A mis colegas y a mí nos fascina
la ciencia de los puntos móviles.
¿Qué son estos puntos?
Somos nosotros.
Nos movemos en casa, en la oficina,
mientras compramos y viajamos
por nuestras ciudades
y alrededor del mundo.
¿No sería genial si pudiéramos
entender estos movimientos,
si pudiéramos encontrar patrones,
significado y sentido en eso?
Por fortuna para nosotros,
vivimos en una época
en la que somos muy buenos capturando
información sobre nosotros mismos.
Sea mediante sensores, videos
o aplicaciones,
podemos rastrear los movimientos
con mucho detalle.
Y una de las mejores fuentes
de datos sobre el movimiento
es en los deportes.
Sea baloncesto o béisbol,
fútbol americano o el otro fútbol,
equipamos los estadios y jugadores
para seguir sus movimientos
en cada fracción de segundo.
Así que convertimos a los atletas
--quizá lo adivinaron--
en puntos móviles.
Tenemos montañas de puntos móviles
y como la mayoría de los datos en crudo
son difíciles de manejar,
y no son tan interesantes.
Pero hay cosas que los entrenadores
de baloncesto quieren saber.
El problema es que no pueden
retener cada segundo
de cada juego, recordarlo y procesarlo.
Nadie puede hacer eso,
pero una máquina sí.
El problema de la máquina es que
no ve el juego con ojo de entrenador.
Al menos no podía hasta ahora.
Así que ¿qué le enseñamos
a ver a la máquina?
Empezamos con cosas simples.
Le enseñamos cosas como pases,
tiros y rebotes.
Cosas que cualquier fan conoce.
Y luego seguimos con cosas
levemente más complicadas:
Posteos, bloqueos y continuación,
aislamientos.
Si no las conocen, está bien. Los
jugadores aficionados quizá lo sepan.
Hemos logrado que la máquina
entienda secuencias complejas
como bloqueos verticales abajo
y hasta con rotaciones complejas.
Básicamente cosas que
solo saben los profesionales.
Hemos enseñado a la máquina
a ver con ojos de entrenador.
¿Cómo hemos podido hacerlo?
Si pidiera a un entrenador
describir un bloqueo y continuación,
me daría una descripción;
y si pusiera eso en un algoritmo,
sería terrible.
El bloqueo y continuación es esa danza
del baloncesto entre cuatro jugadores,
dos atacantes y dos defensores.
Es más o menos así.
Hay un tipo en ataque sin la pelota,
se pone al lado del tipo que marca
y que tiene la posesión de la pelota,
se queda allí,
y ambos se mueven y ocurre, cha-chan,
un bloqueo y continuación.
(Risas)
Eso es un ejemplo de
un algoritmo complicado.
Si el jugador que se interpone,
llamado bloqueador,
se acerca, pero no se detiene,
quizá no sea un bloqueo y continuación.
O si se detiene, pero no queda muy cerca,
quizá no sea un bloqueo y continuación.
O si se acerca al otro y realmente para,
pero lo hacen debajo de la cesta,
quizá no sea un bloqueo y continuación.
O podría equivocarme, todos esos casos
podrían ser bloqueos y continuación.
Todo depende del tiempo exacto,
las distancias, los posicionamientos,
y eso lo hace difícil.
Por suerte, con el aprendizaje máquina,
podemos exceder nuestra capacidad
de describir las cosas que conocemos.
¿Cómo funciona esto?
Bueno, con ejemplos.
Vamos a la máquina y le decimos:
"Buenos días, máquina.
Aquí hay bloqueos y continuación,
y aquí otras cosas que no lo son.
Por favor, encuentra cómo
establecer la diferencia".
Y la clave de todo esto es encontrar
características que le permitan separar.
Si yo tuviera que enseñar la diferencia
entre una manzana y una naranja,
podría decir: "¿Por qué no usar
el color y la forma?"
El problema que enfrentamos
es encontrar esas cosas.
¿Qué características son
las que permiten a una computadora
navegar el mundo de los puntos móviles?
Imaginar todas estas relaciones
con ubicación relativa y absoluta,
--distancia, tiempo, velocidad--
es la clave de la ciencia de los puntos
móviles, como nos gusta llamarla,
reconocimiento espacio-temporal
de patrones,
en lenguaje académico.
