'AI已經擊敗了柯潔入侵了籃球，NBA的未來會成為算法競爭麼？'
數據科學及智能機器正在幫助籃球運動員提高水平。
從小到大，瑞秋·馬蒂會跟父親一起在家門口的路上練習幾個小時的投籃。
有時，一臺會說話的電腦會加入他們。早年間，馬蒂的爸爸會把筆記本電腦與攝像機連接在一起，將這個設備裝在手推車上，推到街上由交通錐組成的場地上。在7.62米外，攝像機能夠捕捉馬蒂投籃時籃球的弧度。每次投籃後，電腦會報出皮球行進路線的角度。
43.47.42。
馬蒂說，最理想的進球角度是45度，關鍵在於持續性。有了這個高科技訓練師，她不斷磨練自己的投籃，分別在高中和加州大學聖迭戈分校擔任得分後衛。
數據科學及智能機器正在幫助籃球運動員提高水平。
從小到大，瑞秋·馬蒂會跟父親一起在家門口的路上練習幾個小時的投籃。
有時，一臺會說話的電腦會加入他們。早年間，馬蒂的爸爸會把筆記本電腦與攝像機連接在一起，將這個設備裝在手推車上，推到街上由交通錐組成的場地上。在7.62米外，攝像機能夠捕捉馬蒂投籃時籃球的弧度。每次投籃後，電腦會報出皮球行進路線的角度。
43.47.42。
馬蒂說，最理想的進球角度是45度，關鍵在於持續性。有了這個高科技訓練師，她不斷磨練自己的投籃，分別在高中和加州大學聖迭戈分校擔任得分後衛。
“鄰居都說我們是跟機器說話的怪人。”她說。
但情況已經發生了改變。過去幾年，高科技攝像機已經廣泛應用於高水平的籃球賽。2010年，也就是馬蒂從高中畢業那年，一家名為Stats的公司將首個SportVU攝像系統裝進了NBA球館。這些裝在屋頂上的攝像機不僅追蹤籃球，同樣追蹤球員的移動。到2013年，這些攝像機入駐了全部NBA球館。
使用機器學習及人工智能只是過去15年內徹底改變籃球這項運動數據分析革命的最新篇章。“這只是這一領域的延續。”布萊恩·庫普表示，作為體育科技工作人員，他協助Stats公司在早期將SportVU系統推廣到了NBA。
當然，球隊多年來一直在記錄諸如得分，籃板和助攻這樣的基礎數據。但有了數據分析後，當人們開始從數據角度看待一切，數據極客們確立了數學的威力。
數據科學及智能機器正在幫助籃球運動員提高水平。
從小到大，瑞秋·馬蒂會跟父親一起在家門口的路上練習幾個小時的投籃。
有時，一臺會說話的電腦會加入他們。早年間，馬蒂的爸爸會把筆記本電腦與攝像機連接在一起，將這個設備裝在手推車上，推到街上由交通錐組成的場地上。在7.62米外，攝像機能夠捕捉馬蒂投籃時籃球的弧度。每次投籃後，電腦會報出皮球行進路線的角度。
43.47.42。
馬蒂說，最理想的進球角度是45度，關鍵在於持續性。有了這個高科技訓練師，她不斷磨練自己的投籃，分別在高中和加州大學聖迭戈分校擔任得分後衛。
“鄰居都說我們是跟機器說話的怪人。”她說。
但情況已經發生了改變。過去幾年，高科技攝像機已經廣泛應用於高水平的籃球賽。2010年，也就是馬蒂從高中畢業那年，一家名為Stats的公司將首個SportVU攝像系統裝進了NBA球館。這些裝在屋頂上的攝像機不僅追蹤籃球，同樣追蹤球員的移動。到2013年，這些攝像機入駐了全部NBA球館。
使用機器學習及人工智能只是過去15年內徹底改變籃球這項運動數據分析革命的最新篇章。“這只是這一領域的延續。”布萊恩·庫普表示，作為體育科技工作人員，他協助Stats公司在早期將SportVU系統推廣到了NBA。
當然，球隊多年來一直在記錄諸如得分，籃板和助攻這樣的基礎數據。但有了數據分析後，當人們開始從數據角度看待一切，數據極客們確立了數學的威力。
