یہ پوسٹ نیشنل فٹ بال لیگ میں جوناتھن جنگ، مائیک بینڈ، مائیکل چی، اور تھامسن بلس کے ساتھ مل کر لکھی گئی ہے۔
A کوریج سکیم ہر فٹ بال محافظ کے قوانین اور ذمہ داریوں سے مراد ہے جو جارحانہ پاس کو روکنے کا کام سونپا گیا ہے۔ یہ کسی بھی فٹ بال کی دفاعی حکمت عملی کو سمجھنے اور تجزیہ کرنے کا مرکز ہے۔ ہر پاس پلے کے لیے کوریج اسکیم کی درجہ بندی کرنے سے ٹیموں، براڈکاسٹروں اور شائقین کو فٹ بال گیم کی بصیرت ملے گی۔ مثال کے طور پر، یہ پلے کال کرنے والوں کی ترجیحات کو ظاہر کر سکتا ہے، اس بات کو گہرائی سے سمجھنے کی اجازت دیتا ہے کہ کس طرح متعلقہ کوچز اور ٹیمیں اپنے حریف کی طاقتوں کی بنیاد پر اپنی حکمت عملیوں کو مسلسل ایڈجسٹ کرتے ہیں، اور نئے دفاعی تجزیات جیسے کہ کوریجز کی انفرادیت (سیٹھ وغیرہ۔)۔ تاہم، فی پلے کی بنیاد پر ان کوریجز کی دستی شناخت مشکل اور مشکل دونوں ہے کیونکہ اس کے لیے فٹ بال کے ماہرین کو کھیل کی فوٹیج کا بغور معائنہ کرنے کی ضرورت ہوتی ہے۔ ایک خودکار کوریج کی درجہ بندی کے ماڈل کی ضرورت ہے جو لاگت اور تبدیلی کے وقت کو کم کرنے کے لیے مؤثر اور مؤثر طریقے سے پیمائش کر سکے۔
این ایف ایل کا اگلے جنرل اعدادوشمار NFL فٹ بال گیمز کے ہر کھلاڑی اور کھیلنے کے لیے ریئل ٹائم لوکیشن، رفتار اور بہت کچھ کیپچر کرتا ہے، اور گیم کے مختلف پہلوؤں کا احاطہ کرنے والے مختلف جدید اعدادوشمار حاصل کرتا ہے۔ نیکسٹ جنرل سٹیٹس ٹیم اور کے درمیان تعاون کے ذریعے ایمیزون ایم ایل حل لیب، ہم نے مشین لرننگ (ML) سے چلنے والی کوریج کی درجہ بندی کی سٹیٹ تیار کی ہے جو پلیئر ٹریکنگ ڈیٹا کی بنیاد پر دفاعی کوریج اسکیم کی درست شناخت کرتی ہے۔ کوریج کی درجہ بندی کے ماڈل کو استعمال کرتے ہوئے تربیت دی جاتی ہے۔ ایمیزون سیج میکر، اور اسٹیٹ رہا ہے۔ 2022 NFL سیزن کے لیے لانچ کیا گیا۔.
اس پوسٹ میں، ہم اس ML ماڈل کی تکنیکی تفصیلات میں گہرائی میں ڈوبتے ہیں۔ ہم بیان کرتے ہیں کہ کس طرح ہم نے پلیئر ٹریکنگ ڈیٹا سے کوریج کی درجہ بندی کرنے کے لیے ایک درست، قابل وضاحت ML ماڈل ڈیزائن کیا، اس کے بعد ہماری مقداری تشخیص اور ماڈل کی وضاحت کے نتائج۔
مسائل کی تشکیل اور چیلنجز
ہم دفاعی کوریج کی درجہ بندی کو ملٹی کلاس درجہ بندی کے کام کے طور پر بیان کرتے ہیں، جس میں تین قسم کی مین کوریج ہوتی ہے (جہاں ہر دفاعی کھلاڑی ایک مخصوص جارحانہ کھلاڑی کا احاطہ کرتا ہے) اور پانچ قسم کی زون کوریج (ہر دفاعی کھلاڑی میدان میں ایک مخصوص علاقے کا احاطہ کرتا ہے)۔ ان آٹھ کلاسوں کو مندرجہ ذیل شکل میں بصری طور پر دکھایا گیا ہے: کور 0 مین، کور 1 مین، کور 2 مین، کور 2 زون، کور 3 زون، کور 4 زون، کور 6 زون، اور پریونٹ (زون کوریج بھی)۔ نیلے رنگ کے دائرے ایک خاص قسم کی کوریج میں رکھے گئے دفاعی کھلاڑی ہیں۔ سرخ رنگ کے دائرے جارحانہ کھلاڑی ہیں۔ کھلاڑی کے مخففات کی مکمل فہرست اس پوسٹ کے آخر میں ضمیمہ میں فراہم کی گئی ہے۔
