目前，NBA球队和体育公司已经转向学习型机器和人工智能化，这些新兴技术结合了前所未有的大量数据，揭示了对于单个球员，球队以及对手的新见解，并能够改变职业球员打篮球的方式以及球迷观看比赛的习惯。在过去15年左右的时间里，分析革命一直在影响篮球，而机器学习和人工智能就是其在篮球中的最新篇章。“这只是一系列的延续。”早期帮助Stats LLC技术公司与NBA合作的体育技术主管Brian Kopp如是说。

　　当然，长期以来，球队一直在记录其得分，篮板和助攻等基本统计数据。但是在这种建立于分析的统计方法的帮助下，数学的力量显现了出来。他们使用统计工具设计了新的指标和公式，可以更准确地量化和预测球员和球队的表现。可以预见，在不久的将来，在任何篮球比赛或体育脱口秀节目商，你听到解说员提起进攻效率和PER（球员效率等级）这样的术语，就像听到“上篮”一样频繁。

　　当球队首次采用跟踪摄像机来分析球员投篮的角度时，这种复杂的统计方法对于NBA来说已经不算新鲜事了，但新的大量数据需要更新的技术和软件支持。 Kopp在接受媒体采访时表示：“随着SportsVU系统（监控摄像机追踪系统）的应用，我们所获得的数据就不是简单的记录在Microsoft Excel表格中 的数字了。”与此同时，功能日益强大的计算机正在推动学习型机器的发展，因此NBA团队和Stats等公司都在使用它。目前他们的任务是把追踪到的数据变成更易理解的表达，比如说一个特定的目标，就像是识别如同“带球”这样特定的动作，“挡拆”（即掩护走位）这样需要球手和队友细致入微的配合策略。无论是学习型机器还是人工智能都能完美完成这些若任务，尽管我们无从得知其运作模式，但而模式识别正是区分比如由“挡拆”衍生而来的变体动作所需要的。

　　对于需要学习这些模式的算法而言，首先，它必须创建一个初始数据集，训练数据越多，算法在识别前所未见的数据模式方面的表现就越好。然后，通过该生成的软件可以浏览所有跟踪数据，识别并标记每场球赛甚至每个球员，并创建一个可搜索，注释的数据集并将每个球员动画化的移动点图表。有了这样一个数据库，教练可以做很多事情，例如，寻找特定比赛中的特定对手的胜率。有必要的话，他们可以把每次勒布朗·詹姆斯冲向篮筐并且从角落传球给队友，让其能够顺利投中三分球的举动单独列出来。

　　不过我们需要的知道的一点是，这些算法完成的计算人类同样可以做到。人类非常善于识别各种模式，而且NBA团队长期雇用员工来审查视频并识别球赛规划的明显短板。但是，让人类筛选数百小时的镜头来识别每一次传球，投篮，抢篮板，切入，投篮和翻滚这些动作，是非常不切实际的。Second Spectrum的总裁Maheswaran认为，学习型机器引导自动化发展，这就让教练有更多的时间来制定战略并与球员互动。