CN117256002A - 用于生成人工智能驱动的见解的系统和方法 - Google Patents
用于生成人工智能驱动的见解的系统和方法 Download PDFInfo
- Publication number
- CN117256002A CN117256002A CN202280032199.9A CN202280032199A CN117256002A CN 117256002 A CN117256002 A CN 117256002A CN 202280032199 A CN202280032199 A CN 202280032199A CN 117256002 A CN117256002 A CN 117256002A
- Authority
- CN
- China
- Prior art keywords
- insights
- event data
- computing system
- artificial intelligence
- user interface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 21
- 238000004378 air conditioning Methods 0.000 claims 4
- 230000008520 organization Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013518 transcription Methods 0.000 description 2
- 230000035897 transcription Effects 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
计算系统接收比赛的事件数据。计算系统基于事件数据生成多个人工智能驱动的指标。计算系统基于事件数据和多个人工智能驱动的指标经由一个或多个机器学习模型生成多个见解。计算系统使用一种或多种人工智能技术对多个见解进行排名。计算系统生成包括事件数据和多个见解中的至少一个见解的图形用户界面。计算系统使用户设备显示图形用户界面。
Description
相关申请的交叉引用
本申请要求于2021年5月4日提交的美国临时申请序列号63/201,529的优先权,通过引用将其全部内容并入本文中。
技术领域
本发明总体上涉及一种用于提供赛事信息和人工智能驱动的见解(artificialintelligence driven insights)的体育赛事控制台(sporting event console)及其操作方法。
背景技术
在职业体育中,解说员和平台提供商在向终端用户提供赛事信息和见解方面不断竞争。通常,这种过程是由人类操作员驱动的,他们试图在比赛过程中摄取大量信息,以便向终端用户提供见解。
发明内容
在一些实施例中,本文公开了一种方法。计算系统接收比赛的事件数据。计算系统基于事件数据生成多个人工智能驱动的指标。计算系统基于事件数据和多个人工智能驱动的指标通过一个或多个机器学习模型生成多个见解。计算系统使用一种或多种人工智能技术对多个见解进行排名。计算系统生成包括事件数据和多个见解中的至少一个见解的图形用户界面。计算系统使用户设备显示图形用户界面。
在一些实施例中,本文公开了一种非暂时性计算机可读介质(non-transitorycomputerreadable medium)。非暂时性计算机可读介质包括一个或多个指令序列,当其被处理器执行时,会使计算系统执行操作。这些操作包括由计算系统接收比赛的事件数据。这些操作还包括由计算系统基于事件数据生成多个人工智能驱动的指标。这些操作还包括由计算系统基于事件数据和多个人工智能驱动指标通过一个或多个机器学习模型生成多个见解。这些操作进一步包括由计算系统使用一种或多种人工智能技术对多个见解进行排名。这些操作还包括由计算系统生成包括事件数据和多个见解中的至少一个见解的图形用户界面。这些操作还包括通过计算系统使用户设备显示图形用户界面。
在一些实施例中,本文公开了一种系统。该系统包括处理器和存储器。存储器上存储有编程指令(programming instructions),当其被处理器执行时,使该系统执行操作。这些操作包括接收比赛的事件数据。这些操作还包括基于事件数据生成多个人工智能驱动的指标。这些操作还包括基于事件数据和多个人工智能驱动指标通过一个或多个机器学习模型生成多个见解。这些操作还包括使用一种或多种人工智能技术对多个见解进行排名。这些操作还包括生成包括事件数据和多个见解中的至少一个见解的图形用户界面。这些操作还包括使用户设备显示图形用户界面。
附图简要说明
为了能够详细理解本发明的上述特征,可参考实施例对上面简要概述的本发明进行更具体的说明,其中,部分实施例示出于附图中。然而,需要指出的是,附图仅示出了本发明的典型实施例,因此,不应被认为是对本发明范围的限制,因为本发明可容许其它同等有效的实施例。
图1是根据示例性实施例的计算环境的框图。
图2A示出了根据示例性实施例的示例性图形用户界面。
图2B示出了根据示例性实施例的示例性图形用户界面。
图3A示出了根据示例性实施例的示例性图形用户界面。
图3B示出了根据示例性实施例的示例性图形用户界面。
图4A示出了根据示例性实施例的示例性图形用户界面。
图4B示出了根据示例性实施例的示例性图形用户界面。
图4C示出了根据示例性实施例的示例性图形用户界面。
图5A示出了根据示例性实施例的示例性图形用户界面。
图5B示出了根据示例性实施例的示例性图形用户界面。
图5C示出了根据示例性实施例的示例性图形用户界面。
图5D示出了根据示例性实施例的示例性图形用户界面。
图5E示出了根据示例性实施例的示例性图形用户界面。
图6A是根据示例性实施例的计算设备的框图。
图6B是根据示例性实施例的计算设备的框图。
图7是根据示例性实施例的生成和呈现机器学习生成的见解的方法的流程图。
为了便于理解,在可能的情况下,使用相同的附图标记来表示图中共有的相同元件。可以设想,在一个实施例中公开的元件可有益地用于其他实施例,而无需具体说明。
具体实施方式
本文公开的一种或多种技术涉及一种系统,其基于系统认为内容中最相关/最有趣的部分来生成内容、对内容排名,然后向用户推荐内容。在一些实施例中,这种排名/见解(rankings/insights)可用于对可能的插播广告进行估价或出售实际提供的内容。在一些实施例中,这种排名系统还可用于确定在视频/图像上包括哪些人工智能内容(例如,见解、统计信息等)的可视化或叠加。
虽然本讨论是在足球和篮球的背景下提供的,但本领域技术人员容易理解的是,这种功能可以扩展到其他运动。