مندرجہ ذیل تصور ڈرامے کے شروع میں (بائیں) اور اسی کھیل کے بیچ میں (دائیں) تمام جارحانہ اور دفاعی کھلاڑیوں کے مقام کے ساتھ ایک مثالی کھیل دکھاتا ہے۔ کوریج کی درست شناخت کرنے کے لیے، وقت کے ساتھ ساتھ بہت ساری معلومات کا حساب ہونا ضروری ہے، جس میں اسنیپ سے پہلے دفاع کرنے والوں کا طریقہ اور گیند کے چھیننے کے بعد جارحانہ کھلاڑی کی نقل و حرکت میں ایڈجسٹمنٹ شامل ہیں۔ اس سے ماڈل کے لیے مقامی وقتی، اور اکثر کھلاڑیوں کے درمیان باریک حرکت اور تعامل کو حاصل کرنے کا چیلنج ہوتا ہے۔
ہماری شراکت داری کو درپیش ایک اور اہم چیلنج تعینات کوریج اسکیموں کے ارد گرد موروثی ابہام ہے۔ آٹھ عام طور پر معلوم کوریج اسکیموں کے علاوہ، ہم نے مزید مخصوص کوریج کالز میں ایڈجسٹمنٹ کی نشاندہی کی جو دستی چارٹنگ اور ماڈل کی درجہ بندی دونوں کے لیے آٹھ عمومی کلاسوں کے درمیان ابہام کا باعث بنتی ہیں۔ ہم تربیت کی بہتر حکمت عملیوں اور ماڈل کی وضاحت کا استعمال کرتے ہوئے ان چیلنجوں سے نمٹتے ہیں۔ ہم مندرجہ ذیل حصے میں اپنے نقطہ نظر کو تفصیل سے بیان کرتے ہیں۔
قابل وضاحت کوریج کی درجہ بندی کا فریم ورک
ہم مندرجہ ذیل تصویر میں اپنے مجموعی فریم ورک کی وضاحت کرتے ہیں، پلیئر ٹریکنگ ڈیٹا اور کوریج لیبل کے ان پٹ کے ساتھ جو اعداد و شمار کے اوپری حصے سے شروع ہوتے ہیں۔
فیچر انجینئرنگ
گیم ٹریکنگ ڈیٹا کو 10 فریم فی سیکنڈ پر پکڑا جاتا ہے، جس میں کھلاڑی کا مقام، رفتار، سرعت، اور واقفیت شامل ہے۔ ہماری فیچر انجینئرنگ ماڈل کے عمل انہضام کے ان پٹ کے طور پر پلے فیچرز کی ترتیب تیار کرتی ہے۔ ایک دیئے گئے فریم کے لیے، ہماری خصوصیات 2020 بگ ڈیٹا باؤل کیگل زو حل سے متاثر ہیں (گوردیو وغیرہ۔): ہم قطاروں میں دفاعی کھلاڑیوں اور کالموں میں جارحانہ کھلاڑیوں کے ساتھ ہر بار قدم کے لیے ایک تصویر بناتے ہیں۔ اس لیے تصویر کا پکسل کھلاڑیوں کے ایک دوسرے کو ملانے والے جوڑے کی خصوصیات کی نمائندگی کرتا ہے۔ سے مختلف گوردیو وغیرہ۔، ہم فریم کی نمائندگی کا ایک سلسلہ نکالتے ہیں، جو ڈرامے کو نمایاں کرنے کے لیے مؤثر طریقے سے ایک منی ویڈیو بناتا ہے۔
مندرجہ ذیل اعداد و شمار اس بات کا تصور کرتا ہے کہ کس طرح خصوصیات وقت کے ساتھ ساتھ ایک مثال کے کھیل کے دو سنیپ شاٹس کے مطابق تیار ہوتی ہیں۔ بصری وضاحت کے لیے، ہم ان تمام خصوصیات میں سے صرف چار خصوصیات دکھاتے ہیں جو ہم نے نکالی ہیں۔ تصویر میں "LOS" کا مطلب ہے جھگڑے کی لکیر، اور x-axis سے مراد فٹ بال کے میدان کے دائیں طرف افقی سمت ہے۔ نوٹس کریں کہ رنگ بار کے ذریعہ اشارہ کردہ خصوصیت کی قدریں کھلاڑی کی نقل و حرکت کے مطابق وقت کے ساتھ کس طرح تیار ہوتی ہیں۔ مجموعی طور پر، ہم مندرجہ ذیل خصوصیات کے دو سیٹ بناتے ہیں:
- محافظ کی خصوصیات جس میں محافظ کی پوزیشن، رفتار، سرعت، اور واقفیت شامل ہوتی ہے، x-axis (فٹ بال کے میدان کے دائیں طرف افقی سمت) اور y-axis (فٹ بال کے میدان کے اوپر کی طرف عمودی سمت)
- دفاعی جرم کے متعلقہ خصوصیات جو ایک جیسی صفات پر مشتمل ہیں، لیکن دفاعی اور جارحانہ کھلاڑیوں کے درمیان فرق کے طور پر شمار کی جاتی ہیں
سی این این ماڈیول
