初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり -

初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり 柳辺 十武 IT本部AI・データ戦略統括部AI技術開発部 株式会社ディー・エヌ・エー

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 自己紹介 ヤナべ トム 柳辺 十武 AI技術開発部 ビジョンアンドスポーツグループ所属 AI技術開発部 ゲームエンタメグループ兼務 2022年新卒 川崎ブレイブサンダース AI強化プロジェクト PdM EDGE POKER Lead AI Engineer Kaggle Master / T0m

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 自己紹介 「NFL Big Data Bowl 2026 - Prediction」にて、5th Placeでゴールド🥇 2枚目のソロ金, やっとGMにリーチ、、、 NFLコンペの参加にあたって 「業務との関連」, 「コンペ概要/解法紹介」, 「生成AI活用」についてお話しします！

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 業務紹介 - 川崎ブレイブサンダース AIチーム強化 川崎ブレイブサンダース：日本の男子プロバスケットボール Bリーグに所属するプロチーム

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 業務紹介 - 川崎ブレイブサンダース AIチーム強化 日本バスケ界では、データ取得や活用がまだ限定的である AI / データサイエンスの力でチームに貢献し, 常勝チームとなる / 支える 映像提供: Softbank 1. ビジョンモデルを組み合わせて「トラッキングデータ」の作成 2. それら複合的なデータを用いた分析

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 業務紹介 - 川崎ブレイブサンダース AIチーム強化 日本バスケ界では、データ取得や活用がまだ限定的である AI / データサイエンスの力でチームに貢献し, 常勝チームとなる / 支える 1. ビジョンモデルを組み合わせて「トラッキングデータ」の作成 2. それら複合的なデータを用いた分析 EPV（期待値）を用いた選手のアクション評価や状態価値の可視化 POINTWISE: Predicting Points and Valuing Decisions in Real Time with NBA Optical Tracking Data

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 業務紹介 - EDGE POKER （宣伝） 2026年1月27日 配信開始 スマートフォン向けポーカーゲームアプリ DeNA と 株式会社POKER ROOM がタッグを組んで開発 累計15万 ダウンロードを突破！！ ※ リリースから1週間

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 業務紹介 - EDGE POKER （宣伝） 初心者から上級者までもが快適で学びとなるためのAIをDeNAでゼロから開発・実装 高速かつ高精度な「EDGE AI」が様々な機能で活躍 バディAI AIふりかえり AI GUIDE 公式 note

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - kaggle NFLコンペ概要 NFL（National Football League）：アメリカのプロアメリカンフットボールリーグ 毎年お題を変え、kaggleにてコンペが開催されている（分析コンペの場合も） 日本人に人気なコンペの印象があり、激戦になるイメージ 今年のリーダーボード, 1899teams

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - kaggle NFLコンペ概要 今年のお題は 「パスプレー時、ボールが空中にある間の選手の位置（軌跡）の推定」

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - kaggle NFLコンペ概要 使える主なデータ ・オフェンス/ディフェンスのパスまでのトラッキングデータ（10fps: 位置座標, 速度, 加速度, 向き） ・ボールの着地情報（！） ・着地位置 ・着地が何フレーム先か ・各選手のメタデータ（身長 / 体重 / その他諸々） 予測する対象 ・パスリリース後からボール着地までの対象選手の毎フレームの位置座標 ※ not 全選手

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - kaggle NFLコンペ概要 今年のお題は 「パスプレー時、ボールが空中にある間の選手の位置（軌跡）の推定」 入力フェーズ 予測フェーズ

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - コンペ参加のモチベーション この頃プロジェクトは、 トラッキングデータの作成パイプラインが十分な精度に達してきた 大量の試合でパイプラインを回せる高速化とその整備が整ってきた 予測対象は違えど, トラッキングデータから「選手の時空間的な相互作用を埋め込むアーキテクチャ」の模索に興味

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - コンペ参加のモチベーション そんなこんなでコンペ参加 同じプロジェクトの kunはMABe（ねずみコンペ）に参加するとのことで見送り 社内slackの自分のtimes

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - コンペ参加時に考えたこと ・予測のさせ方は何パターンか試してみよう. ・直接{x, y}の予測, 最終フレームからの差分予測, 前フレームからの差分... ・Privateは未来データなので選手のメタデータは一切使わない方が良さそう ・絶対座標の系列はそのまま使うと過学習しそう ・外部データOKなので、使えるだけ使おう ・シンプルな系列データなのでAugmentationは何かできないか ・遠すぎるフレームは予測がそもそも難しそう