當球隊第一次採用追蹤攝像機時，NBA早已開始使用複雜的數據統計方法。但新型數據的出現，要求技術和軟件也要做出更新。“這就出現了SportVU，而且我們採集的數據只靠Excel是沒法承受的。”庫普說道。
與此同時，功能越來越強大的計算機讓機器學習出現了新的突破，NBA球隊及Stats這樣的公司抓住了這個機會。他們的任務是將追蹤數據翻譯成可供研究，容易理解的信息；其中一個主要目標，就是明確如傳球這樣的特定動作，以及擋拆這樣的常見戰術。機器學習，或者更寬泛地說，人工智能，極為適合執行這個任務，因為歸根結底，計算機的核心就是模式識別。舉個例子，模式識別正是區分多種擋拆類型所需的技能。
需要明確的是，算法能做的事，人類都能做。人類其實很善於識別模式，多年來球隊也有專門工作人員審查錄像，確定值得注意的戰術，從數百小時的錄像中篩選一個傳球，投籃，籃板，空切和擋拆。
馬蒂會說話的電腦——以不斷改善的版本——伴隨她度過了高中和大學，幫助她訓練隊友，甚至協助她從傷病中恢復。她說：“這套系統和我一起長大。”
數據科學及智能機器正在幫助籃球運動員提高水平。
從小到大，瑞秋·馬蒂會跟父親一起在家門口的路上練習幾個小時的投籃。
有時，一臺會說話的電腦會加入他們。早年間，馬蒂的爸爸會把筆記本電腦與攝像機連接在一起，將這個設備裝在手推車上，推到街上由交通錐組成的場地上。在7.62米外，攝像機能夠捕捉馬蒂投籃時籃球的弧度。每次投籃後，電腦會報出皮球行進路線的角度。
43.47.42。
馬蒂說，最理想的進球角度是45度，關鍵在於持續性。有了這個高科技訓練師，她不斷磨練自己的投籃，分別在高中和加州大學聖迭戈分校擔任得分後衛。
“鄰居都說我們是跟機器說話的怪人。”她說。
但情況已經發生了改變。過去幾年，高科技攝像機已經廣泛應用於高水平的籃球賽。2010年，也就是馬蒂從高中畢業那年，一家名為Stats的公司將首個SportVU攝像系統裝進了NBA球館。這些裝在屋頂上的攝像機不僅追蹤籃球，同樣追蹤球員的移動。到2013年，這些攝像機入駐了全部NBA球館。
使用機器學習及人工智能只是過去15年內徹底改變籃球這項運動數據分析革命的最新篇章。“這只是這一領域的延續。”布萊恩·庫普表示，作為體育科技工作人員，他協助Stats公司在早期將SportVU系統推廣到了NBA。
當然，球隊多年來一直在記錄諸如得分，籃板和助攻這樣的基礎數據。但有了數據分析後，當人們開始從數據角度看待一切，數據極客們確立了數學的威力。
當球隊第一次採用追蹤攝像機時，NBA早已開始使用複雜的數據統計方法。但新型數據的出現，要求技術和軟件也要做出更新。“這就出現了SportVU，而且我們採集的數據只靠Excel是沒法承受的。”庫普說道。
與此同時，功能越來越強大的計算機讓機器學習出現了新的突破，NBA球隊及Stats這樣的公司抓住了這個機會。他們的任務是將追蹤數據翻譯成可供研究，容易理解的信息；其中一個主要目標，就是明確如傳球這樣的特定動作，以及擋拆這樣的常見戰術。機器學習，或者更寬泛地說，人工智能，極為適合執行這個任務，因為歸根結底，計算機的核心就是模式識別。舉個例子，模式識別正是區分多種擋拆類型所需的技能。
需要明確的是，算法能做的事，人類都能做。人類其實很善於識別模式，多年來球隊也有專門工作人員審查錄像，確定值得注意的戰術，從數百小時的錄像中篩選一個傳球，投籃，籃板，空切和擋拆。