ہم اوپن سورس فٹ بال (بالڈون وغیرہ۔) اور بگ ڈیٹا باؤل کاگل زو حل (گوردیو وغیرہ۔)۔ فیچر انجینئرنگ سے حاصل کی گئی تصویر نے CNN کے ذریعے ہر پلے فریم کی ماڈلنگ کی سہولت فراہم کی۔ ہم نے زو حل (گوردیو وغیرہ۔) برانچنگ ڈھانچہ کے ساتھ جو ایک اتلی ایک پرت CNN اور ایک گہری تین پرت CNN پر مشتمل ہے۔ کنوولوشن لیئر اندرونی طور پر 1×1 کرنل کا استعمال کرتی ہے: ہر پلیئر جوڑے کو انفرادی طور پر دانا دیکھنے سے اس بات کو یقینی بناتا ہے کہ ماڈل پلیئر کی ترتیب سے متغیر ہے۔ سادگی کے لیے، ہم پلے کے تمام نمونوں کے لیے ان کی NFL ID کی بنیاد پر کھلاڑیوں کو آرڈر دیتے ہیں۔ ہم CNN ماڈیول کے آؤٹ پٹ کے طور پر فریم ایمبیڈنگز حاصل کرتے ہیں۔
وقتی ماڈلنگ
صرف چند سیکنڈ تک چلنے والے مختصر کھیل کے دورانیے میں، اس میں کوریج کی شناخت کے لیے کلیدی اشارے کے طور پر بھرپور وقتی حرکیات شامل ہیں۔ فریم پر مبنی CNN ماڈلنگ، جیسا کہ زو حل (گوردیو وغیرہ۔) نے وقتی پیشرفت کا حساب نہیں لیا ہے۔ اس چیلنج سے نمٹنے کے لیے، ہم خود توجہ دینے والا ماڈیول ڈیزائن کرتے ہیں (واسوانی وغیرہ۔)، دنیاوی ماڈلنگ کے لیے CNN کے اوپر اسٹیک کیا گیا ہے۔ تربیت کے دوران، یہ انفرادی فریموں کو مختلف طریقے سے وزن کر کے جمع کرنا سیکھتا ہے (الامر وغیرہ۔)۔ ہم مقداری تشخیص میں اس کا موازنہ زیادہ روایتی، دو طرفہ LSTM نقطہ نظر سے کریں گے۔ اس کے بعد آؤٹ پٹ کے طور پر سیکھی ہوئی توجہ کی سرایت کو پورے ڈرامے کی سرایت حاصل کرنے کے لیے اوسط کیا جاتا ہے۔ آخر میں، ڈرامے کی کوریج کلاس کا تعین کرنے کے لیے ایک مکمل طور پر منسلک پرت جڑی ہوئی ہے۔
ماڈل کا جوڑا اور لیبل ہموار کرنا
آٹھ کوریج اسکیموں میں ابہام اور ان کی غیر متوازن تقسیم کوریجز کے درمیان واضح علیحدگی کو چیلنج بناتی ہے۔ ہم ماڈل ٹریننگ کے دوران ان چیلنجوں سے نمٹنے کے لیے ماڈل کا جوڑا استعمال کرتے ہیں۔ ہمارے مطالعے سے پتا چلتا ہے کہ ووٹنگ پر مبنی جوڑا، جو کہ سب سے آسان جوڑ کے طریقوں میں سے ایک ہے، درحقیقت زیادہ پیچیدہ طریقوں سے بہتر کارکردگی کا مظاہرہ کرتا ہے۔ اس طریقہ کار میں، ہر بیس ماڈل کا ایک ہی CNN-توجہ فن تعمیر ہے اور اسے مختلف بے ترتیب بیجوں سے آزادانہ طور پر تربیت دی جاتی ہے۔ حتمی درجہ بندی تمام بیس ماڈلز کے آؤٹ پٹ پر اوسط لیتی ہے۔
ہم مزید لیبل سموتھنگ کو شامل کرتے ہیں (مولر اور ایل.دستی چارٹنگ لیبلز میں ممکنہ شور کو ہینڈل کرنے کے لیے کراس اینٹروپی نقصان میں۔ لیبل ہموار کرنا تشریح شدہ کوریج کلاس کو تھوڑا سا بقیہ کلاسز کی طرف لے جاتا ہے۔ خیال یہ ہے کہ ماڈل کی حوصلہ افزائی کی جائے کہ وہ کسی بھی متعصب تشریحات کو زیادہ فٹ کرنے کے بجائے موروثی کوریج کے ابہام کے مطابق ڈھال لے۔
مقدار کی تشخیص
ہم ماڈل ٹریننگ اور توثیق کے لیے 2018–2020 کے سیزن کا ڈیٹا اور ماڈل کی تشخیص کے لیے 2021 کے سیزن کا ڈیٹا استعمال کرتے ہیں۔ ہر سیزن تقریباً 17,000 ڈراموں پر مشتمل ہوتا ہے۔ ہم تربیت کے دوران بہترین ماڈل کو منتخب کرنے کے لیے پانچ گنا کراس توثیق کرتے ہیں، اور متعدد ماڈل فن تعمیر اور تربیتی پیرامیٹرز پر بہترین ترتیبات کو منتخب کرنے کے لیے ہائپر پیرامیٹر کی اصلاح کرتے ہیں۔