图1是根据示例性实施例的计算环境(computing environment)100的框图。计算环境100可包括通过网络105通信的追踪系统(tracking system)102、组织计算系统(organization computing system)104和一个或多个客户端设备(client devices)108。
网络105可以是任何合适的类型,包括通过因特网(Internet)的个人连接(individual connections),例如,蜂窝网络或Wi-Fi网络。在一些实施例中,网络105可使用诸如射频识别(RFID)、近场通信(NFC)、蓝牙TM、低功耗蓝牙TM(BLE)、Wi-FiTM、ZigBeeTM、环境反向散射通信(ambient backscatter communication,ABC)协议、USB、WAN或LAN等直接连接来连接终端(terminals)、服务(services)和移动设备。由于传输的信息可能是个人或机密信息,因此,出于安全考虑,可能需要对这些类型的连接中的一种或多种进行加密或以其他方式进行保护。然而,在一些实施例中,传输的信息可能不那么私人,因此,可出于方便而非安全性来选择网络连接。
网络105可包括用于交换数据或信息的任何类型的计算机联网装置(computernetworking arrangement)。例如,网络105可以是因特网、专用数据网(private datanetwork)、使用公共网络的虚拟专用网(virtual private network)和/或使计算环境100中的组件能够在环境100的组件之间发送和接收信息的其他合适的连接。
追踪系统102可位于场地106中。例如,场地106可被配置为举办包括一个或多个参赛选手(agents)112的体育赛事。追踪系统102可被配置为记录比赛场地上所有参赛选手(即,球员)以及一个或多个其他相关对象(如球、裁判等)的动作。在一些实施例中,追踪系统102可以是使用例如多个固定摄像机的基于光学的系统(optically-based system)。例如,可使用由六个固定的、经过校准的摄像机组成的系统,这些摄像机将球员和球的三维位置投影到球场的二维俯视图上。在一些实施例中,追踪系统102可以是基于无线电的系统(radio-based system),该系统使用例如球员佩戴的或嵌入要追踪的对象中的射频识别(RFID)标签。通常,追踪系统102可被配置为以高帧率(例如,25Hz)进行采样和记录。追踪系统102可被配置为在比赛文件(game file)110中为每一帧至少存储比赛场地上所有球员和对象的球员身份和位置信息(例如,(x,y)位置)。
比赛文件110可用与事件数据相对应的其他事件信息来扩充,例如,但不限于:赛事信息(传球、得分(made shot)、失误(turnover)等)和相关信息(当前比分、剩余时间等)。
追踪系统102可被配置为通过网络105与组织计算系统104通信。组织计算系统104可被配置为管理和分析由追踪系统102捕获的数据。组织计算系统104可至少包括web客户端应用服务器(web client application server)114、预处理代理(pre-processingagent)116、数据存储库(data store)118、一个或多个预测模型(prediction models)120、推荐模块(recommendation module)122和界面模块(interface module)124。预处理代理116、一个或多个预测模型120、推荐模块122和界面模块124中的每一个都可包括一个或多个软件模块。这一个或多个软件模块可以是存储在介质(例如,组织计算系统104的存储器(memory))上的代码或指令的集合,这些代码或指令表示执行一个或多个算法步骤的一系列机器指令(例如,程序代码)。这样的机器指令可以是组织计算系统104的处理器解释以执行这些指令的实际计算机代码,也可以是被解释以获得实际计算机代码的更高级别的指令编码。上述一个或多个软件模块还可包括一个或多个硬件组件。示例算法的一个或多个方面可由硬件组件(例如,电路)本身来执行,而不是作为指令的结果。
数据存储库118可被配置为存储一个或多个比赛文件126。每个比赛文件126可包括空间事件数据(spatial event data)和非空间事件数据(non-spatial event data)。例如,空间事件数据可对应于由追踪系统102从特定比赛或事件中捕获的原始数据。非空间事件数据可对应于描述在特定比赛中发生的事件的一个或多个变量,但没有相关联的空间信息。例如,非空间事件数据可对应于特定比赛中的每个实况报道(play-by-play)事件。在一些实施例中,非空间事件数据可源自空间事件数据。例如,预处理代理116可被配置为对空间事件数据进行解析以获得实况报道信息。在一些实施例中,非空间事件数据可独立于空间事件数据而获得。例如,与组织计算系统相关联的管理员或实体可分析每场比赛以生成此类非空间事件数据。因此,就本申请而言,事件数据可对应于空间事件数据和非空间事件数据。
在一些实施例中,每个比赛文件126还可包括主队和客队的得分表(box scores)。例如,主队和客队的得分表可包括比赛期间各个时间t的球队助攻次数、犯规次数、篮板数(如进攻、防守、总篮板)、抢断次数和失误次数。在一些实施例中,每个比赛文件126可进一步包括球员得分表。例如,球员得分表可包括球员助攻(assists)次数、犯规(fouls)次数、篮板(rebounds)数、投篮出手次数(shot attempts)、得分(points)、罚球出手次数(free-throw attempts)、罚球罚进数(free-throws made)、盖帽数(blocks)、失误(turnovers)数、上场时间(minutes played)、上场时间里球队得分/失分的差值(plus/minus metric)、首发出场次数(game started)等。尽管上述指标是针对篮球运动进行讨论的,但本领域技术人员容易理解的是,具体指标可根据运动项目的不同而发生变化。例如,在足球比赛中,主队和客队的得分表可包括射门企图(shot attempts)、助攻(assists)、传中(crosses)、射门次数(shots)等。
预处理代理116可被配置为处理从数据存储库118检索的数据。例如,预处理代理116可被配置为生成可用于训练一个或多个预测模型120的一个或多个信息集合。