Ante todo tenemos que hacer
que suene difícil,
porque lo es.
Pero la clave para los entrenadores
de la NBA no es saber
si hubo un bloqueo y continuación o no.
Ellos quieren saber cómo ocurrió.
Y ¿por qué eso es tan importante
para ellos?
Aquí hay una idea importante.
Resulta que en el baloncesto moderno,
el bloqueo y continuación es quizá
el juego más importante.
Y saber cómo manejarlo,
y saber cómo defenderlo,
básicamente es la clave para ganar
o perder casi todos los juegos.
Pero resulta que esta danza
tiene muchas variantes
e identificar las variantes
es lo que importa,
por eso necesitamos que esto
sea muy, muy bueno.
Este es un ejemplo.
Hay dos jugadores en ataque
y dos en defensa,
listos para la danza del
bloqueo y continuación.
El tipo con la pelota puede
usar o no el bloqueo.
Su compañero puede girar a canasta
o abrir para recibir el pase.
El que marca al jugador con
la pelota puede avanzar o retroceder.
Su compañero puede avanzar,
marcar o solo acompañar
y juntos pueden cambiar asignación
defensiva o redoblar la marca.
Yo no sabía casi nada de esto
cuando empecé
y sería estupendo si todos
se movieran siguiendo esas flechas.
Haría mucho más fáciles nuestras vidas,
pero el movimiento es muy desordenado.
Las personas se menean mucho
e identificar estas variaciones
con muy alta precisión,
en precisión y en recuerdo, es difícil
y es lo que hace que un entrenador
profesional crea en ti.
Aun con las dificultades de las correctas
características espacio-temporales
lo hemos logrado.
Los entrenadores confían en que las
máquinas pueden identificar variaciones.
Estamos en el punto en el que
casi todos los contendientes
en el campeonato de la NBA este año
usan nuestro software, construido
en una máquina que entiende
los puntos móviles
en el baloncesto.
No solo eso, hemos dado consejos
que han cambiado estrategias
que han ayudado a equipos a ganar
juegos muy importantes,
y es muy apasionante porque hay
entrenadores que han estado en la liga
durante 30 años que desean recibir
consejos de una máquina.
Y es muy apasionante, mucho más
que el bloqueo y continuación.
Nuestra computadora empezó
con cosas simples,
aprendió cosas cada vez más complejas
y ahora sabe cada vez más cosas.
Francamente, no entiendo
gran parte de lo que hace,
y si bien no es algo tan especial
ser más inteligente que yo,
nos hemos preguntado, ¿puede una
máquina saber más que un entrenador?
¿Puede saber más de lo que
podría saber una persona?
Y resulta que la respuesta es sí.
Los entrenadores quieren que
los jugadores disparen bien.
Si estoy cerca de la cesta
y no hay nadie cerca,
es un buen tiro.
Si estoy lejos, rodeado por defensores,
generalmente es un mal tiro.
Pero no sabíamos cuán bueno o malo era
lo "bueno" o lo "malo" cuantitativamente.
Hasta ahora.
Entonces, de nuevo, con las
características espacio-temporales,
analizamos cada tiro.
Podemos ver dónde está el tiro,
cuál es el ángulo a la cesta,
dónde están los defensores,
cuáles son sus distancias,
cuáles son los ángulos.
Para múltiples defensores,
podemos ver cómo se mueve el jugador
y predecir el tipo de tiro.
Podemos ver todas sus velocidades
y construir un modelo que prediga
la probabilidad de que este disparo
vaya en estas circunstancias.
¿Por qué importa esto?
Podemos tomar un tiro,
que antes era una cosa y ahora
se transforma en dos cosas:
la calidad del tiro
y la calidad del tirador.
Este es un gráfico de burbujas
porque ¿qué es TED sin ellos?
(Risas)
Esos son jugadores de la NBA.
El tamaño es el tamaño del jugador
y el color es su posición.
En el eje X, tenemos
la probabilidad del disparo.
Las personas de la izquierda
hacen tiros difíciles,
a la derecha, hacen tiros fáciles.
En el eje Y, es la capacidad de disparo.