ماڈل کی کارکردگی کا جائزہ لینے کے لیے، ہم کوریج کی درستگی، F1 سکور، ٹاپ-2 درستگی، اور آسان آدمی بمقابلہ زون ٹاسک کی درستگی کا حساب لگاتے ہیں۔ CNN پر مبنی چڑیا گھر کا ماڈل جس میں استعمال کیا گیا۔ بالڈون وغیرہ۔ کوریج کی درجہ بندی کے لیے سب سے زیادہ متعلقہ ہے اور ہم اسے بیس لائن کے طور پر استعمال کرتے ہیں۔ اس کے علاوہ، ہم بیس لائن کے بہتر ورژن پر غور کرتے ہیں جو تقابلی مطالعہ کے لیے دنیاوی ماڈلنگ کے اجزاء کو شامل کرتے ہیں: ایک CNN-LSTM ماڈل جو دنیاوی ماڈلنگ کو انجام دینے کے لیے ایک دو جہتی LSTM کا استعمال کرتا ہے، اور ایک واحد CNN-توجہ ماڈل بغیر جوڑ اور لیبل کے۔ ہموار اجزاء. نتائج درج ذیل جدول میں دکھائے گئے ہیں۔
| ماڈل | ٹیسٹ کی درستگی 8 کوریجز (%) | ٹاپ-2 درستگی 8 کوریجز (%) | F1 سکور 8 کوریجز | ٹیسٹ کی درستگی مرد بمقابلہ زون (%) |
| بیس لائن: چڑیا گھر کا ماڈل | 68.8 0.4 ± | 87.7 0.1 ± | 65.8 0.4 ± | 88.4 0.4 ± |
| CNN-LSTM | 86.5 0.1 ± | 93.9 0.1 ± | 84.9 0.2 ± | 94.6 0.2 ± |
| CNN - توجہ | 87.7 0.2 ± | 94.7 0.2 ± | 85.9 0.2 ± | 94.6 0.2 ± |
| ہمارا: 5 CNN توجہ دینے والے ماڈلز کا جوڑا | 88.9 0.1 ± | 97.6 0.1 ± | 87.4 0.2 ± | 95.4 0.1 ± |
ہم مشاہدہ کرتے ہیں کہ عارضی ماڈلنگ ماڈیول کو شامل کرنے سے بیس لائن زو ماڈل میں نمایاں بہتری آتی ہے جو ایک ہی فریم پر مبنی تھا۔ CNN-LSTM ماڈل کی مضبوط بیس لائن کے مقابلے میں، ہمارے مجوزہ ماڈلنگ کے اجزاء بشمول خود دھیان دینے والے ماڈیول، ماڈل کا جوڑا، اور لیبلنگ ہموار کرنے والے مشترکہ کارکردگی میں نمایاں بہتری فراہم کرتے ہیں۔ حتمی ماڈل کارکردگی کا مظاہرہ کرتا ہے جیسا کہ تشخیصی اقدامات سے ظاہر ہوتا ہے۔ اس کے علاوہ، ہم بہت زیادہ ٹاپ-2 درستگی اور ٹاپ-1 درستگی کے لیے ایک اہم فرق کی نشاندہی کرتے ہیں۔ اس کو کوریج کے ابہام سے منسوب کیا جا سکتا ہے: جب اوپر کی درجہ بندی غلط ہوتی ہے، تو دوسرا اندازہ اکثر انسانی تشریح سے میل کھاتا ہے۔
ماڈل کی وضاحت اور نتائج
کوریج کے ابہام پر روشنی ڈالنے اور یہ سمجھنے کے لیے کہ ماڈل نے کسی نتیجے پر پہنچنے کے لیے کیا استعمال کیا، ہم ماڈل کی وضاحتوں کا استعمال کرتے ہوئے تجزیہ کرتے ہیں۔ یہ دو حصوں پر مشتمل ہے: عالمی وضاحتیں جو تمام سیکھی ہوئی سرایتوں کا مشترکہ طور پر تجزیہ کرتی ہیں، اور مقامی وضاحتیں جو ماڈل کے ذریعے حاصل کیے گئے اہم ترین سگنلز کا تجزیہ کرنے کے لیے انفرادی ڈراموں میں زوم کرتی ہیں۔
عالمی وضاحتیں۔
اس مرحلے میں، ہم عالمی سطح پر کوریج کی درجہ بندی کے ماڈل سے سیکھے گئے پلے ایمبیڈنگز کا تجزیہ کرتے ہیں تاکہ کوئی ایسا نمونہ دریافت کیا جا سکے جس کے لیے دستی جائزے کی ضرورت ہو۔ ہم ٹی ڈسٹری بیوٹڈ اسٹاکسٹک پڑوسی ایمبیڈنگ (t-SNE) کا استعمال کرتے ہیں (Maaten et al.) جو پلے ایمبیڈنگز کو 2D اسپیس میں پروجیکٹ کرتا ہے جیسے کہ ملتے جلتے ایمبیڈنگز کا جوڑا ان کی تقسیم پر زیادہ امکان رکھتا ہے۔ ہم مستحکم 2D تخمینے نکالنے کے لیے اندرونی پیرامیٹرز کے ساتھ تجربہ کرتے ہیں۔ 9,000 ڈراموں کے اسٹریٹیفائیڈ نمونوں سے ایمبیڈنگز کو مندرجہ ذیل شکل (بائیں) میں دیکھا گیا ہے، جس میں ہر ڈاٹ ایک مخصوص ڈرامے کی نمائندگی کرتا ہے۔ ہم نے پایا کہ ہر کوریج اسکیم کی اکثریت اچھی طرح سے الگ ہے، جو ماڈل کے ذریعے حاصل کی گئی درجہ بندی کی صلاحیت کو ظاہر کرتی ہے۔ ہم دو اہم نمونوں کا مشاہدہ کرتے ہیں اور ان کی مزید تحقیق کرتے ہیں۔
