Computer Science, und Ron Yurko, Direktor des Carnegie Mellon Sports Analytics Center. Für das Projekt erhielten die Forscher mehrere Terabyte an Daten.

Die Next Gen Stats basieren auf Amazon Web Services und stammen aus RFID-Chips, die in Schulterpolstern, Spielausrüstung und dem Ball eingebettet sind. Sie liefern Echtzeit-Standortdaten zu allem, was sich auf dem Spielfeld befindet.

„Wir fühlen uns geehrt, mit einer angesehenen Institution wie CMU zusammenzuarbeiten, während sie Möglichkeiten untersucht, das Spiel effizienter zu machen“, sagte Mike Lopez, Senior Director of Football Data and Analytics bei der NFL, in der Mitteilung der CMU.

Forscher starten mit zwei KI-Systemen

Da die Daten unterschiedliche Informationsarten umfassen, setzen die Forscher Foundation-Modelle ein. CMU beschreibt sie als Deep-Learning-KI-Modelle, die mit großen Datenmengen trainiert wurden. Bevor sie ein System entwickelten, das Video- und Trackingdaten von Spielern kombiniert, erstellten sie zwei vortrainierte Systeme als Bausteine für ein größeres Modell.

Ein System nutzt Spielaufnahmen, das andere Trackingdaten der Spieler. Beide werden darauf trainiert, zu lernen, was in Football-Spielzügen geschieht. Xiong zufolge besteht der erste Schritt darin, dass das Modell Ereignisse auf dem Spielfeld versteht.

Das geplante System könnte anschließend Fragen vor oder nach einem Spielzug untersuchen. Mögliche Aufgaben sind die Vorhersage, ob eine Defense einen Blitz einsetzen wird, das Erkennen eines Wechsels in der Deckung eines Safetys und die Feststellung, ob ein Spielzug bereits zuvor von einem anderen Team ausgeführt wurde.

„Wir wollen herausfinden, ob wir Foundation-Modelle mit den Daten trainieren können, damit sie die Feinheiten der Football-Intelligenz erlernen“, sagte Xiong.

Mögliche Anwendungen reichen von Analyse bis Spielzugsimulation

Football-Trainer und Scouts verbringen traditionell Hunderte oder Tausende Stunden damit, Aufnahmen anzusehen und manuell festzuhalten, was während der Spielzüge passiert ist. Yurko zufolge könnten die Menge an NFL-Videomaterial und aktuelle KI-Modelle eine Automatisierung dieses Prozesses in großem Maßstab ermöglichen.

Das kombinierte Modell könnte laut Xiong künftig simulieren, wie sich ein Spielzug nach bestimmten Ansagen entwickelt, oder taktische Spielzüge auf Grundlage geschätzter Ergebnisse vorschlagen. Die Forscher erklärten, dass für diesen Schritt möglicherweise mehr Daten und Zeit erforderlich sind.

Die Arbeit soll außerdem Fans helfen, Spiele besser zu verstehen. Yurko arbeitete zuvor während des NFL Draft 2026 mit der NFL am NFL IQ AI Chatbot, über den Nutzer Fragen stellen und Antworten vom Modell erhalten konnten.

Für die Liga und ihre Teams könnte das Projekt die Verschlagwortung und Analyse von Spielaufnahmen effizienter machen. Für Zuschauer deutet es auf Werkzeuge hin, die Spielzüge erklären, Formationen vergleichen und möglicherweise vorwegnehmen, was als Nächstes passiert. Die Mitteilung der CMU stellt dies jedoch als Forschungsziele und nicht als fertige Funktionen dar.