Las personas que disparan bien van
arriba, las que disparan mal abajo.
Por ejemplo, si había un jugador
que generalmente encestaba
el 47 % de los tiros,
eso es lo que se sabía antes.
Pero hoy, puedo decir que el jugador
hace disparos que un jugador medio NBA
convertiría el 49 % del tiempo,
y que ellos son un 2 % peores.
Y es importante porque
hay muchos con 47 % por allí.
Y por eso es muy importante saber
si el 47 % al que están evaluando
pagarle USD 100 millones
es un buen tirador que hace malos tiros
o un mal tirador que hace buenos tiros.
La comprensión de máquina no cambia
la forma de ver a los jugadores,
cambia la forma de ver el juego.
Hace unos años hubo un juego
muy apasionante en la final de la NBA.
Miami estaba tres puntos abajo,
quedaban 20 segundos.
Estaban a punto de perder el campeonato.
Un caballero de nombre LeBron James
tiró de tres para empatar.
Falló.
Su compañero Chris Bosh
consiguió un rebote,
hizo un pase a otro compañero
llamado Ray Allen.
Clavó un triple.
Fue en tiempo suplementario.
Ganaron el juego.
Ganaron el campeonato.
Fue uno de los juegos de baloncesto
más emocionantes.
Y nuestra capacidad de conocer
la probabilidad del tiro de cada jugador
a cada segundo,
y la probabilidad de conseguir
un rebote a cada segundo
puede iluminar este momento
como nunca antes.
Desafortunadamente, no puedo
mostrarles ese video.
Pero lo hemos recreado
en nuestro juego semanal
de baloncesto hace 3 semanas.
(Risas)
Y recreamos el seguimiento
del que extrajimos las ideas.
Aquí estamos. Esto es Chinatown
en Los Ángeles,
un parque en el que
jugamos todas las semanas,
y allí estamos recreando
el momento Ray Allen
y todo el seguimiento asociado.
Este es el disparo.
Les mostraré ese momento
y lo que aprendimos de ese momento.
La única diferencia es que en vez de
jugadores profesionales, somos nosotros,
y en vez de un locutor profesional,
soy yo.
Así que tengan paciencia conmigo.
Miami.
Tres puntos abajo.
Quedan 20 segundos.
Jeff trae la pelota.
Josh la atrapa, ¡marca un triple!
[Calculando probabilidad de tiro: 33 %]
[Calidad del tiro: JOSH 33 %]
[Probabilidad de rebote: NOEL 12 %]
¡No entrará!
[Probabilidad de rebote: NOEL 37 %]
Rebote, Noel.
Vuelve a Daria.
[Calidad del tiro: DARIA 37 %]
Su triple... ¡bang!
Empate y quedan 5 segundos.
La multitud enloquece.
(Risas)
Es más o menos lo que pasó.
(Aplausos)
Más o menos.
(Aplausos)
Ese momento tenía un 9 % de
probabilidad de ocurrir en la NBA;
sabemos eso y muchas otras cosas.
No les diré las veces que intentamos
hasta que ocurrió.
(Risas)
Bien, ¡se los diré!
Fueron cuatro.
(Risas)
Así se hace, Daria.
Pero lo importante de ese video
y las ideas obtenidas en cada segundo
de un juego de la NBA, no es eso.
Es que no hay que ser un equipo
profesional para seguir el movimiento.
No hay que ser jugador profesional
para aprender sobre el movimiento.
De hecho, no se trata del deporte
porque nos movemos por doquier.
Nos movemos en nuestras casas,
en nuestras oficinas,
mientras compramos y viajamos
por las ciudades
y alrededor del mundo.
¿Qué conoceremos?
¿Qué aprenderemos?
Quizá en vez de identificar
bloqueos y continuación,
una máquina pueda identificar
el momento y me avise
cuando mi hija dé el primer paso.
Algo que podría ocurrir
en cualquier momento próximo.
Quizá podamos aprender
a usar mejor los edificios,
planificar mejor las ciudades.
Creo que con el desarrollo de la
ciencia de los puntos móviles,
nos moveremos mejor,
con más inteligencia,
nos moveremos hacia adelante.
Muchas gracias.
(Aplausos)