کچھ ڈراموں کو کوریج کی دیگر اقسام میں ملایا جاتا ہے، جیسا کہ درج ذیل تصویر (دائیں) میں دکھایا گیا ہے۔ یہ ڈرامے ممکنہ طور پر غلط لیبل لگائے جا سکتے ہیں اور دستی معائنہ کے مستحق ہیں۔ ہم ان ڈراموں کی خود بخود شناخت کرنے اور انہیں ماہرانہ جائزہ کے لیے بھیجنے کے لیے K-Nearest Neighbours (KNN) کا درجہ بندی ڈیزائن کرتے ہیں۔ نتائج سے پتہ چلتا ہے کہ ان میں سے زیادہ تر پر واقعی غلط لیبل لگا ہوا تھا۔
اس کے بعد، ہم کوریج کی اقسام کے درمیان متعدد اوورلیپنگ علاقوں کا مشاہدہ کرتے ہیں، جو کچھ مخصوص منظرناموں میں کوریج کے ابہام کو ظاہر کرتے ہیں۔ مثال کے طور پر، درج ذیل تصویر میں، ہم کور 3 زون (بائیں طرف سبز جھرمٹ) اور کور 1 مین (درمیان میں نیلے رنگ کا کلسٹر) کو الگ کرتے ہیں۔ یہ دو مختلف سنگل ہائی کوریج کے تصورات ہیں، جہاں بنیادی فرق مین بمقابلہ زون کوریج ہے۔ ہم ایک الگورتھم ڈیزائن کرتے ہیں جو خود بخود ان دو کلاسوں کے درمیان ابہام کو کلسٹرز کے اوور لیپنگ ریجن کے طور پر شناخت کرتا ہے۔ نتیجہ کو مندرجہ ذیل دائیں شکل میں سرخ نقطوں کے طور پر دیکھا گیا ہے، جس میں 10 تصادفی نمونے والے ڈرامے دستی جائزے کے لیے سیاہ "x" کے ساتھ نشان زد ہیں۔ ہمارے تجزیے سے پتہ چلتا ہے کہ اس خطے میں زیادہ تر ڈرامے کی مثالوں میں کسی نہ کسی طرح کا نمونہ ملاپ شامل ہے۔ ان ڈراموں میں، کوریج کی ذمہ داریاں اس بات پر منحصر ہوتی ہیں کہ جارحانہ وصول کنندگان کے راستوں کو کس طرح تقسیم کیا جاتا ہے، اور ایڈجسٹمنٹ ڈرامے کو زون اور مین کوریجز کے مرکب کی طرح بنا سکتی ہے۔ ایسی ہی ایک ایڈجسٹمنٹ جس کی ہم نے نشاندہی کی ہے وہ کور 3 زون پر لاگو ہوتی ہے، جب ایک طرف کارنر بیک (CB) مین کوریج ("Man Everywhere he Goes" یا MEG) میں بند ہوتا ہے اور دوسرے میں روایتی زون ڈراپ ہوتا ہے۔
مثال کی وضاحتیں۔
دوسرے مرحلے میں، مثال کی وضاحتیں دلچسپی کے انفرادی کھیل میں زوم کرتی ہیں، اور فریم بہ فریم پلیئر کے تعامل کی جھلکیاں نکالتی ہیں جو شناخت شدہ کوریج اسکیم میں سب سے زیادہ حصہ ڈالتی ہیں۔ یہ گائیڈڈ GradCAM الگورتھم (رام پرسات وغیرہ۔)۔ ہم کم اعتماد ماڈل کی پیشین گوئیوں پر مثال کی وضاحت کا استعمال کرتے ہیں۔
اس ڈرامے کے لیے جس کی ہم نے پوسٹ کے آغاز میں مثال دی تھی، ماڈل نے 3 فیصد امکان کے ساتھ کور 44.5 زون اور 1 فیصد امکان کے ساتھ کور 31.3 مین کی پیش گوئی کی۔ ہم دونوں کلاسوں کے لیے وضاحتی نتائج تیار کرتے ہیں جیسا کہ مندرجہ ذیل تصویر میں دکھایا گیا ہے۔ لائن کی موٹائی تعامل کی طاقت کی تشریح کرتی ہے جو ماڈل کی شناخت میں تعاون کرتی ہے۔
کور 3 زون کی وضاحت کے لیے سب سے اوپر کا پلاٹ بال اسنیپ کے فوراً بعد آتا ہے۔ جرم کے حق پر CB کے پاس سب سے مضبوط تعامل کی لکیریں ہیں، کیونکہ وہ QB کا سامنا کر رہا ہے اور اپنی جگہ پر رہتا ہے۔ وہ اسکوائرنگ ختم کرتا ہے اور اس کی طرف والے ریسیور سے میچ کرتا ہے، جو اسے گہری دھمکی دیتا ہے۔
