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)