馬蒂會說話的電腦——以不斷改善的版本——伴隨她度過了高中和大學，幫助她訓練隊友，甚至協助她從傷病中恢復。她說：“這套系統和我一起長大。”
2001年，她的父親阿倫用自己的發明創始了名為“諾亞籃球”的公司；之所以使用這個名字，是因為聖經中諾亞擁有完美的“方舟”。據公司現任CEO約翰·卡特表示，被命名為“諾亞分析”的最新系統包括數據分析工具，如今已經被半數NBA球隊，眾多頂尖大學以及全美各地數百名個人用戶使用。他們的系統由位於籃板上方3.05米的攝像機構成，這些攝像機不但追蹤球的弧度，也會記錄球的深度以及接近籃板時的左右位置。系統會收集每一次出手數據，補充到數據庫中，這個數據庫已經記錄了全美各地超過1.5億次的投籃數據。
對於配備在新系統中的機器學習算法，這個數據至關重要。一些NBA球隊已經開始使用有面部識別系統的新版了，它可以同時記錄多名射手的投籃。舉個例子，這個改變可以讓系統收集球隊訓練中的數據並做出分析。據卡特表示，公司春天還會引入另一個新功能，捕捉球員的出手方式。使用深度學習(一種模仿人腦學習過程的機器學習)，系統可以確定特定類型的出手方式——不同難度的出手，會影響進球概率。
數據科學及智能機器正在幫助籃球運動員提高水平。
從小到大，瑞秋·馬蒂會跟父親一起在家門口的路上練習幾個小時的投籃。
有時，一臺會說話的電腦會加入他們。早年間，馬蒂的爸爸會把筆記本電腦與攝像機連接在一起，將這個設備裝在手推車上，推到街上由交通錐組成的場地上。在7.62米外，攝像機能夠捕捉馬蒂投籃時籃球的弧度。每次投籃後，電腦會報出皮球行進路線的角度。
43.47.42。
馬蒂說，最理想的進球角度是45度，關鍵在於持續性。有了這個高科技訓練師，她不斷磨練自己的投籃，分別在高中和加州大學聖迭戈分校擔任得分後衛。
“鄰居都說我們是跟機器說話的怪人。”她說。
但情況已經發生了改變。過去幾年，高科技攝像機已經廣泛應用於高水平的籃球賽。2010年，也就是馬蒂從高中畢業那年，一家名為Stats的公司將首個SportVU攝像系統裝進了NBA球館。這些裝在屋頂上的攝像機不僅追蹤籃球，同樣追蹤球員的移動。到2013年，這些攝像機入駐了全部NBA球館。
使用機器學習及人工智能只是過去15年內徹底改變籃球這項運動數據分析革命的最新篇章。“這只是這一領域的延續。”布萊恩·庫普表示，作為體育科技工作人員，他協助Stats公司在早期將SportVU系統推廣到了NBA。
當然，球隊多年來一直在記錄諸如得分，籃板和助攻這樣的基礎數據。但有了數據分析後，當人們開始從數據角度看待一切，數據極客們確立了數學的威力。
當球隊第一次採用追蹤攝像機時，NBA早已開始使用複雜的數據統計方法。但新型數據的出現，要求技術和軟件也要做出更新。“這就出現了SportVU，而且我們採集的數據只靠Excel是沒法承受的。”庫普說道。
與此同時，功能越來越強大的計算機讓機器學習出現了新的突破，NBA球隊及Stats這樣的公司抓住了這個機會。他們的任務是將追蹤數據翻譯成可供研究，容易理解的信息；其中一個主要目標，就是明確如傳球這樣的特定動作，以及擋拆這樣的常見戰術。機器學習，或者更寬泛地說，人工智能，極為適合執行這個任務，因為歸根結底，計算機的核心就是模式識別。舉個例子，模式識別正是區分多種擋拆類型所需的技能。
需要明確的是，算法能做的事，人類都能做。人類其實很善於識別模式，多年來球隊也有專門工作人員審查錄像，確定值得注意的戰術，從數百小時的錄像中篩選一個傳球，投籃，籃板，空切和擋拆。