预测模型120可代表与组织计算系统104相关联的实体所使用的一个或多个预测模型。例如,预测模型120可代表目前可从总部位于伊利诺伊州(Illinois)芝加哥(Chicago)的Perform获得的一个或多个预测模型和/或软件工具。在一些实施例中,预测模型120可代表与AutoSTATS人工智能平台(AutoSTATS artificial intelligenceplatform)相关联的一个或多个预测模型,其可从/>Perform商购获得。在一些实施例中,预测模型120可代表一个或多个预测模型。
在一些实施例中,预测模型120可包括被配置为对防守行为及其对进攻行为的影响进行准确建模的预测引擎(prediction engines),例如美国申请序列号17/649,970中公开的预测模型,在此通过引用将该申请的全部内容并入本文中。
在一些实施例中,预测模型120可包括被配置为对球队的比赛风格或球员的比赛风格(playing style)进行准确建模或进行准确分类的预测模型,例如美国申请序列号16/870,170中公开的预测模型,在此通过引用将该申请的全部内容并入本文中。
在一些实施例中,预测模型120可包括被配置为对球队的进攻或防守阵型(offensive or defensive alignment)进行准确建模的预测模型,例如美国申请序列号16/254,128中公开的预测模型,在此通过引用将该申请的全部内容并入本文中。
在一些实施例中,预测模型120可包括被配置为对球队阵型(team’s formation)进行准确建模的预测模型,例如美国申请序列号17/303,361中公开的预测模型,在此通过引用将该申请的全部内容并入本文中。
在一些实施例中,预测模型120可包括被配置为生成体育运动中的宏观预测(macro predictions)和/或微观预测(micro predictions)的预测模型,例如美国申请序列号17/651,960中公开的预测模型,在此通过引用将该申请的全部内容并入本文中。例如,一个或多个模型被配置为生成宏观预测,例如,但不限于:赛季模拟(season simulation)或锦标赛模拟(tournament simulation)(即预测赛季/锦标赛的结果)。例如,一个或多个模型被配置为生成微观预测,例如,但不限于:实时获胜概率(live-win-probability)、最终比分预测(和/或最终分差和总得分(final spread and score totals))、4th-Down-Bot/Go-For-two(如美国足球)、球员和球队prop预测(如射门次数、进球次数、传球次数等)。
在一些实施例中,预测模型120可包括被配置为准确预测赛事或比赛结果的预测模型,例如在美国申请序列号16/254,108中公开的预测模型,在此通过引用将该专利申请的全部内容并入本文中。
在一些实施例中,预测模型120可包括被配置为准确预测赛事或比赛结果的预测模型,例如美国申请序列号16/254,088中公开的预测模型,在此通过引用将该申请的全部内容并入本文中。
在一些实施例中,预测模型120可包括被配置为准确生成比赛见解(in-gameinsights)的预测模型,例如在美国申请序列号17/653,394中公开的预测模型,在此通过引用将该申请的全部内容并入本文中。
在一些实施例中,一个或多个预测模型120可包括,但不限于:接球手模型(receiver model)、比赛风格模型(playing style model)、实时获胜预测模型(live-winprediction model)、攻守转换模型(transition model)、危险模型(danger model)、守门员模型(goal-keeper model)等。例如,一个或多个预测模型120可包括被配置为生成质量或执行指标的预测模型,这些质量或执行指标例如是但不限于:进球预期值(expectedgoal value)、预期传球价值(expectedpass value)、控球价值(possession value)和危险动作检测(dangerous play detection)。在另一示例中,一个或多个预测模型120可包括被配置为生成事件检测(event detection)或语义检测(semantic detection)的预测模型,例如,但不限于:足球中的阵型变化(formation change)或防守反击(counter-attack)检测。更一般地说,预测模型120可用于基于事件数据(event data)生成一个或多个AI指标(AI metrics)。
使用这一个或多个AI指标,预测模型120可被配置为生成关于比赛的多个见解。一示例性见解可包括一球员或球队相对于职业生涯/赛季/锦标赛等表现超出预期/表现不佳的陈述。另一示例性见解可包括确认球队级连胜负(例如,得分、失误、篮板、盖帽、一攻(first downs)、命中(hits)、双(doubles)、进球(goals)、助攻等)和球员级连胜负(例如,得分、失误、抢断(steals)、助攻、篮板(进攻/防守)、接球(catches)、擒杀(sacks)、命中(hits)等)的陈述。
推荐模块122可被配置为使用一种或多种机器学习技术(machine learningtechnique)生成相关性指标(relevance metrics),以对见解的重要性进行排名。例如,推荐模块122可使用球队和球员微观预测(例如,获胜概率、球队和球员props、进球预期值、控球价值等)以及球队和球员宏观预测(例如,赛季模拟输出(season simulationoutputs)),从球队赢得比赛、整个赛季的重要性以及球员个人在比赛和赛季中的贡献等方面对见解的重要性进行排名。在一些实施例中,推荐模块122可利用上述一个或多个AI指标生成排名。在一些实施例中,推荐模块122可利用排名功能向用户推荐要推送的内容。
在一些实施例中,对见解的排名可包括基于内容的过滤方法。例如,推荐模块122可利用相关性度量(relevance measures)和基于规则的系统(rule-based system)的组合来对内容进行排名。
在一些实施例中,对见解的排名可包括协同过滤方法(collaborative filteringapproach),例如,基于用户的反馈(user-based feedback)。例如,用户可在训练阶段喜欢或标记他们想要利用哪些内容。在测试阶段期间,推荐模块122可应用学习到的预测器(predictor)来向用户推荐内容。在一些实施例中,为了学习预测器,输入特征可以是比赛信息以及生成的相关性指标。然后,推荐模块122可使用监督学习技术(supervisedlearning technique,如非负矩阵分解(Non-Negative Matrix Factorization)和分类器(classifier)、深度学习模型(deep learning model)、wide and deep模型等)。
