一種新的人工智能算法可以預測排球運動員的比賽中的行動，準確率超過80%。現在，開發該算法的康奈爾智能系統和控制實驗室正在與BigRed冰球隊合作，擴大該研究項目的應用。
這些算法的獨特之處在於，它們對行動預測采取一種全面的方法，將視覺數據--例如，運動員在球場上的位置--與更隱含的信息相結合，如運動員在團隊中的具體角色。
領導這項研究的Silvia Ferrari說：“計算機視覺可以解釋視覺信息，如球衣顏色和球員的位置或身體姿勢。”她是機械和航空航天工程的約翰-佈蘭卡西奧教授。“我們仍然使用這種實時信息，但整合隱藏的變量，如團隊戰略和球員角色，我們作為人類能夠推斷的東西，因為我們是這種特定環境的專傢。”
Ferrari和博士生董俊毅和霍清澤通過觀看比賽訓練算法來推斷隱藏的變量--與人類獲得體育知識的方式相同。這些算法使用機器學習從排球比賽的視頻中提取數據，然後在顯示一組新的比賽時使用這些數據來幫助做出預測。
康奈爾大學智能系統和控制實驗室開發的算法可以預測排球運動員在比賽中的行動，準確率超過80%，現在該實驗室正在與Big Red冰球隊合作，以擴大該研究項目的應用。
該成果於9月22日發表在《ACM智能系統與技術》雜志上，並顯示該算法可以推斷球員的角色--例如，區分防守傳球者和阻擋者--平均準確率接近85%，並且可以在多達44幀的序列中預測多個動作，平均準確率超過80%。這些動作包括扣球、攔截、跑步、墊球、下蹲、站立、跌倒和跳躍。
機器學習是一種利用計算機在大規模數據集中檢測模式，然後根據計算機從這些模式中學習到的內容進行預測的技術。這使得機器學習成為一種特定的、狹窄的人工智能類型。
Ferrari設想團隊使用這些算法來更好地準備比賽，用對手的現有比賽錄像來訓練它們，並使用它們的預測能力來練習特定的戰術和比賽場景。
Ferrari已經申請一項專利，目前正與Big Red男子冰球隊合作，進一步開發該軟件。利用球隊提供的比賽錄像，Ferrari和她的研究生在 Frank Kim的帶領下，正在設計算法，以自主識別球員、行動和比賽場景。該項目的一個目標是幫助註釋遊戲影片，如果由團隊工作人員手動執行，這是一項繁瑣的任務。
“我們的項目主要強調視頻分析和數據技術，”康奈爾男子冰球隊運營總監Ben Russell說。“我們一直在尋找作為教練組的發展方式，以便更好地服務我們的球員。”迄今為止，Ferrari教授和她的學生所進行的研究給我留下非常深刻的印象。我相信這個項目有可能極大地影響球隊研究和準備比賽的方式。"
Ferrari說，除體育之外，預測人類行動的能力對未來的人機互動有著巨大的潛力。她說，改進後的軟件可以幫助自動駕駛汽車做出更好的決定，使機器人和人類在倉庫中更緊密地聯系在一起，甚至可以通過加強計算機的人工智能使視頻遊戲變得更有趣。
“人類並不像現在的機器學習算法那樣不可預測，”Ferrari說，她也是負責跨校區工程研究的副院長，“因為如果你真正考慮到所有的內容，所有的背景線索，並且你觀察一群人，你可以在預測他們要做什麼方面做得更好。”