馬蒂會說話的電腦——以不斷改善的版本——伴隨她度過了高中和大學，幫助她訓練隊友，甚至協助她從傷病中恢復。她說：“這套系統和我一起長大。”
2001年，她的父親阿倫用自己的發明創始了名為“諾亞籃球”的公司；之所以使用這個名字，是因為聖經中諾亞擁有完美的“方舟”。據公司現任CEO約翰·卡特表示，被命名為“諾亞分析”的最新系統包括數據分析工具，如今已經被半數NBA球隊，眾多頂尖大學以及全美各地數百名個人用戶使用。他們的系統由位於籃板上方3.05米的攝像機構成，這些攝像機不但追蹤球的弧度，也會記錄球的深度以及接近籃板時的左右位置。系統會收集每一次出手數據，補充到數據庫中，這個數據庫已經記錄了全美各地超過1.5億次的投籃數據。
對於配備在新系統中的機器學習算法，這個數據至關重要。一些NBA球隊已經開始使用有面部識別系統的新版了，它可以同時記錄多名射手的投籃。舉個例子，這個改變可以讓系統收集球隊訓練中的數據並做出分析。據卡特表示，公司春天還會引入另一個新功能，捕捉球員的出手方式。使用深度學習(一種模仿人腦學習過程的機器學習)，系統可以確定特定類型的出手方式——不同難度的出手，會影響進球概率。
可能否進球，最終取決於球的行進軌跡。最近剛獲得生物訊息學博士學位的瑞秋·馬蒂分析了諾亞系統收集的2200萬次投籃，希望能找到更有效評估投手能力的方法。一般來說，教練和球探基於球員訓練時的命中數量評估投籃能力。出手數量越多，就越能評估她的真實能力。
考慮到不是所有球員都有機會出手幾千次，25歲的馬蒂表示，她嘗試了一種算法，可以識別命中投籃的特點，且只需要幾次出手就能預測球員的能力，教練和球探不再需要球員出手幾千次。通過分析記錄的數據，馬蒂的系統可以準確估算球員的能力。卡特說，這個功能最終也會被融入他們的商用產品。
機器學習及人工智能的影響並不侷限於賽場。Second Spectrum公司的主要工作，就是為痴迷於數據的極客球迷，針對他們提供定製化的觀賽體驗。比如他們的CourtVision增強視頻技術可以在球隊過往數據的基礎上，將球員的進球可能性等數據或圖像疊加在視頻中。球員跑動時，觀眾可以看到他頭頂的數字變化。公司的目標是讓這個技術廣泛用於所有比賽直播。
數據科學及智能機器正在幫助籃球運動員提高水平。
從小到大，瑞秋·馬蒂會跟父親一起在家門口的路上練習幾個小時的投籃。
有時，一臺會說話的電腦會加入他們。早年間，馬蒂的爸爸會把筆記本電腦與攝像機連接在一起，將這個設備裝在手推車上，推到街上由交通錐組成的場地上。在7.62米外，攝像機能夠捕捉馬蒂投籃時籃球的弧度。每次投籃後，電腦會報出皮球行進路線的角度。
43.47.42。
馬蒂說，最理想的進球角度是45度，關鍵在於持續性。有了這個高科技訓練師，她不斷磨練自己的投籃，分別在高中和加州大學聖迭戈分校擔任得分後衛。
“鄰居都說我們是跟機器說話的怪人。”她說。
但情況已經發生了改變。過去幾年，高科技攝像機已經廣泛應用於高水平的籃球賽。2010年，也就是馬蒂從高中畢業那年，一家名為Stats的公司將首個SportVU攝像系統裝進了NBA球館。這些裝在屋頂上的攝像機不僅追蹤籃球，同樣追蹤球員的移動。到2013年，這些攝像機入駐了全部NBA球館。
使用機器學習及人工智能只是過去15年內徹底改變籃球這項運動數據分析革命的最新篇章。“這只是這一領域的延續。”布萊恩·庫普表示，作為體育科技工作人員，他協助Stats公司在早期將SportVU系統推廣到了NBA。