在一些实施例中,对见解的排名可包括用户生成的规则(user-generated rule,例如,THUUZTMsmart Ratings)。
在一些实施例中,除了对见解的排名之外,推荐模块122还可用于生成新的见解组合。
在一些实施例中,除了对见解的排名之外,推荐模块122还可用于对见解的价值进行定价,用于下游购买。
界面模块124可被配置为生成一个或多个界面,用于向用户呈现各种见解。在一些实施例中,界面模块124可生成实时比赛控制台(live match console),该实时比赛控制台将追踪和事件数据、见解和图形(graphics)聚合到为体育运动制作人(sports producer)、评论员、研究员/统计员、网站编辑、社交媒体经理等设计的单个界面上。利用推荐模块122,界面模块124可进一步向用户提供建议内容的实时(或近实时)内容流。在一些实施例中,界面模块124还可进一步包括聊天功能。例如,界面模块124可利用智能助手或真人助手来补充实时直播。
界面模块124可被进一步配置为生成视频门户(video portal)。视频门户可包括跨越几个赛季的比赛的视频内容和其他跨体育运动的相关联内容。在一些实施例中,这样的视频门户可支持例如用于搜索、推荐和提醒的AI特征(AI features)。在一些实施例中,这样的视频门户可支持视频编辑和社交媒体发布等功能。在一些实施例中,这样的视频门户可支持叠加数据图形(overlay data graphics)。在一些实施例中,这样的视频门户可支持例如视频片段(video clips)的购买。例如,视频门户可支持视频片段的非同质化代币(non-fungible tokens,NFT)。
客户端设备108可通过网络105与组织计算系统104通信。客户端设备108可由用户操作。例如,客户端设备108可以是移动设备、平板电脑、台式电脑或任何具有本文所述功能的计算系统。用户可包括,但不限于:与组织计算系统104相关联的实体的订阅者(subscribers)、客户(clients)、潜在客户或顾客(customers)等个人,如已经、将要或可从与组织计算系统104相关联的实体获得产品、服务或咨询的个人。
客户端设备108可至少包括应用程序138。应用程序138可代表允许访问网站的web浏览器或独立应用程序。客户端设备108可访问应用程序138以访问组织计算系统104的一个或多个功能。客户端设备108可通过网络105进行通信,以例如从组织计算系统104的web客户端应用服务器114请求网页。例如,客户端设备108可被配置为执行应用程序138以访问由组织计算系统104生成的各种门户和/或界面。
图2A示出了根据示例性实施例的示例性图形用户界面(GUI)200。如图所示,GUI200提供了一平台或门户,用于向终端用户提供数据、见解、视频、新闻和/或图形(graphics)。例如,通过GUI 200,用户可以从跨越各种日期范围的各种联赛中选择一场比赛。
图2B示出了根据示例性实施例的示例性图形用户界面(GUI)250。如图所示,GUI250提供了一平台或门户,用于向终端用户提供数据、见解、视频、新闻和/或图形。例如,通过GUI 250,用户可以查看有关特定比赛的详细信息,例如,但不限于:生成的见解以及最新的比赛或事件数据。
图3A示出了根据示例性实施例的示例性图形用户界面(GUI)300。如图所示,GUI300提供了一平台或门户,用于向终端用户提供数据、见解、视频、新闻和/或图形。例如,通过GUI 300,用户可以查看有关特定比赛的详细信息,例如,但不限于:生成的见解以及最新的比赛或事件数据。
GUI 300可包括一个或多个图形元素(graphical elements)。在一些实施例中,GUI 300可包括图形元素302。图形元素302可对应于第一生成指标(first generatedmetric)。例如,如图所示,图形元素302可对应于由一个或多个预测模型120生成的预期进球数指标(expected goals metric)。
在一些实施例中,GUI 300可包括内容流304。内容流304可提供实时(或近实时)自动内容流。如图所示,内容流304可包括一个或多个图形元素。在一些实施例中,内容流304可包括多个图形元素306。每个图形元素306可对应一实时生成的见解。在一些实施例中,每个见解都是在赛事进行时实时或近实时生成的。在一些实施例中,可在赛事或比赛结束后生成见解,以提供总结或赛后见解。在一些实施例中,每个见解可包括与之相关联的各种数据。例如,内容流304可包括图形元素308。图形元素308可提供由一个或多个预测模型120生成的与比赛的当前状态相关联的实时获胜概率。
在一些实施例中,GUI 300可支持交互式功能(interactive functionality)。例如,如图所示,每个生成的见解可包括与其相关联的一个或多个图形元素310-314。图形元素310可对应于“赞”按钮,该按钮可用于创建反馈回路并可实现用户内容个性化。图形元素312可对应于发布选项,用户可通过该选项将见解发布到社交媒体平台和/或第三方广播图形软件(third-party broadcast graphics software)。图形元素314可对应一下载按钮。该下载按钮允许用户在离线时访问报告、评论员笔记或其他见解。
在一些实施例中,GUI 300可进一步包括图形元素316。图形元素316可允许用户访问助手功能。在一些实施例中,助手可以是智能助手。在一些实施例中,助手可以是另一用户或坐在计算终端的管理员。
图3B示出了根据示例性实施例的示例性图形用户界面(GUI)350。如图所示,GUI350提供了一平台或门户,用于向终端用户提供数据、见解、视频、新闻和/或图形。例如,通过GUI 350,用户可以查看有关特定比赛的详细信息,例如,但不限于:生成的见解以及最新的比赛或事件数据。如图所示,GUI 350可以是上面图3A所示GUI 300的延续,具有额外的生成的见解。
如图所示,GUI 350可包括内容流304中的图形元素352。图形元素352可对应于由第三方系统生成的图形,如OPTAGraphics。这种功能可允许客户将见解和图形发布到社交媒体上。
图4A示出了根据示例性实施例的示例性图形用户界面(GUI)400。GUI 400可对应于在用户选择对应于通过社交媒体平台发布见解的图形元素312之后的示例性社交媒体帖子(social media post)。如图所示,GUI 400可对应于在Twitter上发布的推文(tweet)。GUI 400可包括图形元素402。图形元素402可对应于由一个或多个预测模型120生成的见解。