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 上位解法 上位解法で見られた共通点や興味深いアプローチ ① 特徴量エンジニアリングを行わず、シンプルな入力のみでアーキテクチャや学習方法で工夫 ② 不確実性の予測 1st, 4thでは GaussianNLL Loss を用いた不確実性をセットにした予測 予測対象とその不確実さを同時に予測し、分散が大きいとわかっているデータの重みを小さくする ③ 時間シフトによるデータAugmentation 遠いフレームは予測困難かつデータが少ない そこで、仮想的にパスのタイミングを前にずらす事で予測フェーズの長さを増して対応 本来のデータ 入力フェーズ 予測フェーズ 時間シフト 拡張されたデータ 入力フェーズ 予測フェーズ

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 上位解法 上位解法で見られた共通点や興味深いアプローチ ① 特徴量エンジニアリングを行わず、シンプルな入力のみでアーキテクチャや学習方法で工夫 プレイヤーの動きはパスがリリースされる前後で傾向が異なるはず と見誤ってしまい、後回しにしたままコンペ終了;; ② 不確実性の予測 何年やっても「思いついたなら全部やれよ」という反省をし続けてる、、、 1th, 4thでは GaussianNLL Loss を用いた不確実性をセットにした予測 予測対象とその不確実さを同時に予測し、分散が大きいとわかっているデータの重みを小さくする ③ 時間シフトによるデータAugmentation 遠いフレームは予測困難かつデータが少ない そこで、仮想的にパスのタイミングを前にずらす事で予測フェーズの長さを増して対応 本来のデータ 入力フェーズ 予測フェーズ 時間シフト 拡張されたデータ 入力フェーズ 予測フェーズ

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 5th Place Solution - 概要 ・予測のさせ方は何パターンか試してみよう. ・直接{x, y}の予測, 最終フレームからの差分予測, 前フレームからの差分... ・Privateは未来データなので選手のメタデータは一切使わない方が良さそう ・座標の系列データはそのまま使うと過学習しそう → 最終位置座標との相対座標のみを入力に（絶対位置は失われる） ・外部データOKなので、使えるだけ使おう → 過去コンペデータを使用（後述） ・シンプルな系列データなのでAugmentationは何かできないか → {x, y}-flip, ... ・遠すぎるフレームは予測がそもそも難しそう

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 5th Place Solution - 概要 ・入力は極力シンプルで基本系列データのみ ・前フレームからの差分を予測対象とする ・序盤でこちらの方が安定した ・ターゲットの分布が安定していそう ・過去コンペのデータを今回のコンペ形式に変換し利用 ・対象選手のみで学習 ・全選手のデータを予測してPseudolabelとして使用 ・あとはひたすらモデルのアーキテクチャ磨き込み

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 5th Place Solution - アーキテクチャ模索にフルスイング 選手の軌跡を時空間的に埋め込み

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 5th Place Solution - アーキテクチャ模索にフルスイング 選手のパス直前, 最後の位置関係を埋め込み

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 5th Place Solution - アーキテクチャ模索にフルスイング 予測フェーズの選手埋め込みを時空間的に埋め込み

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 5th Place Solution - ちょっとだけ推しポイント backbone いい感じの埋め込み Repeat 君はNフレーム目を 予測してください ‥ Head 位置埋め込みマン

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 5th Place Solution - ちょっとだけ推しポイント 選択肢としては ・フレーム番号（N）をベクトルに追加する ・Positional Encoding RoPE（Rotary Positional Encoding） ・ベクトルに回転を適用して、位置情報を反映させる手法 ・想定外の長さの埋め込みを指示された時に、回転による埋め込 みならロバストになることを期待

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 5th Place Solution - 生成AI活用 - 可視化 可視化用のStreamlitAppをCursorで作成 一度もコードを見ずに、予測値の可視化や誤差の大きいサンプルを片っ端から確認 自分で作る場合、ついついカッコよく作り込みたくなってしまい時間の無駄、、、

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 5th Place Solution - 生成AI活用 - 外部データセット活用 過去コンペのデータは、形式は同じだが予測対象が異なる 補完をしたり整形をしながら、分布が異なっていないかを確認するのはめんどう（ソロなら特に） そこで使えそうなデータセットをDeepResearchで列挙してもらいダウンロード あとは Cursorに全任せ やったことはシンプルだが、作業時間短縮としての効果は絶大 これができなかったら、これやってもらうためにマージを検討するレベル （ものの数分でリサーチ、実装、検証までをやってくれるのありがたすぎる、、、）

AI Talks #6 - 初めてプロジェクト起因で参加したkaggle - NFL2026 ふりかえり - 結果 と まとめ ・GMリーチ！ ・Pretrainや計算力で殴り合うタイプではなく、NNのコネコネで戦えた 面白いコンペでした ・生成AIのサポートがあったからこそソロで戦うことができた ・じゃあこれがバスケのプロジェクトでどう使われるの？が気になる方は今後の発信に注目しててね ・（学生の方は）バスケ×AI 毎年サマーインターンやってるからぜひ応募してね