머신러닝이 스포츠 경기를 진화시키는 방법

[IT동아 이상우 기자] 오늘날 머신러닝은 다양한 영역에서 쓰이며 기업의 기존 비즈니스를 자동화 해 업무 효율성과 민첩성을 높이고, 소비자에게는 새롭고 편리한 사용자 경험을 제공할 수 있다. 우리가 사용하는 쇼핑몰 상품 추천이나 취향에 맞춘 영화 콘텐츠 추천부터 시작해, 의약 분야에서는 임상실험 대신 머신러닝으로 약물의 효능을 평가할 수 있고, 의료 분야에서는 방사선 사진으로 종양의 양성/음성 여부를 판별할 수도 있다.

이러한 머신러닝을 스포츠에 적용하면 시청자에게 경기 장면 외에도 다양한 정보를 실시간으로 제공하면서, 시청자의 보는 재미를 높일 수 있다. 미국 내셔널 풋볼 리그(이하 NFL)는 AWS의 머신러닝 플랫폼을 기반으로 NGS(Next Generation Stats) 프로그램을 구축하고, 경기 내용이나 선수의 행동을 실시간으로 수집/분석해, 팬과 코치, 선수에게 보는 재미와 새로운 인사이트를 제공하고 있다.

미식축구(풋볼) 경기 중에는 경기와 관련한 수많은 데이터가 발생한다. 가령 선수가 서 있는 위치나 이동 방향, 뛰는 속도와 주행법(런), 패스나 태클의 성공 등에 따라 경기의 진행 양상이나 결과가 달라진다. NFL은 AWS 머신러닝 플랫폼을 통해 이러한 내용을 실시간으로 데이터화하고, 눈 만으로는 알 수 없는 정확한 정보나 각 행동의 성공률을 보여준다.

NFL은 선수의 어깨 보호대와 공에는 RFID 태그를 장착해 경기장에서 발생하는 움직임음을 데이터화하고, 클라우드 호스팅 서비스인 아마존 EC2 및 스토리지 서비스인 아마존 S3를 통해 클라우드 서버에 전송/저장한다. 많은 데이터가 발생하더라도 원하는 수준으로 스토리지를 확장하거나 컴퓨팅 자원을 추가로 할당할 수 있는 만큼 예기치 못한 데이터 발생에도 쉽게 대응할 수 있다.

이렇게 수집한 실시간 데이터는 기존에 갖추고 있는 데이터와 더해져 머신러닝 모델을 통해 처리한다. 아마존 세이지메이커를 통해 구축한 머신러닝 모델은 기존 경기에서 발생한 선수의 득점이나 실책 등의 박스 스코어를 통해 꾸준한 학습을 진행하고, 매번 새로운 경기 결과가 나오면 이를 추가하며 모델을 개선한다. 이렇게 훈련한 인공지능 모델은 경기 중에도 실시간으로 배치돼 RFID 태그로 수집한 경기 데이터를 인식하고, 이후 팀이 어떤 대형을 선택할지, 어떤 방향으로 선수와 공이 이동할지, 공격은 성공할 것인지 등의 예측 데이터를 출력한다.

머신러닝 모델 구축에는 데이터 수집, 저장, 추출, 모델 구축, 테스트 및 검증 등 많은 시간과 노력이 필요하다. 아마존 세이지메이커는 개발자가 이러한 과정을 간소화할 수 있도록 각종 기능을 서비스화한 것이 특징이다. 이를 통해 기업은 자신의 비즈니스에 머신러닝을 더 빠르게 도입할 수 있도록 해준다. NFL의 경우 이를 통해 데이터 분석 속도 및 정확도를 높였으며, 인텔리전스 도구인 아마존 퀵사이트를 통해 시청자, 방송사 및 편집자, 팀 및 코치가 활용할 수 있는 데이터를 확보했으며, 특히 모델을 구축해 학습하고 실시간 데이터를 도입해 결과를 얻는 시간을 단축했다. 특히 이를 운용할 데이터 과학자 팀을 별도로 확보할 필요 없이, 앤지니어가 직접 이러한 머신러닝 작업을 할 수 있게 됐다는 설명이다.

이러한 데이터와 결과를 바탕으로 NFL은 시청자에게 더 나은 시청 경험을 제공할 수 있다. 예를 들어 선수가 공을 다른 선수에게 던진다면 공이 날아가는 시점에서 시청자는 패스 성공 여부를 수치로 확인할 수 있다. 단순히 눈으로 공의 이동을 보는 것과 달리, 해당 선수의 실책 비율이나 공을 안정적으로 던질 수 있는 거리, 공을 받는 리시버의 위치 등 종합적인 정보를 머신러닝을 기반으로 처리해 수치로 보여줄 수 있기 때문이다.

뿐만 아니라 공을 받은 리시버가 달리기 시작하면 어느 방향으로 달릴지 예측하거나, 상대팀의 수비수 위치나 수비 대형을 파악한 뒤 얼마나 전진할 수 있을지 파악하는 것도 가능하다.

또, NFL은 이러한 정보를 통해 팀에 제공한다. 머신러닝을 통해 파악한 선수의 움직임을 통해 코치가 더 나은 경기 계획을 세우고, 선수의 안전을 확보할 수 있는 훈련 방법을 찾을 수 있도록 도와주며, 협회는 위험을 줄이도록 경기 규칙을 개선할 수도 있다.

방송사 역시 데이터를 기반으로 경기를 더 자세하게 설명할 수 있으며, 카메라가 놓친 상황에 대해서도 통찰력을 얻을 수 있다. 뿐만 아니라 데이터를 시각화하고 방송 송출 장면에 CG로 합성하면 마치 실제 경기를 컴퓨터 게임 화면 처럼 다양한 정보와 함께 시청자에게 제공하는 것도 가능하다.

글 / IT동아 이상우(lswoo@itdonga.com)