对峙可能是冰球比赛中最关键的时刻之一。获胜的玩家可以为他们的团队带来动力，并直接影响游戏的结果。
想象一下，在一场势均力敌的比赛的第三节后半段，两个冰球运动员面对面地站在冰上，等着冰球落下。每个人都在猜测谁会第一个拿到冰球。但直到现在，还没有人有一个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)和亚马逊网络服务(AWS)开发了Face-off Probability，它使用人工智能向分析师、球迷和球队提供实时的对峙预测。这是一项重大的技术发展，因为这是AWS的第一个概率统计数据，它将在比赛开始前被直播，而不是在比赛发生时被直播。
在比赛中断期间，“对峙概率”会根据冰上的球员、对峙的位置和当前的比赛情况来预测谁将赢得即将到来的对峙。预测在不到一秒的时间内发生，并在比赛暂停期间产生，直到比赛时钟重新开始运行。
致力于应对实时对决预测挑战的团队必须从零开始构建这个剧本。但考虑到AWS在为体育运动构建数据驱动解决方案方面的记录，以及与NHL的深度技术合作，AWS在生成解决方案方面具有独特的地位拍摄并保存分析在2021年。
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，可以主动评估面对面的比赛并预测获胜者，这是一个重大的技术挑战。
NHL和AWS使用了球员、冰球和跟踪(PPT)数据，以及来自NHL冰球信息和跟踪系统(HITS) 10多年历史统计数据的数十万次对峙。这个数据源非常多样和复杂。它需要整合个人历史主客场对决数据等信息;正面交锋历史;玩家特征，如身高、体重和惯用手;以及比赛环境，如对峙的地点，比赛得分，对峙发生的时间。
这种历史成功率、玩家对位特征和游戏背景的结合，将HITS和PPT数据结合在一起，提供了一个完整而独特的对峙动态视角。
调整新的面对面的比赛
对峙概率也很灵活，根据游戏情况的变化调整预测。例如，如果一名球员因违规而被取消比赛，模型会根据来自溜冰场和附在球员身上的传感器的实时PPT流传感器数据，更新对新比赛的预测。
预测在不到一秒的时间内就会发生，并且在对峙的参与者发生变化时就会触发预测。预测还可以显示，当主要中锋被取消比赛，换上另一名成功概率不同的球员时，球队赢得比赛的概率会发生什么变化。这突出了在对峙圈中拥有特定玩家的重要性。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，这将帮助广播团队突出潜在的对决，这将丰富球迷的观看体验。