當然，球隊多年來一直在記錄諸如得分，籃板和助攻這樣的基礎數據。但有了數據分析後，當人們開始從數據角度看待一切，數據極客們確立了數學的威力。
當球隊第一次採用追蹤攝像機時，NBA早已開始使用複雜的數據統計方法。但新型數據的出現，要求技術和軟件也要做出更新。“這就出現了SportVU，而且我們採集的數據只靠Excel是沒法承受的。”庫普說道。
與此同時，功能越來越強大的計算機讓機器學習出現了新的突破，NBA球隊及Stats這樣的公司抓住了這個機會。他們的任務是將追蹤數據翻譯成可供研究，容易理解的信息；其中一個主要目標，就是明確如傳球這樣的特定動作，以及擋拆這樣的常見戰術。機器學習，或者更寬泛地說，人工智能，極為適合執行這個任務，因為歸根結底，計算機的核心就是模式識別。舉個例子，模式識別正是區分多種擋拆類型所需的技能。
需要明確的是，算法能做的事，人類都能做。人類其實很善於識別模式，多年來球隊也有專門工作人員審查錄像，確定值得注意的戰術，從數百小時的錄像中篩選一個傳球，投籃，籃板，空切和擋拆。
馬蒂會說話的電腦——以不斷改善的版本——伴隨她度過了高中和大學，幫助她訓練隊友，甚至協助她從傷病中恢復。她說：“這套系統和我一起長大。”
2001年，她的父親阿倫用自己的發明創始了名為“諾亞籃球”的公司；之所以使用這個名字，是因為聖經中諾亞擁有完美的“方舟”。據公司現任CEO約翰·卡特表示，被命名為“諾亞分析”的最新系統包括數據分析工具，如今已經被半數NBA球隊，眾多頂尖大學以及全美各地數百名個人用戶使用。他們的系統由位於籃板上方3.05米的攝像機構成，這些攝像機不但追蹤球的弧度，也會記錄球的深度以及接近籃板時的左右位置。系統會收集每一次出手數據，補充到數據庫中，這個數據庫已經記錄了全美各地超過1.5億次的投籃數據。
對於配備在新系統中的機器學習算法，這個數據至關重要。一些NBA球隊已經開始使用有面部識別系統的新版了，它可以同時記錄多名射手的投籃。舉個例子，這個改變可以讓系統收集球隊訓練中的數據並做出分析。據卡特表示，公司春天還會引入另一個新功能，捕捉球員的出手方式。使用深度學習(一種模仿人腦學習過程的機器學習)，系統可以確定特定類型的出手方式——不同難度的出手，會影響進球概率。
可能否進球，最終取決於球的行進軌跡。最近剛獲得生物訊息學博士學位的瑞秋·馬蒂分析了諾亞系統收集的2200萬次投籃，希望能找到更有效評估投手能力的方法。一般來說，教練和球探基於球員訓練時的命中數量評估投籃能力。出手數量越多，就越能評估她的真實能力。
考慮到不是所有球員都有機會出手幾千次，25歲的馬蒂表示，她嘗試了一種算法，可以識別命中投籃的特點，且只需要幾次出手就能預測球員的能力，教練和球探不再需要球員出手幾千次。通過分析記錄的數據，馬蒂的系統可以準確估算球員的能力。卡特說，這個功能最終也會被融入他們的商用產品。
機器學習及人工智能的影響並不侷限於賽場。Second Spectrum公司的主要工作，就是為痴迷於數據的極客球迷，針對他們提供定製化的觀賽體驗。比如他們的CourtVision增強視頻技術可以在球隊過往數據的基礎上，將球員的進球可能性等數據或圖像疊加在視頻中。球員跑動時，觀眾可以看到他頭頂的數字變化。公司的目標是讓這個技術廣泛用於所有比賽直播。
