Transformer‑Modell entschlüsselt NFL‑Verteidigungsaufgaben – 89 % Genauigkeit

Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz hat ein Transformer‑Modell entwickelt, das die komplexen Verteidigungsaufgaben im American Football präzise vorhersagen kann. Durch die Anwendung einer faktorisierten Aufmerksamkeitsarchitektur auf die umfangreichen Tracking‑Daten von NFL‑Spielen gelingt es, die individuellen Abdeckungsaufgaben der Verteidiger, die Passanten‑Verteidiger‑Matchups und den gezielten Verteidiger für jede Passspielrunde zu bestimmen.

Im Gegensatz zu bisherigen Ansätzen, die sich auf die nachträgliche Klassifizierung von Verteidigungsformationen auf Teamebene beschränken, ermöglicht das neue Modell eine Echtzeit‑Vorhersage der Spielerzuweisungen und der Dynamik der Matchups während des gesamten Spiels. Die Aufteilung der Aufmerksamkeitsmechanismen in zeitliche und agentenbezogene Dimensionen erlaubt eine unabhängige Modellierung der Bewegungsmuster einzelner Spieler sowie ihrer Interaktionen.

Die Trainingsdaten wurden aus zufällig abgeschnittenen Trajektorien generiert, sodass das Modell für jede Bildrate Vorhersagen liefert, die zeigen, wie sich die Verteidigungsaufgaben von der Vor‑Snap‑Phase bis zum Passanfall entwickeln. Die erreichte Genauigkeit liegt bei über 89 % für alle Aufgaben – ein Wert, der noch höher liegen könnte, wenn die Unschärfe in den annotierten Labels berücksichtigt wird.

Darüber hinaus eröffnen die Modelloutputs neue, aussagekräftige Kennzahlen wie die Verdeckungsrate und die Doppelabdeckungsrate. Diese Metriken können nicht nur die Erzählweise von TV‑Übertragungen bereichern, sondern liefern auch wertvolle Einblicke für die strategische Planung von Teams und die Bewertung einzelner Spieler.