图4B示出了根据示例性实施例的示例性图形用户界面(GUI)430。GUI 430可对应于在用户选择对应于通过社交媒体平台发布见解的图形元素312之后与第三方广播软件的示例性集成。如图所示,GUI 430可对应于上述GUI 300和GUI 350中所示的比赛的广播或点播馈送(on-demand feed)。广播或点播馈送可包括图形元素432。图形元素432可对应于由一个或多个预测模型120生成并嵌入到比赛的一个或多个视频帧中的见解。
图4C示出了根据示例性实施例的示例性图形用户界面(GUI)460。GUI 460可对应于在用户选择对应于通过社交媒体平台发布见解的图形元素312之后与第三方广播软件的示例性集成。如图所示,GUI 460可对应于上述GUI 300和GUI350中所示的比赛的广播或点播馈送。广播或点播馈送可包括图形元素462。图形元素462可对应于由一个或多个预测模型120生成并嵌入到比赛的一个或多个视频帧中的见解。
图5A示出了根据示例性实施例的示例性图形用户界面(GUI)500。GUI 500可对应于由界面模块124生成的视频门户(例如,PressBox Video)。GUI 500可以是一门户的示例,用户可以通过它访问和购买与组织计算系统104相关联的内容。在一些实施例中,用户可直接从平台进行编辑和发布。
图5B示出了根据示例性实施例的示例性图形用户界面(GUI)520。GUI 520可对应于由界面模块124生成的视频门户(例如,PressBox Video)。GUI 520是一门户的示例,用户可以通过它访问和购买与组织计算系统104相关联的内容。GUI 520可对应于在接收到通过上述GUI 500进行搜索查询后的GUI。如图所示,GUI 520可包括一个或多个图形元素522。每个图形元素522可对应于满足搜索查询的视频。在一些实施例中,GUI 520可包括图形元素524。图形元素524可允许用户打开与自动提醒新的客户相关内容有关的功能。换句话说,一旦存在满足用户查询的新视频或片段(clip),就可通知(例如,推送通知、短信、电子邮件等)用户有新片段可用。
图5C示出了根据示例性实施例的示例性图形用户界面(GUI)540。GUI 540可对应于由界面模块124生成的视频编辑页面(video editing page)。例如,当用户选择一视频或片段(如GUI 500和GUI 520中所示的视频或片段)时,可向用户提供视频编辑页面。通过GUI520,可向用户呈现视频编辑和字幕工具,这些工具可允许用户直接从视频门户对视频进行标记(brand)、翻译、裁剪和发布。
图5D示出了根据示例性实施例的示例性图形用户界面(GUI)560。GUI 560可对应于由界面模块124生成的视频门户的信用购买页面(creditpurchase page)。GUI 560可代表新用户购买片段的自助工具(self-service tool)。
图5E示出了根据示例性实施例的示例性图形用户界面(GUI)580。GUI 580可对应于由界面模块124生成的视频或片段购买页面。例如,当用户选择要购买的视频或片段(如GUI 500和GUI 520中所示的视频或片段)时,可向用户提供视频或片段购买页面。通过GUI580,可向用户提供关于视频或片段的信息,以及以各种格式购买视频或片段的选项。在一些实施例中,可向用户提供AI驱动的字幕(AI-driven subtitles)和多种语言的转录(transcription in multiple languages)选项。
图7是根据示例性实施例的生成和呈现机器学习生成的见解(machine learninggenerated insight)的方法700的流程图。方法700可从步骤702开始。
在步骤702,组织计算系统104可接收比赛的事件数据。在一些实施例中,事件数据可包括,但不限于:赛事信息(传球、得分(made shot)、失误等)和上下文信息(contextinformation)(当前比分、剩余时间等)。在一些实施例中,事件数据可包括空间事件数据和非空间事件数据。例如,空间事件数据可对应于由追踪系统102从特定比赛或事件中捕获的原始数据。非空间事件数据可对应于描述在特定比赛中发生的事件的一个或多个变量,但没有相关联的空间信息。例如,非空间事件数据可对应于特定比赛中的每个实况报道(play-by-play)事件。在一些实施例中,非空间事件数据可源自空间事件数据。例如,预处理代理116可被配置为对空间事件数据进行解析以导出实况报道信息。在一些实施例中,可独立于空间事件数据获得非空间事件数据。例如,与组织计算系统相关联的管理员或实体可分析每场比赛以生成此类非空间事件数据。因此,就本申请而言,事件数据可对应于空间事件数据和非空间事件数据。
在步骤704,组织计算系统104可基于事件数据生成多个人工智能驱动的指标。例如,可训练预测模型120以基于事件数据生成多个人工智能驱动的指标。
在步骤706,组织计算系统104可基于人工智能驱动的指标生成多个见解。例如,预测模型120可基于事件数据和多个人工智能驱动的指标,通过一个或多个机器学习模型生成多个见解。一示例性见解可包括球员或球队相对于职业生涯/赛季/锦标赛等表现超出预期/表现不佳的陈述。另一示例性见解可包括确认球队级连胜负(例如,得分、失误、篮板、盖帽、一攻、命中、双、进球、助攻等)和球员级连胜负(例如,得分、失误、抢断、助攻、篮板(进攻/防守)、接球、擒杀、命中等)的陈述。
在步骤708,组织计算系统104可使用一种或多种人工智能技术对多个见解进行排名。例如,推荐模块122可使用球队和球员微观预测(例如,获胜概率、球队和球员props、进球预期值、控球价值等)以及球队和球员宏观预测(例如,赛季模拟输出),从球队赢得比赛、整个赛季的重要性以及球员个人在比赛和赛季中的贡献等方面对见解的重要性进行排名。在一些实施例中,推荐模块122可利用一个或多个AI指标生成排名。在一些实施例中,推荐模块122可利用排名功能向用户推荐要推送的内容。
在一些实施例中,对见解的排名可包括基于内容的过滤方法。例如,推荐模块122可利用相关性度量和基于规则的系统的组合来对内容进行排名。
在一些实施例中,对见解的排名可包括协同过滤方法(collaborative filteringapproach),例如,基于用户的反馈。例如,用户可在训练阶段喜欢或标记他们想要利用哪些内容。在测试阶段期间,推荐模块122可应用学习到的预测器(predictor)来向用户推荐内容。在一些实施例中,为了学习预测器,输入特征可以是比赛信息以及生成的相关性指标。然后,推荐模块122可使用监督学习技术(supervised learning technique,如非负矩阵分解(Non-Negative Matrix Factorization)和分类器(classifier)、深度学习模型(deeplearning model)、wide and deep模型等)。