کور 1 مین کی وضاحت کے لیے نیچے کا پلاٹ ایک لمحے بعد آتا ہے، جیسا کہ پلے ایکشن جعلی ہو رہا ہے۔ سب سے مضبوط تعامل CB کے ساتھ جرم کے بائیں طرف ہے، جو WR کے ساتھ گر رہا ہے۔ پلے فوٹیج سے پتہ چلتا ہے کہ وہ ادھر ادھر پلٹنے اور WR کے ساتھ بھاگنے سے پہلے اپنی نگاہیں QB پر رکھتا ہے جو اسے گہری دھمکی دے رہا ہے۔ جرم کے دائیں طرف والے SS کا اپنی طرف والے TE کے ساتھ بھی مضبوط تعامل ہوتا ہے، کیونکہ وہ TE کے اندر سے ٹوٹنے کے ساتھ ہی ہلنا شروع کر دیتا ہے۔ وہ پورے فارمیشن میں اس کا پیچھا کرتا ہے، لیکن TE اسے بلاک کرنا شروع کر دیتا ہے، جس سے ظاہر ہوتا ہے کہ یہ ڈرامہ ممکنہ طور پر رن پاس آپشن تھا۔ یہ ماڈل کی درجہ بندی کی غیر یقینی صورتحال کی وضاحت کرتا ہے: TE ڈیزائن کے لحاظ سے SS کے ساتھ چپکی ہوئی ہے، ڈیٹا میں تعصب پیدا کر رہی ہے۔
نتیجہ
ایمیزون ایم ایل سلوشنز لیب اور این ایف ایل کی نیکسٹ جنرل سٹیٹس ٹیم نے مشترکہ طور پر دفاعی کوریج کی درجہ بندی کا سٹیٹ تیار کیا جو حال ہی میں 2022 NFL فٹ بال سیزن کے لیے لانچ کیا گیا۔. اس پوسٹ نے اس اسٹیٹ کی ML تکنیکی تفصیلات پیش کی ہیں، بشمول تیز وقتی پیشرفت کی ماڈلنگ، کوریج کلاس کے ابہام کو سنبھالنے کے لیے تربیتی حکمت عملی، اور عالمی اور مثالی دونوں سطحوں پر ماہرین کے جائزے کو تیز کرنے کے لیے جامع ماڈل کی وضاحت۔
یہ حل لائیو دفاعی کوریج کے رجحانات اور اسپلٹس کو پہلی بار کھیل میں براڈکاسٹروں کو دستیاب کرتا ہے۔ اسی طرح، ماڈل NFL کو گیم کے بعد کے نتائج کے تجزیہ کو بہتر بنانے اور گیمز تک لے جانے والے کلیدی میچ اپس کی بہتر شناخت کرنے کے قابل بناتا ہے۔
اگر آپ ایم ایل کے استعمال کو تیز کرنے میں مدد چاہتے ہیں، تو براہ کرم رابطہ کریں۔ ایمیزون ایم ایل حل لیب پروگرام.
معاہدہ
| پلیئر پوزیشن کے مخففات | |
| دفاعی پوزیشنز | |
| W | "وِل" لائن بیکر، یا کمزور سائیڈ LB |
| M | "مائیک" لائن بیکر، یا درمیانی ایل بی |
| S | "سیم" لائن بیکر، یا مضبوط طرف LB |
| CB | کارن |
| DE | دفاعی اختتام |
| DT | دفاعی ٹیکل |
| NT | ناک سے نپٹنا |
| FS | مفت حفاظت |
| SS | مضبوط حفاظت۔ |
| S | سیفٹی |
| LB | لائن بیکر |
| آئی ایل بی | لائن بیکر کے اندر |
| او ایل بی | لائن بیکر سے باہر |
| MLB | مڈل لائن بیکر |
| جارحانہ پوزیشنز | |
| X | عام طور پر ایک جرم میں نمبر 1 وسیع وصول کنندہ، وہ LOS پر سیدھ میں آتے ہیں۔ ٹرپس فارمیشنز میں، اس ریسیور کو اکثر بیک سائیڈ پر الگ تھلگ سیدھ میں رکھا جاتا ہے۔ |
| Y | عام طور پر شروع ہونے والے سخت اختتام پر، یہ کھلاڑی اکثر X کے طور پر ان لائن اور مخالف سمت میں سیدھ میں آجائے گا۔ |
| Z | عام طور پر زیادہ سلاٹ ریسیور ہوتا ہے، یہ کھلاڑی اکثر جھگڑے کی لائن کو سیدھ میں لاتا ہے اور میدان کے اسی طرف جس طرح سخت سرے ہوتا ہے۔ |
| H | روایتی طور پر ایک فل بیک، یہ کھلاڑی اکثر تیسرا وسیع ریسیور ہوتا ہے یا جدید لیگ میں دوسرا ٹائٹ اینڈ ہوتا ہے۔ وہ تمام فارمیشن میں صف بندی کر سکتے ہیں، لیکن تقریباً ہمیشہ ہی جھگڑے کی لکیر سے دور رہتے ہیں۔ ٹیم پر منحصر ہے، اس کھلاڑی کو ایف کے طور پر بھی نامزد کیا جا سکتا ہے۔ |
| T | نمایاں واپس چل رہا ہے. خالی فارمیشنوں کے علاوہ، یہ کھلاڑی بیک فیلڈ میں صف بندی کرے گا اور ہینڈ آف حاصل کرنے کا خطرہ ہوگا۔ |
| QB | سہ ماہی |
| C | سینٹر |
| G | گارڈ |
| RB | واپس چل رہا ہے |
| FB | فل بیک |
| WR | وسیع رسیور |