這種實時可能性的新興應用市場，就是體育博彩，五月，美國最高法院撤銷了對體育商業博彩的禁令，美國大多數州已允許體育博彩。很多體育博彩涉及在一場比賽的特定時間投注，比如某個球員能否在一節比賽裡得到20分。為了確定賠率，博彩公司需要實時可能性。庫普表示，這種技術可能需要數年時間才能發展完善，但機會就在眼前。
隨著體育接納人工智能，機器會統治一切嗎？不管怎麼說，目前世界上最好的國際象棋，圍棋選手都是電腦。未來NBA的比賽會降格到算法之間的競爭嗎？
不過TruMedia的數據科學副總裁迪恩·奧利弗認為這種情況不可能發生，他被看作是籃球分析界的先鋒。在戰略及戰術層面，你無法像解決圍棋比賽那樣解決籃球比賽。複雜的棋牌運動需要遵守嚴格的規則，而籃球是流動的，球隊需要不斷做出調整與反調整。“不存在統治性的戰略。”他說，“籃球比賽更有活力。”
數據科學及智能機器正在幫助籃球運動員提高水平。
從小到大，瑞秋·馬蒂會跟父親一起在家門口的路上練習幾個小時的投籃。
有時，一臺會說話的電腦會加入他們。早年間，馬蒂的爸爸會把筆記本電腦與攝像機連接在一起，將這個設備裝在手推車上，推到街上由交通錐組成的場地上。在7.62米外，攝像機能夠捕捉馬蒂投籃時籃球的弧度。每次投籃後，電腦會報出皮球行進路線的角度。
43.47.42。
馬蒂說，最理想的進球角度是45度，關鍵在於持續性。有了這個高科技訓練師，她不斷磨練自己的投籃，分別在高中和加州大學聖迭戈分校擔任得分後衛。
“鄰居都說我們是跟機器說話的怪人。”她說。
但情況已經發生了改變。過去幾年，高科技攝像機已經廣泛應用於高水平的籃球賽。2010年，也就是馬蒂從高中畢業那年，一家名為Stats的公司將首個SportVU攝像系統裝進了NBA球館。這些裝在屋頂上的攝像機不僅追蹤籃球，同樣追蹤球員的移動。到2013年，這些攝像機入駐了全部NBA球館。
使用機器學習及人工智能只是過去15年內徹底改變籃球這項運動數據分析革命的最新篇章。“這只是這一領域的延續。”布萊恩·庫普表示，作為體育科技工作人員，他協助Stats公司在早期將SportVU系統推廣到了NBA。
當然，球隊多年來一直在記錄諸如得分，籃板和助攻這樣的基礎數據。但有了數據分析後，當人們開始從數據角度看待一切，數據極客們確立了數學的威力。
當球隊第一次採用追蹤攝像機時，NBA早已開始使用複雜的數據統計方法。但新型數據的出現，要求技術和軟件也要做出更新。“這就出現了SportVU，而且我們採集的數據只靠Excel是沒法承受的。”庫普說道。
與此同時，功能越來越強大的計算機讓機器學習出現了新的突破，NBA球隊及Stats這樣的公司抓住了這個機會。他們的任務是將追蹤數據翻譯成可供研究，容易理解的信息；其中一個主要目標，就是明確如傳球這樣的特定動作，以及擋拆這樣的常見戰術。機器學習，或者更寬泛地說，人工智能，極為適合執行這個任務，因為歸根結底，計算機的核心就是模式識別。舉個例子，模式識別正是區分多種擋拆類型所需的技能。
需要明確的是，算法能做的事，人類都能做。人類其實很善於識別模式，多年來球隊也有專門工作人員審查錄像，確定值得注意的戰術，從數百小時的錄像中篩選一個傳球，投籃，籃板，空切和擋拆。
馬蒂會說話的電腦——以不斷改善的版本——伴隨她度過了高中和大學，幫助她訓練隊友，甚至協助她從傷病中恢復。她說：“這套系統和我一起長大。”