在一些实施例中,对见解的排名可包括用户生成的规则(例如,THUUZTM smartRatings)。
在步骤710,组织计算系统104可生成图形用户界面,其中包括事件数据和多个见解中的至少一个见解。例如,界面模块124可生成图形用户界面,其包括聚合的追踪和事件数据以及多个见解中的至少一个见解。
在步骤712,组织计算系统104可使客户端设备显示图形用户界面。例如,组织计算系统104可将图形用户界面提供给客户端设备108以通过应用程序138显示。
图6A示出了根据示例性实施例的计算系统600的系统总线架构(system busarchitecture)。系统600可代表组织计算系统104的至少一部分。系统600的一个或多个组件可使用总线605相互电气通信。系统600可包括处理单元(CPU或处理器)610和系统总线(system bus)605,系统总线605将包括系统存储器615(例如,只读存储器(ROM)620和随机存取存储器(RAM)625)在内的各种系统组件耦接至处理器610。系统600可包括与处理器610直接连接、靠近处理器610或集成为处理器610的一部分的高速存储器的缓存(cache)。系统600可将数据从存储器615和/或存储设备630复制到缓存612以供处理器610快速访问。通过这种方式,缓存612可提供性能提升,避免处理器610在等待数据时出现延迟。这些模块和其他模块可控制或被配置为控制处理器610执行各种动作。其他系统存储器615也可以用于使用。存储器615可包括多种不同类型的具有不同性能特征的存储器。处理器610可包括任何通用处理器和硬件模块或软件模块,例如,存储在存储设备630中的服务1632、服务2634和服务3636,它们被配置为控制处理器610以及将软件指令结合到实际处理器设计中的专用处理器。处理器610基本上可以是完全独立的计算系统,包含多个内核(cores)或处理器、总线、内存控制器(memory controller)、缓存等。多核处理器(multi-core processor)可以是对称的,也可以是不对称的。
为了能够实现用户与计算系统600的交互,输入设备645可代表任意数量的输入机构,例如,用于语音的麦克风、用于手势或图形输入的触摸屏、键盘、鼠标、动作输入(motioninput)、语音等。输出设备635也可以是本领域技术人员已知的多种输出机构中的一种或多种。在某些情况下,多模态系统(multimodal systems)可使用户能够提供多种类型的输入来与计算系统600通信。通信接口640通常可控制和管理用户输入和系统输出。对在任何特定硬件配置上运行没有限制,因此,随着硬件或固件配置的开发,这里的基本特征可以很容易地被改进的硬件或固件配置取代。
存储设备630可以是非易失性存储器,也可以是硬盘或其他类型的计算机可读介质,其可存储计算机可访问的数据,例如,磁带盒(magnetic cassettes)、闪存卡(flashmemory cards)、固态存储设备(solid state memory devices)、数字多功能光盘(digitalversatiledisk)、盒式磁带(cartridges)、随机存取存储器(RAM)625、只读存储器(ROM)620以及它们的混合体。
存储设备630可包括用于控制处理器610的服务632、634和636。还可考虑其他硬件或软件模块。存储设备630可连接到系统总线605。在一个方面,执行特定功能的硬件模块可包括存储在计算机可读介质中的软件组件,该软件组件与必要的硬件组件(例如,处理器610、总线605、输出设备635(例如,显示器)等)连接以执行该功能。
图6B示出了具有芯片组架构(chipset architecture)的计算机系统650,其可代表组织计算系统104的至少一部分。计算机系统650可以是可用于实现所公开的技术的计算机硬件、软件和固件的示例。系统650可包括处理器655,其代表能够执行被配置为执行所识别的计算的软件、固件和硬件的任意数量的物理和/或逻辑上不同的资源。处理器655可与芯片组660通信,芯片组660可控制处理器655的输入和输出。在本示例中,芯片组660将信息输出到输出665(例如,显示器),并可将信息读写到存储设备670,存储设备670可例如包括磁性介质(magnetic media)和固态介质(solid state media)。芯片组660还可从存储设备675(例如,RAM)读取数据并将数据写入存储设备675。可提供用于与各种用户界面组件685接合的网桥(bridge)680,以与芯片组660接合。这些用户界面组件685可包括键盘、麦克风、触摸检测和处理电路(touch detection and processing circuitry)、定点设备(pointing device)(如鼠标)等。一般来说,对系统650的输入可来自机器生成的和/或人工生成的各种来源中的任何一个。
芯片组660还可与一个或多个通信接口690接合,这些通信接口690可具有不同的物理接口。这样的通信接口可包括用于有线和无线局域网、宽带无线网络以及个人区域网络的接口。本文公开的用于生成、显示和使用GUI的方法的一些应用可包括通过物理接口接收有序数据集,或由机器本身通过处理器655分析存储在存储设备670或存储设备675中的数据来生成。此外,机器可通过用户界面组件685接收来自用户的输入,并通过使用处理器655解释这些输入来执行适当的功能,例如,浏览功能。
可以理解的是,示例系统600和650可具有一个以上的处理器610,或者是联网在一起的计算设备组或集群的一部分,以提供更大的处理能力。
虽然上述内容涉及本文所述的实施例,但在不脱离其基本范围的情况下,还可以设计其他和进一步的实施例。例如,本公开的各个方面可通过硬件或软件或硬件和软件的组合来实现。本文所述的一个实施例可被实现为与计算机系统一起使用的程序产品。程序产品的程序定义了本发明实施例(包括本文所述的方法)的功能,并可包含在各种计算机可读存储介质上。示例性计算机可读存储介质包括,但不限于:(i)其上永久存储信息的不可写存储介质(non-writable storage media)(例如,计算机内的只读存储器(ROM)设备,如CD-ROM驱动器可读取的CD-ROM磁盘、闪存、ROM芯片或任何类型的固态非易失性存储器);以及(ii)其上存储可更改信息(alterable information)的可写存储介质(writablestorage media)(例如,软盘驱动器或硬盘驱动器内的软盘或任何类型的固态随机存取存储器)。这种计算机可读存储介质在携带指导所公开实施例功能的计算机可读指令时,就是本公开的实施例。