| TE | تنگ اختتام |
| LG | لیفٹ گارڈ |
| RG | رائٹ گارڈ |
| T | نمٹنا |
| LT | لیفٹ ٹیکل |
| RT | رائٹ ٹیکل |
حوالہ جات
- تیج سیٹھ، ریان ویزمین، "PFF ڈیٹا اسٹڈی: کوریج اسکیم کی انفرادیت ہر ٹیم کے لیے اور اس کا کیا مطلب ہے کوچنگ میں تبدیلیاں"، https://www.pff.com/news/nfl-pff-data-study-coverage-scheme-uniqueness-for-each-team-and-what-that-means-for-coaching-changes
- بین بالڈون۔ "R کے لیے ٹارچ کا استعمال کرتے ہوئے NFL پلیئر ٹریکنگ ڈیٹا کے ساتھ کمپیوٹر وژن: CNNs کا استعمال کرتے ہوئے کوریج کی درجہ بندی۔" https://www.opensourcefootball.com/posts/2021-05-31-computer-vision-in-r-using-torch/
- دمتری گوردیف، فلپ سنگر۔ "پہلی جگہ حل چڑیا گھر۔" https://www.kaggle.com/c/nfl-big-data-bowl-2020/discussion/119400
- واسوانی، آشیش، نوم شازیر، نکی پرمار، جیکب اسزکوریٹ، لیون جونز، ایڈن این گومز، لوکاز قیصر، اور الیا پولوسوخن۔ "توجہ صرف آپ کی ضرورت ہے۔" نیورل انفارمیشن پروسیسنگ سسٹم میں پیشرفت 30 (2017).
- جے الامر۔ "دی السٹریٹڈ ٹرانسفارمر۔" https://jalammar.github.io/illustrated-transformer/
- مولر، رافیل، سائمن کورنبلتھ، اور جیفری ای ہنٹن۔ "لیبل ہموار کرنے میں کب مدد ملتی ہے؟" نیورل انفارمیشن پروسیسنگ سسٹمز میں پیشرفت 32 (2019)۔
- وان ڈیر ماٹن، لارنس اور جیفری ہنٹن۔ "t-SNE کا استعمال کرتے ہوئے ڈیٹا کو تصور کرنا۔" جرنل آف مشین لرننگ ریسرچ 9، نمبر. 11 (2008).
- سیلواراجو، رام پرسات آر، مائیکل کاگسویل، ابھیشیک داس، رام کرشن ویدانتم، دیوی پاریکھ، اور دھرو بترا۔ "گریڈ کیم: تدریجی بنیاد پر لوکلائزیشن کے ذریعے گہرے نیٹ ورکس سے بصری وضاحت۔" میں کمپیوٹر وژن پر IEEE بین الاقوامی کانفرنس کی کارروائی، پی پی. 618-626۔ 2017.
مصنفین کے بارے میں
ہوان گانا Amazon Machine Learning Solutions Lab میں ایک اپلائیڈ سائنس دان ہے، جہاں وہ صنعتی عمودی کی ایک قسم سے اعلیٰ اثر والے صارفین کے استعمال کے معاملات کے لیے حسب ضرورت ایم ایل حل فراہم کرنے پر کام کرتا ہے۔ اس کی تحقیقی دلچسپیاں گراف نیورل نیٹ ورکس، کمپیوٹر ویژن، ٹائم سیریز کا تجزیہ اور ان کی صنعتی ایپلی کیشنز ہیں۔
محمد الجزائری۔ Amazon Machine Learning Solutions Lab میں ایک اپلائیڈ سائنسدان ہے۔ وہ AWS کے صارفین کو لاجسٹکس، پرسنلائزیشن اور سفارشات، کمپیوٹر ویژن، فراڈ کی روک تھام، پیشن گوئی اور سپلائی چین آپٹیمائزیشن جیسے شعبوں میں اپنے کاروباری چیلنجوں سے نمٹنے کے لیے ML سلوشنز کی شناخت اور تعمیر کرنے میں مدد کرتا ہے۔ AWS سے پہلے، اس نے ویسٹ ورجینیا یونیورسٹی سے MCS حاصل کیا اور Midea میں کمپیوٹر ویژن ریسرچر کے طور پر کام کیا۔ کام سے باہر، وہ فٹ بال اور ویڈیو گیمز سے لطف اندوز ہوتا ہے۔
ہیبو ڈنگ ایمیزون مشین لرننگ سلوشنز لیب میں ایک سینئر اپلائیڈ سائنسدان ہیں۔ وہ گہری سیکھنے اور نیچرل لینگویج پروسیسنگ میں وسیع پیمانے پر دلچسپی رکھتا ہے۔ اس کی تحقیق نئے قابل وضاحت مشین لرننگ ماڈلز تیار کرنے پر مرکوز ہے، جس کا مقصد انہیں حقیقی دنیا کے مسائل کے لیے زیادہ موثر اور قابل اعتماد بنانا ہے۔ انہوں نے پی ایچ ڈی کی ڈگری حاصل کی۔ یوٹاہ یونیورسٹی سے اور ایمیزون میں شامل ہونے سے پہلے بوش ریسرچ نارتھ امریکہ میں سینئر ریسرچ سائنسدان کے طور پر کام کیا۔ کام کے علاوہ، وہ پیدل سفر، دوڑ، اور اپنے خاندان کے ساتھ وقت گزارنے سے لطف اندوز ہوتا ہے۔