2001年，她的父親阿倫用自己的發明創始了名為“諾亞籃球”的公司；之所以使用這個名字，是因為聖經中諾亞擁有完美的“方舟”。據公司現任CEO約翰·卡特表示，被命名為“諾亞分析”的最新系統包括數據分析工具，如今已經被半數NBA球隊，眾多頂尖大學以及全美各地數百名個人用戶使用。他們的系統由位於籃板上方3.05米的攝像機構成，這些攝像機不但追蹤球的弧度，也會記錄球的深度以及接近籃板時的左右位置。系統會收集每一次出手數據，補充到數據庫中，這個數據庫已經記錄了全美各地超過1.5億次的投籃數據。
對於配備在新系統中的機器學習算法，這個數據至關重要。一些NBA球隊已經開始使用有面部識別系統的新版了，它可以同時記錄多名射手的投籃。舉個例子，這個改變可以讓系統收集球隊訓練中的數據並做出分析。據卡特表示，公司春天還會引入另一個新功能，捕捉球員的出手方式。使用深度學習(一種模仿人腦學習過程的機器學習)，系統可以確定特定類型的出手方式——不同難度的出手，會影響進球概率。
可能否進球，最終取決於球的行進軌跡。最近剛獲得生物訊息學博士學位的瑞秋·馬蒂分析了諾亞系統收集的2200萬次投籃，希望能找到更有效評估投手能力的方法。一般來說，教練和球探基於球員訓練時的命中數量評估投籃能力。出手數量越多，就越能評估她的真實能力。
考慮到不是所有球員都有機會出手幾千次，25歲的馬蒂表示，她嘗試了一種算法，可以識別命中投籃的特點，且只需要幾次出手就能預測球員的能力，教練和球探不再需要球員出手幾千次。通過分析記錄的數據，馬蒂的系統可以準確估算球員的能力。卡特說，這個功能最終也會被融入他們的商用產品。
機器學習及人工智能的影響並不侷限於賽場。Second Spectrum公司的主要工作，就是為痴迷於數據的極客球迷，針對他們提供定製化的觀賽體驗。比如他們的CourtVision增強視頻技術可以在球隊過往數據的基礎上，將球員的進球可能性等數據或圖像疊加在視頻中。球員跑動時，觀眾可以看到他頭頂的數字變化。公司的目標是讓這個技術廣泛用於所有比賽直播。
這種實時可能性的新興應用市場，就是體育博彩，五月，美國最高法院撤銷了對體育商業博彩的禁令，美國大多數州已允許體育博彩。很多體育博彩涉及在一場比賽的特定時間投注，比如某個球員能否在一節比賽裡得到20分。為了確定賠率，博彩公司需要實時可能性。庫普表示，這種技術可能需要數年時間才能發展完善，但機會就在眼前。
隨著體育接納人工智能，機器會統治一切嗎？不管怎麼說，目前世界上最好的國際象棋，圍棋選手都是電腦。未來NBA的比賽會降格到算法之間的競爭嗎？
不過TruMedia的數據科學副總裁迪恩·奧利弗認為這種情況不可能發生，他被看作是籃球分析界的先鋒。在戰略及戰術層面，你無法像解決圍棋比賽那樣解決籃球比賽。複雜的棋牌運動需要遵守嚴格的規則，而籃球是流動的，球隊需要不斷做出調整與反調整。“不存在統治性的戰略。”他說，“籃球比賽更有活力。”
事實上，教練的工作遠不止指定戰術這麼簡單。“教練一項很少被提起的工作，就是與球員合作的能力，如何激勵他們，讓他們團結在一起。”奧利弗說。
儘管最早接受機器學習的球隊確實獲得了競爭優勢，但他補充，機器學習尚未給比賽帶來革命性變化。“現在的籃球與10年前的變化不在於人工智能和機器學習參與到了其中。”他說，“極度簡化的說法就是，史蒂芬·庫裡改變了籃球。”庫裡的遠程出手能力迫使球隊放棄了傳統策略。
作為數據科學家，馬蒂不再像過去那樣經常打籃球。但拜訪父母時，她總會搬出舊的投籃追蹤系統，就像當年她和父親一起投籃的那些夜晚。“那是很特別的父女之間的聯繫。”她說。
她說，以45度角命中投籃會讓人上癮。但這很有趣，而且迴歸基本是好事——儘管這意味著你需要一臺會說話的電腦。