Ovviamente, una tale differenza di prestazioni comporta una quantità di lavoro decisamente maggiore: in ogni incontro, infatti, la DFL raccoglie e analizza oltre 3.6 milioni di data points, necessari per approfondire in maniera così accurata quanto avviene sul terreno di gioco.
Amazon Web Services, per creare un modello di machine learning (ML) che contenesse al suo interno un database con la registrazione di oltre 40.000 conclusioni verso la porta effettuate nel campionato tedesco dal 2017 ad oggi, si è servita del proprio algoritmo “Amazon SageMaker XGBoost“, utilizzato sia come training script (come algoritmo incorporato) sia come estensione per l’aggiunta di script in pre o post elaborazione (e quindi come framework, una piattaforma in cui un software può essere creato o modificato dal programmatore).

Il team dell’azienda di commercio statunitense, per facilitare la scrittura dell’iperparametro “XGBoost“, ha potuto usufruire anche del proprio programma “Amazon SageMaker Python SDK” (una libreria open source creata per la formazione e la distribuzione di modelli ML), grazie al quale è stata eliminata la tradizionale complessità della gestione delle risorse necessarie per l’ottimizzazione automatica dell’algoritmo.
In ogni caso, la semplice produzione di un modello ML attraverso Amazon SageMaker non è sufficiente a creare la pipeline (ossia l’insieme di componenti collegati tra loro a cascata) dell’intero software: per completare il processo sono infatti necessarie molte altre operazioni, come l’aggiunta di specifici componenti dell’applicazione, l’implementazione del modello, e l’integrazione, la pre elaborazione e la pulizia finale dei dati.