本领域技术人员可以理解的是,前面的示例是示例性的,而不是限制性的。应该注意的是,在阅读本说明书和研究附图之后,对这些示例所作的所有置换、增强、等同物和改进对于本领域技术人员而言都是明显的,都包含在本公开的真正精神和范围内。因此,所附权利要求包括落入这些教导的真正精神和范围内的所有此类修改、置换和等同物。
Claims (20)
1.一种方法,其特征在于,其包括:
由计算系统接收比赛的事件数据;
由所述计算系统基于所述事件数据生成多个人工智能驱动的指标;
由所述计算系统基于所述事件数据和所述多个人工智能驱动的指标经由一个或多个机器学习模型生成多个见解;
由所述计算系统使用一种或多种人工智能技术对所述多个见解进行排名;
由所述计算系统生成图形用户界面,所述图形用户界面包括所述事件数据和所述多个见解中的至少一个见解;及
通过所述计算系统使用户设备显示所述图形用户界面。
2.根据权利要求1所述的方法,其特征在于,其还包括:
由所述计算系统基于所生成的多个见解和所述多个见解的排名来生成见解的组合。
3.根据权利要求1所述的方法,其特征在于,其还包括:
由所述计算系统对所述多个生成的见解中的每个见解进行定价。
4.根据权利要求1所述的方法,其特征在于,所述事件数据包括所述比赛内的运动员的(x,y)坐标和所述比赛的上下文数据。
5.根据权利要求1所述的方法,其特征在于,由所述计算系统使用所述一种或多种人工智能技术对所述多个见解进行排名包括:
基于所学习的终端用户的偏好对所述多个见解进行排名。
6.根据权利要求1所述的方法,其特征在于,由所述计算系统生成包括所述事件数据和所述多个见解中的至少一个见解的所述图形用户界面包括:
将所述多个见解中的所述至少一个见解嵌入所述事件数据内以为所述事件数据提供上下文。
7.根据权利要求1所述的方法,其特征在于,所述图形用户界面对应于包括所述事件数据和所述至少一个见解的社交媒体帖子。
8.一种非暂时性计算机可读介质,其包括一个或多个指令序列,所述指令序列在由处理器执行时使计算系统执行一个或多个操作,所述一个或多个操作包括:
由所述计算系统接收比赛的事件数据;
由所述计算系统基于所述事件数据生成多个人工智能驱动的指标;
由所述计算系统基于所述事件数据和所述多个人工智能驱动的指标经由一个或多个机器学习模型生成多个见解;
由所述计算系统使用一种或多种人工智能技术对所述多个见解进行排名;
由所述计算系统生成图形用户界面,所述图形用户界面包括所述事件数据和所述多个见解中的至少一个见解;及
通过所述计算系统使用户设备显示所述图形用户界面。
9.根据权利要求8所述的非暂时性计算机可读介质,其特征在于,其还包括:
由所述计算系统基于所生成的多个见解和所述多个见解的排名来生成见解的组合。
10.根据权利要求8所述的非暂时性计算机可读介质,其特征在于,其还包括:
由所述计算系统对所述多个生成的见解中的每个见解进行定价。
11.根据权利要求8所述的非暂时性计算机可读介质,其特征在于,所述事件数据包括所述比赛内的运动员的(x,y)坐标和比赛上下文数据。
12.根据权利要求8所述的非暂时性计算机可读介质,其特征在于,由所述计算系统使用所述一种或多种人工智能技术对所述多个见解进行排名包括:
基于所学习的终端用户的偏好对所述多个见解进行排名。
13.根据权利要求8所述的非暂时性计算机可读介质,其特征在于,由所述计算系统生成包括所述事件数据和所述多个见解中的至少一个见解的所述图形用户界面包括:
将所述多个见解中的所述至少一个见解嵌入所述事件数据内以为所述事件数据提供上下文。
14.根据权利要求8所述的非暂时性计算机可读介质,其特征在于,所述图形用户界面对应于包括所述事件数据和所述至少一个见解的社交媒体帖子。
15.一种系统,其特征在于,其包括:
处理器;及
存储器,其上存储有编程指令,当由所述处理器执行时,所述编程指令使所述系统执行多个操作,所述多个操作包括:
接收比赛的事件数据;
基于所述事件数据生成多个人工智能驱动的指标;
基于所述事件数据和所述多个人工智能驱动的指标经由一个或多个机器学习模型生成多个见解;
使用一种或多种人工智能技术对所述多个见解进行排名;
生成包括所述事件数据和所述多个见解中的至少一个见解的图形用户界面;及
使用户设备显示所述图形用户界面。
16.根据权利要求15所述的系统,其特征在于,所述多个操作还包括:
基于所生成的多个见解和所述多个见解的排名来生成见解的组合。
17.根据权利要求15所述的系统,其特征在于,所述多个操作还包括:
对所述多个生成的见解中的每个见解进行定价。
18.根据权利要求15所述的系统,其特征在于,使用所述一种或多种人工智能技术对所述多个见解进行排名包括:
基于所学习的终端用户的偏好对所述多个见解进行排名。
19.根据权利要求15所述的系统,其特征在于,生成包括所述事件数据和所述多个见解中的至少一个见解的所述图形用户界面包括:
将所述多个见解中的所述至少一个见解嵌入所述事件数据内以为所述事件数据提供上下文。
20.根据权利要求15所述的系统,其特征在于,所述图形用户界面对应于包括所述事件数据和所述至少一个见解的社交媒体帖子。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163201529P | 2021-05-04 | 2021-05-04 | |
US63/201,529 | 2021-05-04 | ||
PCT/US2022/027677 WO2022235803A1 (en) | 2021-05-04 | 2022-05-04 | System and method for generating artificial intelligence driven insights |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117256002A true CN117256002A (zh) | 2023-12-19 |
Family
ID=83900495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280032199.9A Pending CN117256002A (zh) | 2021-05-04 | 2022-05-04 | 用于生成人工智能驱动的见解的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220358405A1 (zh) |
EP (1) | EP4334839A1 (zh) |
CN (1) | CN117256002A (zh) |
