Des chercheurs enseignent le football américain aux modèles d'IA.
La rédaction ·

Des chercheurs de l'Université Carnegie Mellon (CMU) ambitionnent de créer un outil d'intelligence artificielle capable de prédire les actions à venir, de simuler les résultats et d'améliorer la compréhension du football américain par les professionnels et les supporters. Crédit : Université Carnegie Mellon
La NFL a donné aux chercheurs de l'Université Carnegie Mellon accès aux films officiels et aux données de terrain afin de développer de nouvelles technologies susceptibles d'améliorer la façon dont les entraîneurs, les joueurs et les fans annotent, analysent et comprennent les matchs.
Le projet associe Chenyan Xiong, un passionné de football autoproclamé et professeur associé à l'Institut des technologies du langage de l'école d'informatique Kenneth C. Griffin, à Ron Yurko, directeur du Centre d'analyse sportive de Carnegie Mellon (CMSAC), pour construire un modèle d'intelligence artificielle capable d'apprendre le football.
« L’accès aux enregistrements vidéo officiels de la NFL est une opportunité incroyable », a déclaré Yurko, professeur adjoint au département de statistique et de science des données du Collège Dietrich des sciences humaines et sociales. « Le fait d’avoir pu élaborer ce projet de recherche et démontrer comment la création de nouvelles technologies basées sur l’IA pourrait être extrêmement bénéfique pour la ligue et ses équipes est passionnant. Nous sommes le seul établissement à mener des recherches avec ces données. »
Yurko a déjà collaboré avec la NFL, intégrant ses recherches au chatbot d'IA NFL IQ lors de la draft NFL 2026. Ce chatbot permettait aux utilisateurs de poser des questions et d'obtenir des réponses du modèle. Les recherches de Xiong à l'université Carnegie Mellon portent sur la création de technologies d'IA exploitant d'énormes quantités de données provenant de diverses sources afin de comprendre et de résoudre des problèmes dans des domaines tels que la santé. Passionné de football américain, il souhaitait développer un outil d'IA pour la NFL.
Depuis son bureau, où il expose fièrement des ballons de football signés par Ben Roethlisberger, Xiong et Yurko ont commencé à réfléchir à la manière dont ils pourraient unir leurs expertises dans la recherche et le développement de technologies au bénéfice de la NFL et de ses fans. Ils ont contacté la NFL et ont été acceptés au sein de l'initiative NFL Forward, un programme qui permet aux entrepreneurs et aux chercheurs de proposer des solutions technologiques pour la compétition, l'entraînement, le développement des joueurs et l'expansion de la popularité de ce sport.
« Nous voulons déterminer si nous pouvons entraîner des modèles de base sur ces données afin qu'ils appréhendent les subtilités de l'intelligence footballistique », a déclaré Xiong. « Dans ce cas précis, l'intelligence footballistique est comparable aux connaissances d'un supporter moyen. Le modèle peut comprendre les actions de jeu, potentiellement les prédire ou, une fois une action observée, identifier si elle a déjà été exécutée, par exemple par une autre équipe. »
Cet outil n'est pas réservé aux seuls fans. L'annotation et l'analyse des séquences vidéo et des données des joueurs sur le terrain représentent une tâche importante pour les entraîneurs. Grâce à ce programme, la NFL a donné à l'université Carnegie Mellon (CMU) accès aux enregistrements des matchs et aux données de suivi des joueurs Next Gen Stats, fournies par Amazon Web Services (AWS) et issues de puces RFID intégrées aux épaulières, à l'équipement et au ballon, permettant ainsi d'obtenir des informations de localisation en temps réel pour chaque élément du terrain.
« Nous sommes honorés de collaborer avec une institution aussi prestigieuse que CMU, qui explore des pistes pour améliorer l'efficacité du football américain », a déclaré Mike Lopez, directeur principal des données et analyses footballistiques à la NFL. « L'innovation est essentielle à l'évolution de ce sport, et nous sommes impatients de découvrir les résultats de cette recherche. »
« Historiquement, l'étude des données du football américain nécessitait un visionnage intensif de vidéos, ce qui impliquait que les entraîneurs et les recruteurs passent des centaines, voire des milliers d'heures, à visionner et à annoter manuellement chaque action », a expliqué Yurko. « Grâce à l'abondance de séquences vidéo dont dispose la NFL et aux modèles d'IA actuels, nous pouvons désormais concevoir un système à grande échelle capable d'automatiser une grande partie de ces tâches fastidieuses. »
Xiong et Yurko ont reçu plusieurs téraoctets de données, ce qui explique leur recours aux modèles de base – des modèles d'IA d'apprentissage profond entraînés sur de grandes quantités de données – dans leurs travaux. Grâce à ces données d'entraînement, le modèle peut apprendre davantage et potentiellement gérer des tâches plus complexes.
Mais avant de pouvoir créer un modèle capable de traiter à la fois les données vidéo et les données de suivi des joueurs, les chercheurs ont dû commencer par des systèmes plus simples. Ils ont donc créé deux systèmes pré-entraînés qui servent de base à leur modèle plus complexe. L'un utilise les vidéos et l'autre les données de suivi des joueurs pour accomplir la même tâche : apprendre le football. Xiong a expliqué que la première étape consiste essentiellement à comprendre ce qui se passe sur le terrain. La suivante est plus complexe.
« Par exemple, une fois que le modèle a compris ce qui s'est passé sur le terrain après l'action, peut-il faire des prédictions avant l'action suivante ? » a demandé Xiong. « Y aura-t-il un blitz ? Ce safety va-t-il changer de couverture ? »
Les chercheurs doivent exploiter les données vidéo et les données de suivi des joueurs pour créer un modèle capable d'apprendre de leur combinaison. Y parvenir pourrait nécessiter davantage de données et de temps, mais cet investissement pourrait s'avérer bénéfique, notamment en améliorant les capacités de prédiction et l'efficacité. Par exemple, explique Xiong, leur modèle pourrait potentiellement simuler le déroulement d'une action en fonction de certaines décisions ou prendre des décisions tactiques basées sur des résultats estimés.
« Cela va aider les entraîneurs et les recruteurs à se concentrer sur ce qui compte le plus et peut contribuer à rendre la ligue plus efficace », a déclaré Yurko.
https://www.cmu.edu/news/stories/archives/2026/november/cmu-researchers-teach-football-to-ai-models
Source : cmu.edu