لن لی چیونگ AWS میں Amazon ML Solutions Lab ٹیم کے ساتھ ایک اپلائیڈ سائنس مینیجر ہے۔ وہ نئی بصیرتیں دریافت کرنے اور پیچیدہ مسائل کو حل کرنے کے لیے مصنوعی ذہانت اور مشین لرننگ کو دریافت کرنے اور لاگو کرنے کے لیے اسٹریٹجک AWS صارفین کے ساتھ کام کرتی ہے۔ اس نے اپنی پی ایچ ڈی حاصل کی۔ میساچوسٹس انسٹی ٹیوٹ آف ٹیکنالوجی سے۔ کام سے باہر، وہ پڑھنے اور پیدل سفر سے لطف اندوز ہوتی ہے۔
جوناتھن جنگ نیشنل فٹ بال لیگ میں ایک سینئر سافٹ ویئر انجینئر ہے۔ وہ پچھلے سات سالوں سے نیکسٹ جنرل سٹیٹس ٹیم کے ساتھ رہا ہے جس نے خام ڈیٹا کو سٹریم کرنے، ڈیٹا پر کارروائی کرنے کے لیے مائیکرو سروسز بنانے، پراسیس شدہ ڈیٹا کو بے نقاب کرنے والے API کی تعمیر تک پلیٹ فارم بنانے میں مدد کی۔ اس نے ایمیزون مشین لرننگ سلوشنز لیب کے ساتھ کام کرنے کے لیے صاف ڈیٹا فراہم کرنے کے ساتھ ساتھ ڈیٹا کے بارے میں ڈومین کی معلومات فراہم کرنے میں تعاون کیا ہے۔ کام سے باہر، وہ لاس اینجلس میں سائیکلنگ اور سیراس میں پیدل سفر سے لطف اندوز ہوتا ہے۔
مائیک بینڈ نیشنل فٹ بال لیگ میں نیکسٹ جنرل سٹیٹس کے لیے ریسرچ اینڈ اینالیٹکس کے سینئر مینیجر ہیں۔ 2018 میں ٹیم میں شامل ہونے کے بعد سے، وہ شائقین، NFL براڈکاسٹ پارٹنرز، اور 32 کلبوں کے لیے پلیئر ٹریکنگ ڈیٹا سے اخذ کردہ کلیدی اعدادوشمار اور بصیرت کے آئیڈییشن، ڈیولپمنٹ، اور مواصلات کے لیے ذمہ دار ہیں۔ مائیک شکاگو یونیورسٹی سے تجزیات میں ماسٹر ڈگری، فلوریڈا یونیورسٹی سے کھیلوں کے نظم و نسق میں بیچلر کی ڈگری، اور مینیسوٹا وائکنگز کے اسکاؤٹنگ ڈیپارٹمنٹ اور ریکروٹنگ ڈیپارٹمنٹ دونوں میں تجربہ کے ساتھ ٹیم کے لیے علم اور تجربہ کا خزانہ لاتا ہے۔ فلوریڈا گیٹر فٹ بال کا۔
مائیکل چی نیشنل فٹ بال لیگ میں نیکسٹ جنرل سٹیٹس اور ڈیٹا انجینئرنگ کی نگرانی کرنے والے ٹیکنالوجی کے سینئر ڈائریکٹر ہیں۔ انہوں نے Urbana Champaign میں یونیورسٹی آف الینوائے سے ریاضی اور کمپیوٹر سائنس میں ڈگری حاصل کی ہے۔ مائیکل نے پہلی بار 2007 میں NFL میں شمولیت اختیار کی اور بنیادی طور پر فٹ بال کے اعدادوشمار کے لیے ٹیکنالوجی اور پلیٹ فارمز پر توجہ مرکوز کی۔ اپنے فارغ وقت میں، وہ اپنے خاندان کے ساتھ باہر وقت گزارنے میں لطف اندوز ہوتا ہے۔
تھامسن بلس نیشنل فٹ بال لیگ میں مینیجر، فٹ بال آپریشنز، ڈیٹا سائنٹسٹ ہیں۔ اس نے NFL میں فروری 2020 میں ڈیٹا سائنٹسٹ کے طور پر شروعات کی اور دسمبر 2021 میں اس کے موجودہ کردار پر ترقی پائی۔ اس نے دسمبر 2019 میں نیویارک شہر میں کولمبیا یونیورسٹی میں ڈیٹا سائنس میں ماسٹر ڈگری مکمل کی۔ اس نے بیچلر آف سائنس حاصل کیا۔ 2018 میں یونیورسٹی آف وسکونسن - میڈیسن میں ریاضی اور کمپیوٹر سائنس میں نابالغوں کے ساتھ طبیعیات اور فلکیات میں۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/identifying-defense-coverage-schemes-in-nfls-next-gen-stats/