WO (1) | WO2022235803A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11829705B1 (en) * | 2022-09-21 | 2023-11-28 | Adobe Inc. | Facilitating generation and presentation of advanced insights |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8489510B1 (en) * | 2007-12-05 | 2013-07-16 | At&T Intellectual Property I, L.P. | Barter for rights |
US10521671B2 (en) * | 2014-02-28 | 2019-12-31 | Second Spectrum, Inc. | Methods and systems of spatiotemporal pattern recognition for video content development |
US11120271B2 (en) * | 2014-02-28 | 2021-09-14 | Second Spectrum, Inc. | Data processing systems and methods for enhanced augmentation of interactive video content |
-
2022
- 2022-05-04 US US17/662,044 patent/US20220358405A1/en active Pending
- 2022-05-04 EP EP22799510.7A patent/EP4334839A1/en active Pending
- 2022-05-04 CN CN202280032199.9A patent/CN117256002A/zh active Pending
- 2022-05-04 WO PCT/US2022/027677 patent/WO2022235803A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022235803A1 (en) | 2022-11-10 |
EP4334839A1 (en) | 2024-03-13 |
US20220358405A1 (en) | 2022-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230191229A1 (en) | Method and System for Interactive, Interpretable, and Improved Match and Player Performance Predictions in Team Sports | |
US10417500B2 (en) | System and method for automatic generation of sports media highlights | |
EP3473016B1 (en) | Method and system for automatically producing video highlights | |
CN110012356A (zh) | 视频推荐方法、装置和设备及计算机存储介质 | |
US20220270004A1 (en) | Micro-Level and Macro-Level Predictions in Sports | |
WO2016004584A1 (en) | Method and system for providing a personalized snippet | |
EP4104110A1 (en) | Dynamically predicting shot type using a personalized deep neural network | |
CN116848561A (zh) | 用于生成赛中见解的方法及系统 | |
CN113544697A (zh) | 用数据和身体姿态分析运动表现以对表现进行个性化预测 | |
CN117256002A (zh) | 用于生成人工智能驱动的见解的系统和方法 | |
US11918897B2 (en) | System and method for individual player and team simulation | |
Lord et al. | Identifying and analysing game styles and factors influencing a team’s strategy in field hockey | |
US20220355182A1 (en) | Live Prediction of Player Performances in Tennis | |
US20240066355A1 (en) | Live Tournament Predictions in Tennis | |
US20230394728A1 (en) | Data Sticker Generation for Sports | |
US20220343253A1 (en) | Virtual Coaching System | |
US20230106936A1 (en) | Interactive Gaming in Sports | |
US20230104313A1 (en) | Recommendation Engine for Combining Images and Graphics of Sports Content based on Artificial Intelligence Generated Game Metrics | |
US20230027077A1 (en) | Real Time Feedback and Recommendations on Market Selections | |
CN117858744A (zh) | 用于生成体育运动中个别选手表现的每日更新评级的系统和方法 | |
CN117980042A (zh) | 网球锦标赛实时预测 | |
WO2022231588A1 (en) | Systems and methods for identification and automation of gaming competition reporting and integrity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |