My colleagues and I are fascinated
by the science of moving dots.
So what are these dots?
Well, it's all of us.
And we're moving in our homes,
in our offices, as we shop and travel
throughout our cities
and around the world.
And wouldn't it be great
if we could understand all this movement?
If we could find patterns and meaning
and insight in it.
And luckily for us, we live in a time
where we're incredibly good
at capturing information about ourselves.
So whether it's through
sensors or videos, or apps,
we can track our movement
with incredibly fine detail.
So it turns out one of the places
where we have the best data about movement
is sports.
So whether it's basketball or baseball,
or football or the other football,
we're instrumenting our stadiums
and our players to track their movements
every fraction of a second.
So what we're doing
is turning our athletes into --
you probably guessed it --
moving dots.
So we've got mountains of moving dots
and like most raw data,
it's hard to deal with
and not that interesting.
But there are things that, for example,
basketball coaches want to know.
And the problem is they can't know them
because they'd have to watch every second
of every game, remember it and process it.
And a person can't do that,
but a machine can.
The problem is a machine can't see
the game with the eye of a coach.
At least they couldn't until now.
So what have we taught the machine to see?
So, we started simply.
We taught it things like passes,
shots and rebounds.
Things that most casual fans would know.
And then we moved on to things
slightly more complicated.
Events like post-ups,
and pick-and-rolls, and isolations.
And if you don't know them, that's okay.
Most casual players probably do.
Now, we've gotten to a point where today,
the machine understands complex events
like down screens and wide pins.
Basically things only professionals know.
So we have taught a machine to see
with the eyes of a coach.
So how have we been able to do this?
If I asked a coach to describe
something like a pick-and-roll,
they would give me a description,
and if I encoded that as an algorithm,
it would be terrible.
The pick-and-roll happens to be this dance
in basketball between four players,
two on offense and two on defense.
And here's kind of how it goes.
So there's the guy on offense
without the ball
the ball and he goes next to the guy
guarding the guy with the ball,
and he kind of stays there
and they both move and stuff happens,
and ta-da, it's a pick-and-roll.
(Laughter)
So that is also an example
of a terrible algorithm.
So, if the player who's the interferer --
he's called the screener --
goes close by, but he doesn't stop,
it's probably not a pick-and-roll.
Or if he does stop,
but he doesn't stop close enough,
it's probably not a pick-and-roll.
Or, if he does go close by
and he does stop
but they do it under the basket,
it's probably not a pick-and-roll.
Or I could be wrong,
they could all be pick-and-rolls.
It really depends on the exact timing,
the distances, the locations,
and that's what makes it hard.
So, luckily, with machine learning,
we can go beyond our own ability
to describe the things we know.
So how does this work?
Well, it's by example.
So we go to the machine and say,
"Good morning, machine.
Here are some pick-and-rolls,
and here are some things that are not.
Please find a way to tell the difference."
And the key to all of this is to find
features that enable it to separate.
So if I was going
to teach it the difference
between an apple and orange,
I might say, "Why don't you
use color or shape?"
And the problem that we're solving is,
what are those things?
What are the key features
that let a computer navigate
the world of moving dots?
So figuring out all these relationships
with relative and absolute location,
distance, timing, velocities --
that's really the key to the science
of moving dots, or as we like to call it,
spatiotemporal pattern recognition,
in academic vernacular.
Because the first thing is,
you have to make it sound hard --
because it is.
The key thing is, for NBA coaches,
it's not that they want to know
whether a pick-and-roll happened or not.
It's that they want to know
how it happened.
And why is it so important to them?
So here's a little insight.
It turns out in modern basketball,
this pick-and-roll is perhaps
the most important play.
And knowing how to run it,
and knowing how to defend it,
is basically a key to winning
and losing most games.
So it turns out that this dance
has a great many variations
and identifying the variations
is really the thing that matters,
and that's why we need this
to be really, really good.
So, here's an example.
There are two offensive
and two defensive players,
getting ready to do
the pick-and-roll dance.
So the guy with ball
can either take, or he can reject.
His teammate can either roll or pop.
The guy guarding the ball
can either go over or under.
His teammate can either show
or play up to touch, or play soft
and together they can
either switch or blitz
and I didn't know
most of these things when I started
and it would be lovely if everybody moved
according to those arrows.
It would make our lives a lot easier,
but it turns out movement is very messy.
People wiggle a lot and getting
these variations identified
with very high accuracy,
both in precision and recall, is tough
because that's what it takes to get
a professional coach to believe in you.
And despite all the difficulties
with the right spatiotemporal features
we have been able to do that.
Coaches trust our ability of our machine
to identify these variations.
We're at the point where
almost every single contender
for an NBA championship this year
is using our software, which is built
on a machine that understands
the moving dots of basketball.
So not only that, we have given advice
that has changed strategies
that have helped teams win
very important games,
and it's very exciting because you have
coaches who've been in the league
for 30 years that are willing to take
advice from a machine.
And it's very exciting,
it's much more than the pick-and-roll.
Our computer started out
with simple things
and learned more and more complex things
and now it knows so many things.
Frankly, I don't understand
much of what it does,
and while it's not that special
to be smarter than me,
we were wondering,
can a machine know more than a coach?
Can it know more than person could know?
And it turns out the answer is yes.
The coaches want players
to take good shots.
So if I'm standing near the basket
and there's nobody near me,
it's a good shot.
If I'm standing far away surrounded
by defenders, that's generally a bad shot.
But we never knew how good "good" was,
or how bad "bad" was quantitatively.
Until now.
So what we can do, again,
using spatiotemporal features,
we looked at every shot.
We can see: Where is the shot?
What's the angle to the basket?
Where are the defenders standing?
What are their distances?
What are their angles?
For multiple defenders, we can look
at how the player's moving
and predict the shot type.
We can look at all their velocities
and we can build a model that predicts
what is the likelihood that this shot
would go in under these circumstances?
So why is this important?
We can take something that was shooting,
which was one thing before,
and turn it into two things:
the quality of the shot
and the quality of the shooter.
So here's a bubble chart,
because what's TED without a bubble chart?
(Laughter)
Those are NBA players.
The size is the size of the player
and the color is the position.
On the x-axis,
we have the shot probability.
People on the left take difficult shots,
on the right, they take easy shots.
On the [y-axis] is their shooting ability.
People who are good are at the top,
bad at the bottom.
So for example, if there was a player
who generally made
47 percent of their shots,
that's all you knew before.
But today, I can tell you that player
takes shots that an average NBA player
would make 49 percent of the time,
and they are two percent worse.
And the reason that's important
is that there are lots of 47s out there.
And so it's really important to know
if the 47 that you're considering
giving 100 million dollars to
is a good shooter who takes bad shots
or a bad shooter who takes good shots.
Machine understanding doesn't just change
how we look at players,
it changes how we look at the game.
So there was this very exciting game
a couple of years ago, in the NBA finals.
Miami was down by three,
there was 20 seconds left.
They were about to lose the championship.
A gentleman named LeBron James
came up and he took a three to tie.
He missed.
His teammate Chris Bosh got a rebound,
passed it to another teammate
named Ray Allen.
He sank a three. It went into overtime.
They won the game.
They won the championship.
It was one of the most exciting
games in basketball.
And our ability to know
the shot probability for every player
at every second,
and the likelihood of them getting
a rebound at every second
can illuminate this moment in a way
that we never could before.
Now unfortunately,
I can't show you that video.
But for you, we recreated that moment
at our weekly basketball game
about 3 weeks ago.
(Laughter)
And we recreated the tracking
that led to the insights.
So, here is us.
This is Chinatown in Los Angeles,
a park we play at every week,
and that's us recreating
the Ray Allen moment
and all the tracking
that's associated with it.
So, here's the shot.
I'm going to show you that moment
and all the insights of that moment.
The only difference is, instead
of the professional players, it's us,
and instead of a professional
announcer, it's me.
So, bear with me.
Miami.
Down three.
Twenty seconds left.
Jeff brings up the ball.
Josh catches, puts up a three!
[Calculating shot probability]
[Shot quality]
[Rebound probability]
Won't go!
[Rebound probability]
Rebound, Noel.
Back to Daria.
[Shot quality]
Her three-pointer -- bang!
Tie game with five seconds left.
The crowd goes wild.
(Laughter)
That's roughly how it happened.
(Applause)
Roughly.
(Applause)
That moment had about a nine percent
chance of happening in the NBA
and we know that
and a great many other things.
I'm not going to tell you how many times
it took us to make that happen.
(Laughter)
Okay, I will! It was four.
(Laughter)
Way to go, Daria.
But the important thing about that video
and the insights we have for every second
of every NBA game -- it's not that.
It's the fact you don't have to be
a professional team to track movement.
You do not have to be a professional
player to get insights about movement.
In fact, it doesn't even have to be about
sports because we're moving everywhere.
We're moving in our homes,
in our offices,
as we shop and we travel
throughout our cities
and around our world.
What will we know? What will we learn?
Perhaps, instead of identifying
pick-and-rolls,
a machine can identify
the moment and let me know
when my daughter takes her first steps.
Which could literally be happening
any second now.
Perhaps we can learn to better use
our buildings, better plan our cities.
I believe that with the development
of the science of moving dots,
we will move better, we will move smarter,
we will move forward.
Thank you very much.
(Applause)
زملائي و انا معجبين بعلم النقاط المتحركة
فما هي هذه النقاط ؟
حسنا، هي كل واحد منا.
و نحن نتحرك في بيوتنا، في مكاتبنا،
كما نحن نتسوق و نسافر
خلال مدننا و حول العالم.
اليس من الجيد من ان نكون قادرين على
ان نتفهم كل هذه التحركات
اذا كنا قادرين على ايجاد انماط
و معاني و النظر في ذلك
و لحسن الحظ لنا، نحن نعيش في زمان
و نحن بشكل لا يصدق جيدين في
التقاط معلومات عن انفسنا
و ذلك سواء من خلال اجهزة الاستشعار
او الفيديو, او التطبيقات
نحن نستطيع تتبع حركاتنا
بتفاصيل دقيقة لا تصدق
لذلك تبين ان احد الاماكن حيث وجدنا
ان افضل بيانات حول الحركة
هي الرياضة
ذلك سواء اكان في كرة السلة او البيسبول,
او كرة القدم او كرة القدم الاخرى
نحن نجهز ملاعبنا بالاجهزة و
لاعبينا حتى نتتبع حركاتهم
كل جزء من الثانية
و ما نفعله هو تحويل لاعبينا الى
ربما عرفتم الى ماذا
نقاط متحركة
لذلك لدينا كومة من النقاط المتحركة
و كمعظم البينات الاولية،
من الصعب التعامل معها و ليس بتلك المتعة.
لكن هناك اشياء التي على سبيل المثال،
مدربين كرة السلة يريدون معرفته.
و المشكلة انه لا يمكنهم معرفتها لانهم
بحاجة الى مشاهدة كل ثانية
من كل مباراة، تذكره و معالجته.
و الانسان لا يمكنه فعل ذلك
لكن الآلة تستطيع
المشكلة ان الآلة لا تسطيع ان ترى
المباراة كما يراها المدرب
على الاقل لم يتمكنوا حتى اﻷن
فماذا علمنا الآلة ان ترى؟
لذلك بدأنا ببساطة.
علمناها اشياء مثل التمريرات،
و لقطات و الترددات.
اشياء التي يعرفها المشجعين العاديين.
و من ثم انتقلنا الى الاشياء
الاكثر تعقيدا بقليل.
احداث مثل "بوست ابس" و
انتقاء و لفات, و العزلة
و اذا لم تعرفوهم, لا بأس بذلك.
معظم اللاعبين العاديين ربما يعرفون.
الان, نحن وصلنا الى نقطة حيث ان اليوم,
الآلة تفهم احداث معقدة
مثل "داون سكرينس" و "وايد بينس"
الاشياء التي يعرفها المحترفين اساسا.
لذلك علمنا اﻵلة بان ترى كما يرى المدرب .
فكيف كنا قادرين على فعل ذلك؟
اذا سألت مدرب بأن يصف لي شيئا
مثل "بيك-اند-رول",
لاعطوني وصف،
و لو شفرت ذلك كخوارزمية،
سيكون فظيعا.
ال"بيك-اند-رول" حدث ان تكون هذه
الرقصة في كرة السلة بين اربعة لاعبين,
اثنين على الهجوم و اثنين علي الدفاع.
وهنا نوعا ما كيف تسير الأمور.
اذا هنالك الشخص على
الموقع الهجومي دون الكرة
هو و الكرة يذهبان الى جانب الشخص
الذي يحرس الشخص مع الكرة،
و هو نوعا ما يبقى هناك
و كلاهما يتحركان و اشياء تحدث,
و تا-دا, انها "بيك-اند-رول".
(ضحك)
اذا هذا ايضا مثال على خوارزمية فظيعة.
اذا, اذا كان اللاعب الذي يتدخل
-- هو يسمي ب"سكرينير"--
يذهب بالقرب من, لكنه لا يتوقف،
انها لربما ليست " بيك-اند-رول".
او اذا توقف, لكنه لا يتوقف
لا يقترب الى حد كافي,
انها لربما ليست " بيك-اند-رول".
او, اذا اقترب منه و هو يتوقف
لكنهم يفعلوها تحت السلة,
انها لربما ليست " بيك-اند-رول".
او قد اكون مخطئ, من الممكن
ان كلهن " بيك-اند-رول".
و هو حقا على يعتمد على الوقت الدقيق
و المسافات و المواقع
و هذا ما يجعله صعب.
لذلك مع حسن الحظ، مع تعلم الآلة،
يمكننا تجاوز قدراتنا
لوصف الاشياء التي نعرفها.
فكيف هذا يعمل؟ حسنا انها من خلال النماذج.
لذلك نحن الى الآلة و نقول,
" صباح الخير يا آلة.
و ها هنا بعض "بيك اند رولس",
و ها هنا بعض الاشياء التي ليست.
من فضلك جد طريقة لمعرفة الفرق."
و المفتاح لكل هذا هو ايجاد المميزات
التي تمكنها من الفصل.
لذلك اذا كنت ذاهبا لاعلمها الفروق
بين تفاحة و البرتقال
ربما اقول, "لماذا لا تستخدم لون او شكل؟"
و المشكلة التي نحلها هي،
ما هي هذه الاشياء؟
ما هي الملامح الرئيسية
التي تدع الكمبيوتر التنقل في
عالم النقاط المتحركة؟
لذلك اكتشاف كل هذه العلاقات
مع موقع النسبي و المطلق،
مسافة، التوقيت، سرعات--
هذا هو حقا المفتاح علم النقاط المتحركة
او كما نحب ان نسميه،
التعرف على الانماط الزمانية المكانية،
في الاكادمية العامية.
لان اول شئ هو، يجب عليك ان تجعل
الامر يبدو صعب--
لانه كذلك.
الشيئ الرئيسي لمدربين NBA هو ليس
انهم لا يريدون معرفة
اذا حدث "بيك اند رول" ام لم يحدث.
هو انهم يريدون معرفة كيف حدث.
و لماذا هذا مهم لهم؟ اذا هذه معرفة بسيطة.
اتضح ان في كرة السلة الحديثة,
ربما ال"بيك اند رول" اهم اللعب.
و معرفة كيفية ادارتها,
و معرفة كيفية حمايتها,
هو اساسا مفتاح الفوز و الخسارة
في معظم المباريات.
اتضح ان هذه الرقصة لها عدد كبير من البدائل
و تعريف هذه البدائل هو الامر المهم,
و لهذا لماذا نحن نحتاج من ان
ذلك يكون جيد جدا,
اذن, هذا مثال.
هنلك لاعبين اثنين مهاجمين
و لاعبين اثنين مدافعين,
مستدعين ليقوموا رقصة ال"بيك اند رول".
اذن الشخص مع الكرة يمكنه
يأخذ او يمكنه يرفض
بامكان زملائه اما ان يفعلو
ال"رول" او "بوب".
الشخص الذي يحرس الكرة يمكنه
اما ان يذهب من فوق او من تحت.
زملائه يمكنهم اما الاظهار او اللعب
حتى اللمس او اللعب بليونه
و مع بعضهم اما يمكنهم التبديل او الهجوم
و لم أعرف معظم هذه الاشياء عندما بدأت
وسيكون من الرائع لو ان الجميع
تحركوا وفقا لهذه الاسهم.
سيجعل حياتنا اسهل بكثير,
و لكن اتضح ان الحركات فوضوية جدا.
الناس يهتزون كثيرا و تعريف هذه المتغيرات
مع الدقة العالية,
في كلا الدقة و الاسترداد صعب
لان هذا ما يلزم لمدرب المحترف يصدقك.
و بالرغم من الصعوبات المتعلقة بالملامح
الزمانية و المكانية الصحيحة
استطعنا القيام من ذلك.
المدربين يؤمنون بقدرات آلتنا
في تحديد هذه المتغيرات.
نحن عند النقطة حيث ان كل منافس تقريبا
لبطولة الNBA في هذا العام
يستخدم برمجياتنا المبنية
على الآلة التي تدرك
النقاط المتحركة لكرة السلة.
و ليس فقط ذلك، بل واعطينا النصائح
التي غيرت استراتيجيات
التي ساعدت الفرق في الفوز في مباريات مهمة،
و هذا في غاية الاثارة لان لديك
مدربين الذين كانوا في الدوري
لمدة 30 عاما الذين هم مستعدين
ﻹخذ نصائح من آلة.
و هو مثير جدا، و اكثر بكثير
من "بيك اند رول".
حاسوبنا ابتدأ بالاشياء الصغيرة
و تعلم المزيد و المجزيد من الاشياء المعقدة
و الان يعرف اشياء كثيرة.
بصراحة، انا لا افهم كثيرا بما يفعله
و حينما انه ليس من المهم ان يكون اذكى مني،
نحن كن نتسائل هل يمكن للآلة
ان تعرف اكثر من المدرب؟
هل يمكنها ان تعرف اكثر من الشخص؟
و اتضح ان الجواب هو نعم.
المدربين يريدون اللاعبين
لاتخاذ ضربات جيدة.
لذلك اذا كنت وواقفا بجانب السلة
و ليس هناك احد بجانبي، انها ضربة جيدة.
اذا كنت واقفا بعيدا و محاصر بالمدافعين ،
تلك بشكل عام ضربة سيئة.
و لكننا لم نعرف كيف الجيد كان "جيدا"
او كيف السيئ كان "سيئا" كميا.
حتى الان.
اذا ما يمكننا فعله، مجددا، هو استخدام
ميزات الزمانية و المكانية،
نظرنا الى لقطة.
بامكاننا ان نرى: اين اللقطة؟
أي زاوية الى السلة؟
اين المهاجمون واقفون؟ ما هي مسافاتهم؟
ما هي زواياهم؟
لعدة مهاجمين، يمكننا ان نرى
كيف يتحرك اللاعبون
و تنبؤ نوعية المحاولة.
يمكننا ان نرى جميع سرعاتهم
و يمكننا ان نبنى نموذج الذي يتوقع
ما هو الاحتمال ان المحاولة
ستسير وفق هذه الظروف؟
اذن لماذا هذا مهم؟
يمكننا اخذ شيئ كان يرمي،
الذي كان شيئ واحد من قبل
و تحويله الى شيئين:
نوعية الرمية و نوعية الرامي.
اذن هذا تخطيط فقاعي،
لأنه ما هو TED من دون تخطيط فقاعي؟
( ضحك)
هؤلاء لاعبين NBA
الحجم هو حجم اللاعب و اللون هو الموقع.
على محور السيني لدينا احتمالات الرمية.
الاشخاص على اليسار يتخذون رميات صعبة،
على اليمين، يتخذون رميات سهلة.
على محور الصادي هي قدراتهم على الرماية.
الاشخاص الجيدين في الاعلى،
السيئين في الاسفل.
اذن على سبيل المثال،
اذا كان هناك لاعب
الذي عموما جعل 47 بالمئة من الرميات،
هذا كل ما عرفتوه مسبقا.
لكن اليوم، يمكنني ان اقول لكم ان اللاعب
الذي يتخذ رميات ان لاعب الNBA العادي
يمكنه النجاح 49 بالمئة من الوقت،
و هم 2 بالمئة اسوأ.
و سبب اهميته لأن هناك كثيرين
بهذا المستوى .
و هذا امر مهم لمعرفته
اذا قررت اعطائهم 100 مليون دولار
من يرمي جيدا و يتخذ رميات جيد
او من يرمي بسوء و يتخذ رميات جيدة.
فهم الآلة ليس فقط تغير كيف
ننظر الى اللاعبين،
انها تغير نظرتنا الى المباراة.
كانت هناك مباراة ممتعة جدا قبل بضعة سنين،
في نهائيات الNBA.
كانت ميامي اقل بثلاث نقاط،
و تبقى من 20 ثانية.
كانوا على وشك خسارة البطولة.
جاء رجل اسمه لابرون جيمس
و اتخذ ثلاث للتعادل.
لكنه اخفق.
زميله كريس حصل على ارتداد،
مرره الى زميله الاخر اسمه راي الان.
و اغرق ثلاث. فاتوا بالوقت الاضافي.
فازوا المباراة. فازوا البطولة.
كانت احد المباريات المثيرة
جدا في كرة السلة.
و قدرتنا علي معرفة احتمالات
محاولات لكل لاعب
في كل ثانية،
و احتمال حصولهم على ارتداد في كل ثانية
يمكنه توضيح اللحظة بطريقة
لم نستطع بها من قبل.
اﻵن للاسف، لا يمكنني ان اريكم ذلك الفيديو.
لكن لكم، نحن صوغنا تلك اللحظة
في مبارتنا لكرة السلة قبل
حوالي ثلاثة اسابيع.
(ضحك )
و صوغنا التتابع الذي الى ادى المشاهد.
اذن، ها هنا نحن. هذا الحي الصيني
في لوس انجلوس،
منتزه نلعب فيه كل اسبوع،
و ها نحن نصوغ لحظة راي الان
و كل التتابع المرتبط بتلك باللحظة.
اذن، هذه هي الرمية.
سوف اريكم تلك اللحظة
و كل المشاهد من تلك اللحظة.
الاختلاف الوحيد هو، انه نحن
بدلا من لاعبين محترفين،
و انا بدلا من معلّق محترف،
انا المعلّق.
اذن، تحملوا معي.
ميامي
خاسرين بثلاث نقاط.
عشرون ثانية باقية.
جيف يحضر الكرة.
جوش يلتقطها، و يسدد بثلاث نقاط!
[حساب احتمالات الرمية]
[جودة الرمية ]
[ احتمال الارتداد]
لن يحدث!
[ احتمال الارتداد]
ارتداد، نويل.
نرجع الى داريا.
[ جودة الرمية ]
رميتها الثلاثية --بانج!
تعادل المباراة مع خمسة ثواني متبقيات.
الجمهور يقفز.
( ضحك )
و هذا تقريبا كيف حدث.
( تصفيق )
تقريبا.
( تصفيق)
كانت فرصة حدوث تلك الحظة
حوالي 9 بالمئة في NBA
و نحن نعرف ذلك و أشياء كثيرة عظيمة اخرى.
لن اقول لكم كم مرة استغرقنا من تحقيق ذلك.
( ضحك )
حسنا، سوف اقول! اربعة مرات.
( ضحك )
احسنت يا داريا.
لكن الامر المهم عن ذلك الفيديو
و رؤيات التي لدينا لكل ثانية لكل
لعبة NBA -- ليس ذلك.
هي الحقيقة انه ليس من الضروري ان تكون
فريقا محترفا لتتابع الحركات.
ليس من الضروري ان تكون لاعبا محترفا
للحصول على رؤيات الحركات.
في الحقيقة، ليس من الضروري من ان تكون
عن الرياضة لانه نحن نتحرك في كل مكان.
نحن نتحرك في بيوتنا،
في مكاتبنا،
كما نحن نتسوق و نسافر
عبر مدننا
و حول العالم.
ما الذي سنعرفه؟ ما الذي سنتعلمه؟
ربكا بدلا من تعريف "بيك اند رولز"،
اﻵلة يمكنها ان تعرف اللحظة و تعلمني بها
عندما تتخطى ابنتي خطواتها الاولى.
التي يمكن ان تحدث في اي لحظة.
ربما يمكننا التعلم لاستخدام افضل
لمبانينا، تخطيط افضل لمدننا.
انا اؤمن ان مع تطور علم النقاط المتحركة،
سوف نتحرك افضل، سوف نتحرك بذكاء،
سوف نتحرك للامام.
شكرا جزيلا.
( تصفيق)
Meine Kollegen und ich erforschen
die Wissenschaft bewegter Punkte.
Was sind diese Punkte?
Wir alle.
Wir bewegen uns zu Hause,
im Büro, während wir in unseren Städten
und überall auf der Welt
einkaufen und reisen.
Wie toll wäre es, wenn wir diese
Bewegung verstehen könnten --
das Muster, die Bedeutung und
Erkenntnisse gewinnen könnten.
Zum Glück sind wir heute gut darin,
Informationen über uns selbst zu erfassen.
Wir nutzen Sensoren, Videos oder Apps,
um unsere Bewegungen
sehr detailliert zu erfassen.
Ein geeigneter Bereich
für diese Datensammlung
ist Sport.
Beim Basketball, Baseball,
Football oder Fußball
müssen Stadien und die
Spieler Bewegung erfassen --
jede einzelne Sekunde.
Unsere Athleten werden also zu --
Sie ahnen es --
bewegten Punkten.
Wir haben eine Fülle an bewegten Punkten.
Meistens sind Rohdaten aber
schwer zu bearbeiten und langweilig.
Basketball-Trainer z.B. wollen
aber bestimmte Dinge wissen.
Sie können aber nicht jede Sekunde
des Spiels sehen, merken und verarbeiten.
Das kann kein Mensch leisten.
Eine Maschine schon.
Maschinen sehen das Spiel
nicht mit den Augen eines Trainers.
Bis jetzt zumindest.
Was haben wir der Maschine beigebracht?
Wir haben einfach angefangen.
Mit Pässen, Würfen und Rebounds.
Was auch Gelegenheitsfans kennen dürften.
Dann wurde es etwas komplizierter.
Aufstellen, Pick-and-Roll oder Isolation.
Sagt Ihnen nichts? Keine Sorge.
Den meisten Gelegenheitsspielern schon.
Heute verstehen Maschinen
komplexe Ereignisse,
wie Down-Screens und Wide-Pins.
Sachen, die nur Profis kennen.
Wir brachten einer Maschine bei,
mit den Augen eines Trainers zu sehen.
Wie haben wir das geschafft?
Sollte mir ein Trainer
Pick-and-Roll erklären,
würde er es mir beschreiben.
Hätte ich das als Algorithmus kodiert,
wäre es fürchterlich.
Pick-and-Roll ist ein Tanz
zwischen zwei Offensiv-Spielern
und zwei Defensiv-Spielern.
Das funktioniert ungefähr so:
Es gibt einen Spieler
in der Offensive ohne Ball.
Er bewegt sich zum
Gegenspieler des Ballführenden
und bleibt da.
Es kommt Bewegung ins Spiel
und plötzlich ist es Pick-and-Roll.
(Lachen)
Das ist auch ein schlechter Algorithmus.
Ist der Spieler, der sich dem Gegenspieler
in den Weg stellt -- der Blocksteller --
nah dran, stoppt aber nicht,
ist es kein Pick-and-Roll.
Wenn er stoppt, aber nicht nah genug,
ist es kein Pick-and-Roll.
Wenn er nah dran ist und stoppt,
das aber unter dem Korb passiert,
ist es kein Pick-and-Roll.
Ich könnte mich irren
und alles ist Pick-and-Roll.
Es liegt am Timing, dem Abstand, dem Ort.
Das macht es so schwer.
Zum Glück gehen wir beim Maschinen-
lernen über unsere Grenzen hinaus,
bekannte Dinge zu beschreiben.
Wir funktioniert das? Mit Beispielen.
Wir sagen zur Machine:
"Guten Morgen, Maschine.
Das sind Pick-and-Rolls -- und das nicht.
Lern den Unterschied."
Wichtig ist, Merkmale für
die Unterscheidung zu finden.
Soll die Maschine den Unterschied
zwischen Äpfeln und Orangen lernen,
sag ich: "Mach es über Farbe und Form."
Dabei ergründen wir,
was das für Dinge sind.
Welche Kernfaktoren lassen
einen Computer die Welt
der bewegten Punkte steuern?
Diese Beziehungen mit relativem
und absolutem Ort, Abstand, Timing
und Geschwindigkeit herauszufinden,
ist der Schlüssel Punkte zu bewegen. Oder
wie wir es in akademischer Sprache nennen:
spatiotemporale Mustererkennung.
Das Wichtgste ist:
Es muss schwierig klingen.
Denn das ist es auch.
NBA-Trainer wollen nicht wissen,
ob das gerade ein Pick-and-Roll war.
Sie wollen wissen, wie das passiert ist.
Warum ist das so wichtig?
Hier ein kleiner Einblick:
Im modernen Basketballspiel
ist Pick-and-Roll wohl
der wichtigste Spielzug.
Zu wissen, wie man ihn
spielt oder verteidigt,
entscheidet über Gewinnen
oder Verlieren eines Spiels.
Diesen Tanz gibt es also
in vielen Variationen.
Diese Variationen zu erkennen,
ist das Entscheidende.
Deswegen muss es wirklich gut sein.
Ein Beispiel.
Zwei Offensiv- und zwei Defensiv-Spieler
bereiten sich auf den
Pick-and-Roll-Tanz vor.
Der Ballführer kann den Block
annehmen oder ablehnen.
Sein Mitspieler kann zum Korb
abrollen oder sich absetzen.
Der Gegenspieler kann über
oder unter dem Block vorbei.
Sein Mitspieler kann sich zeigen, den
Ballführer aggressiv oder soft verteigen.
Zusammen können sie
entweder "switchen" oder "blitzen".
Am Anfang kannte ich
das meiste davon nicht.
Es wäre so schön, wenn sich alle
mit den Pfeilen bewegen könnten.
Das würde unser Leben erleichtern.
Aber Bewegung ist unordentlich.
Menschen wanken viel.
Und das Erkennen dieser Variationen
mit exakter Präzision und Wiederholung
ist schwer.
Das braucht es, damit
ein Trainer an einen glaubt.
Trotz aller Schwierigkeiten mit den
richtigen spatiotemporalen Merkmalen
konnten wir genau das tun.
Trainer vertrauen darauf, dass unsere
Maschine diese Variationen erkennt.
Inzwischen benutzt fast jeder Anwärter
für diesjährige NBA-Meisterschaften
unsere Software, basierend auf
einer Maschine, die bewegte Punkte
im Basketball versteht.
Unser Rat hat nicht nur
Strategien verändert,
die Teams beim Sieg von
wichtigen Spielen verhalfen.
Sogar Trainer, die seit über
30 Jahren in der Liga sind,
nehmen den Rat einer Maschine an.
Und es geht um mehr als Pick-and-Roll.
Unser Computer begann
mit einfachen Dingen,
hat immer komplexere Sachen gelernt
und weiß jetzt sehr viel.
Ich verstehe, ehrlich gesagt,
das meiste davon nicht.
Es ist kein Kunststück
klüger zu sein als ich.
Aber wir fragen uns: Kann eine
Maschine mehr wissen als ein Trainer?
Mehr als ein Mensch?
Die verblüffende Antwort ist ja.
Trainer fordern gute
Würfe von den Spielern.
Wenn ich neben dem Korb stehe
und alleine bin,
ist es ein guter Wurf.
Wenn ich weit weg bin, umringt von
Verteidigern, ist das ein schlechter Wurf.
Quantitativ wussten wir aber nicht,
wie gut oder schlecht etwas wirklich war.
Bis jetzt.
Wir nutzten spatiotemporale Merkmale
und analysierten jeden Wurf.
Von wo wird geworfen?
Was ist der Winkel zum Korb?
Wo stehen die Verteigier?
In welcher Entfernung?
In welchen Winkeln?
Bei mehreren Verteidern sehen
wir die Bewegung der Spieler
und bestimmen die Wurfart.
Wir analysieren die Geschwindigkeit
und berechnen die Wahrscheinlichkeit,
dass der Ball unter diesen
Umständen reingeht.
Wozu das alles?
Wir sehen uns den Werfer an.
Und aus einer Sache werden zwei:
die Qualität des Wurfs
und die des Werfers.
Hier ein Blasendiagramm, das
ja zu jedem TED-Vortrag gehört.
(Lachen)
Das sind NBA-Spieler.
Die Größe ist die Größe des
Spielers und die Farbe die Position.
Die X-Achse zeigt die
Wurfwahrscheinlichkeit.
Spieler links machen schwierige Würfe,
rechts leichte.
Die Y-Achse zeigt ihre Wurffähigkeit.
Gute Spieler sind oben, schlechte unten.
Früher wusste man z. B. nur,
dass ein Spieler 47 % seiner Würfe macht.
Mehr nicht.
Jetzt weiß man, dass dieser Spieler
Würfe macht, die ein durchschnittlicher
NBA-Spieler zu 49 % machen würde.
Er ist um 2 % schlechter.
Aber es gibt viele 47er da draußen.
Man muss also wissen,
ob die 47, in die man eventuell
100 Millionen Dollar investieren möchte,
ein guter Spieler mit schlechten Würfen
oder ein schlechter Spieler
mit guten Würfen ist.
Maschinenverständnis ändert
unsere Sicht auf Spieler
und das Spiel.
Es gab in den NBA-Finals
ein sehr spannendes Spiel.
Miami lag mit 3 Punkten zurück;
noch 20 Sekunden zu spielen.
Es sah schlecht aus.
LeBron James nahm den Dreier
und traf nicht.
Chris Bosh holte einen Rebound
und spielte zu Ray Allen.
Er versenkte einen Dreier. Verlängerung.
Sie gewannen das Spiel
und die Meisterschaft.
Es war eines der
spannendsten Basektballspiele.
Das Wissen um die Wurfwahrscheinlichkeit
eines jeden Spielers
in jeder Sekunde
und die Wahrscheinlichkeit
eines erfolgreichen Rebounds kann den
Moment auf ungeahnte Weise beleuchten.
Leider kann ich Ihnen
das Video nicht zeigen.
Jedoch haben wir den Moment nachgestellt –
bei unserem wöchentlichen
Spiel vor 3 Wochen.
(Lachen)
Wir haben die Bewegungen nachgestellt
und erhielten folgende Einblicke.
Das sind wir in Chinatown,
Los Angeles, der Park,
in dem wir jede Woche spielen.
Hier kommt der Ray-Allen-Moment,
mit der Schrittfolge.
Hier kommt der Wurf.
Ich zeige Ihnen den Moment
und alle Erkenntnisse daraus.
Nur sind es keine Profis, sondern wir.
Und kein Profi-Sprecher, sondern ich.
Haben Sie Nachsicht.
Miami.
3 Punkte zurück.
Noch 20 Skeunden.
Jeff dribbelt nach vorn.
Josh fängt, nimmt den Dreier!
[Wurfwahrscheinlichkeit berechnen]
[Wurfwahrscheinlichkeit]
[Rebound-Wahrscheinlichkeit]
Wird nichts!
[Rebound-Wahrscheinlichkeit]
Rebound, Noel.
Zurück zu Daria.
[Wurfqualität]
Ein Dreier -- Peng!
Unentschieden 5 Sekunden vor Schluss.
Die Menge tobt.
(Lachen)
Ungefähr so war das.
(Applaus)
Ungefähr.
(Applaus)
Die Wahrscheinlichkeit, dass das
in der NBA passiert, lag bei 9 %.
Das wissen wir und viele andere Dinge.
Ich sage jetzt nicht, wie oft wir
die Szene wiederholen mussten.
(Lachen)
Okay, es waren vier.
(Lachen)
Sehr gut, Daria.
Das ist aber nicht der
Knackpunkt an diesem Video --
oder die Einblicke in jede
Sekunde jedes NBA-Spiels.
Sondern, dass man kein Profi-Team
sein muss, um Bewegung aufzuzeichnen.
Man muss kein Profi-Spieler sein,
um Einblicke in Bewegung zu erhalten.
Es muss nicht einmal Sport sein.
Wir bewegen uns überall.
Zu Hause,
in unseren Büros,
während des Einkaufens und Reisens
in unseren Städten
und durch die ganze Welt.
Was werden wir erfahren?
Was werden wir lernen?
Statt Pick-and-Rolls
könnte eine Maschine
den Moment identifizieren,
in dem meine Tochter
ihren ersten Schritt macht.
Was tatsächlich jeden
Moment passieren könnte.
Vielleicht können wir lernen, Gebäude
besser zu nutzen oder Städte zu planen.
Ich glaube, mit der Entwicklung der
Wissenschaft der bewegten Punkte
bewegen wir uns besser, bewegen
wir uns klüger, bewegen wir uns vorwärts.
Vielen Dank.
(Applaus)
Οι συνεργάτες μου κι εγώ έχουμε γοητευτεί
από την επιστήμη των κινούμενων κουκκίδων.
Τι είναι αυτές οι κουκκίδες;
Βασικά, είμαστε όλοι εμείς.
Κινούμαστε στα σπίτια ή τα γραφεία μας,
καθώς ψωνίζουμε και ταξιδεύουμε
μέσα στις πόλεις μας
αλλά και σε όλο τον κόσμο
Δεν θα ήταν καταπληκτικό αν μπορούσαμε
να κατανοήσουμε όλες αυτές τις κινήσεις;
Αν μπορούσαμε να βρούμε μοτίβα,
νόημα και επίγνωση σε αυτήν;
Ευτυχώς για μας, ζούμε σε μία εποχή,
στην οποία μπορούμε να μαζεύουμε
πληροφορίες για τους εαυτούς μας.
Είτε μέσα από αισθητήρες,
βίντεο ή εφαρμογές
μπορούμε να παρακολουθήσουμε
τις κινήσεις μας με απίστευτη λεπτομέρεια
Ένα από τα μέρη όπου έχουμε
τα καλύτερα δεδομένα σχετικά με την κίνηση
είναι τα αθλήματα.
Είτε μπάσκετ, είτε μπέιζμπολ,
είτε ποδόσφαιρο, είτε το άλλο ποδόσφαιρο,
εξοπλίζουμε τα στάδια και τους παίκτες
για να καταγράφουμε τις κινήσεις τους
σε κάθε κλάσμα του δευτερολέπτου.
Αυτό που κάνουμε είναι ότι
μετατρέπουμε τους αθλητές μας σε --
μάλλον το μαντέψατε --
κινούμενες κουκκίδες.
Έχουμε πληθώρα κινούμενων κουκκίδων και
όπως τα περισσότερα ακατέργαστα δεδομένα,
η επεξεργασία τους είναι δύσκολη
και όχι πολύ ενδιαφέρουσα.
Αλλά οι προπονητές του μπάσκετ π.χ.
θέλουν να γνωρίζουν κάποια πράγματα,
αλλά δεν μπορούν, διότι πρέπει
να παρακολουθούν κάθε δευτερόλεπτο
κάθε παιχνιδιού, να τα θυμούνται
και να τα επεξεργάζονται.
Αυτό δεν μπορεί να το κάνει ένας άνθρωπος,
αλλά μπορεί να το κάνει ένας υπολογιστής.
Όμως οι υπολογιστές δεν μπορούν να δουν
το παιχνίδι όπως ένας προπονητής.
Ή τουλάχιστον, δεν μπορούσαν μέχρι τώρα.
Τι διδάξαμε τους υπολογιστές να βλέπουν;
Ξεκινήσαμε απλά.
Τους μάθαμε τις πάσες,
τα σουτ και τα ριμπάουντ,
αυτά που γνωρίζουν
οι περισσότεροι φίλαθλοι.
Μετά περάσαμε σε λίγο
πιο περίπλοκα πράγματα,
όπως τα ποσταρίσματα, τα πικ εν ρολ
και το παιχνίδι απομόνωσης.
Αν δεν τα ξέρετε, δεν πειράζει. Όσοι
παίζουν κάπου-κάπου μάλλον τα γνωρίζουν.
Σήμερα, έχουμε φτάσει στο σημείο όπου
οι μηχανές καταλαβαίνουν σύνθετα γεγονότα
όπως κάτω σκριν και wide pin,
πράγματα που γνωρίζουν
μόνον οι επαγγελματίες.
Μάθαμε, δηλαδή, στους υπολογιστές
να βλέπουν με τα μάτια ενός προπονητή.
Πώς το κάναμε αυτό;
Αν ζητούσα από έναν προπονητή
να μου περιγράψει κάτι σαν το πικ εν ρολ,
θα μου έδινε μια περιγραφή,
και αν προσπαθούσα να τη μετατρέψω σε
αλγόριθμο, το αποτέλεσμα θα ήταν τραγικό.
Το πικ εν ρολ είναι ένα είδος χορογραφίας
ανάμεσα σε τέσσερις παίκτες,
δύο επιτιθέμενους και δύο αμυνόμενους.
Είναι κάπως έτσι.
Αυτός είναι ο επιθετικός χωρίς την μπάλα
και πηγαίνει δίπλα στον παίκτη,
που μαρκάρει τον παίκτη με την μπάλα
και μένει εκεί
και κινούνται και οι δύο και συμβαίνουν
διάφορα και αυτό είναι το πικ εν ρολ.
(Γέλια)
Επίσης είναι ένα παράδειγμα
άθλιου αλγορίθμου.
Αν ο παίκτης που παρεμβάλλεται
-- ονομάζεται σκρίνερ --
πλησιάζει, αλλά δεν σταματά,
μάλλον δεν είναι πικ εν ρολ.
Ή αν σταματά, αλλά
δεν σταματά αρκετά κοντά,
μάλλον δεν είναι πικ εν ρολ.
Ή αν πλησιάζει αρκετά και σταματά,
αλλά το κάνει κάτω από το καλάθι,
μάλλον δεν είναι πικ εν ρολ.
Ή ίσως κάνω λάθος,
ίσως όλα αυτά είναι πικ εν ρολ.
Εξαρτάται από τον ακριβή χρονισμό,
τις αποστάσεις, τις θέσεις
και αυτό είναι που το κάνει δύσκολο.
Ευτυχώς με τη μηχανική μάθηση,
μπορούμε να υπερβούμε την ικανότητά μας
να περιγράφουμε πράγματα που γνωρίζουμε.
Πώς δουλεύει; Είναι πολύ απλό.
Πηγαίνουμε σε έναν υπολογιστή
και λέμε «Καλημέρα, υπολογιστή.
Ορίστε μερικά πικ εν ρολ
και κάποια πράγματα που δεν είναι.
Σε παρακαλώ βρες
έναν τρόπο να τα ξεχωρίζεις».
Το κλειδί είναι να βρει χαρακτηριστικά,
που το βοηθούν να τα ξεχωρίσει.
Έτσι, αν προσπαθούσα
να του μάθω τη διαφορά
ανάμεσα σε ένα μήλο και ένα πορτοκάλι,
θα του έλεγα «Χρησιμοποίησε
το χρώμα ή το σχήμα».
Στο πρόβλημα που λύνουμε,
ποια είναι αυτά τα χαρακτηριστικά;
Ποια είναι τα χαρακτηριστικά
που επιτρέπουν σε έναν ΗΥ να πλοηγείται
στον κόσμο των κινούμενων κουκκίδων;
Συνεπώς ο υπολογισμός των σχέσεων
ανάμεσα στη σχετική και απόλυτη θέση,
την απόσταση, τον χρονισμό, τις ταχύτητες,
αυτό είναι το κλειδί της επιστήμης
των κινούμενων κουκκίδων ή όπως την λέμε
στην ακαδημαϊκή διάλεκτο,
χωροχρονική αναγνώριση προτύπων.
Επειδή κατ' αρχάς πρέπει να
το κάνουμε να ακούγεται δύσκολο --
διότι είναι δύσκολο.
Για τους προπονητές του NBA,
το σημαντικό δεν είναι να γνωρίζουν
αν έγινε ή δεν έγινε ένα πικ εν ρολ,
αλλά να γνωρίζουν πώς έγινε.
Και γιατί αυτό είναι τόσο σημαντικό;
Θα σας πω μια πληροφορία εκ των έσω.
Στο σύγχρονο μπάσκετ το πικ εν ρολ
είναι ίσως η πιο σημαντική κίνηση.
Το να ξέρουμε πώς να το κάνουμε
και πώς να το αντιμετωπίζουμε,
είναι το κλειδί για να νικήσουμε
τα περισσότερα παιχνίδια.
Αποδεικνύεται ότι αυτός ο χορός
έχει πολλές σημαντικές παραλλαγές
και η αναγνώριση των παραλλαγών
είναι πραγματικά αυτό που έχει σημασία
και γι' αυτό πρέπει να
την κάνουμε πάρα πολύ καλά.
Ορίστε ένα παράδειγμα.
Υπάρχουν δύο επιτιθέμενοι
και δύο αμυνόμενοι παίκτες
ετοιμάζονται να χορέψουν
στον ρυθμό του πικ εν ρολ.
Ο παίκτης με την μπάλα, μπορεί
να το χρησιμοποιήσει ή όχι
Ο συμπαίκτης του μπορεί
είτε να ρολάρει, είτε να βγει έξω.
Ο αμυνόμενος που μαρκάρει την μπάλα
μπορεί να πάει πάνω ή κάτω.
Ο συμπαίκτης του μπορεί είτε να
παίξει εξ επαφής, είτε από μακριά
και οι δυο τους μπορούν είτε
να αλλάξουν παίκτη είτε όχι.
Δεν ήξερα τα περισσότερα
από αυτά όταν ξεκίνησα
και θα ήταν υπέροχα αν όλοι
κινούνταν σύμφωνα με αυτά τα βέλη.
Θα έκανε τις ζωές μας ευκολότερες, αλλά
τελικά οι κινήσεις είναι πολύ μπερδεμένες.
Οι παίκτες κινούνται πέρα δώθε και
η αναγνώριση αυτών των κινήσεων
με πολύ μεγάλη επιτυχία
και στην ακρίβεια και
στην ανάκληση είναι δύσκολη
διότι αυτό απαιτείται για να σας
εμπιστευτεί ένας επαγγελματίας κόουτς.
Παρόλες τις δυσκολίες με τα κατάλληλα
χωροχρονικά χαρακτηριστικά
τα καταφέραμε.
Οι προπονητές εμπιστεύονται την ικανότητα
της μηχανής να αναγνωρίζει τις κινήσεις.
Βρισκόμαστε σε ένα σημείο,
όπου σχεδόν κάθε διεκδικητής
του πρωταθλήματος του NBA φέτος
χρησιμοποιεί το λογισμικό μας κάνει
έναν υπολογιστή να καταλαβαίνει
τις κινούμενες κουκκίδες του μπάσκετ.
Και όχι μόνο αυτό, αλλά έχουμε δώσει
συμβουλές που έχουν αλλάξει στρατηγικές,
που έχουν βοηθήσει ομάδες
να κερδίσουν πολύ σημαντικά παιχνίδια
και είναι πολύ συναρπαστικό,
διότι στο πρωτάθλημα υπάρχουν κόουτς
με εμπειρία 30 ετών και είναι πρόθυμοι
να πάρουν συμβουλές από μία μηχανή.
Και είναι πολύ συναρπαστικό,
δεν είναι μόνο το πικ εν ρολ.
Ο υπολογιστής μας ξεκίνησε
με απλά πράγματα
και έμαθε περισσότερα
και πιο πολύπλοκα πράγματα
και τώρα γνωρίζει πάρα πολλά.
Στα αλήθεια, δεν καταλαβαίνω
πολλά από όσα κάνει
και παρότι δεν είναι τίποτα το ιδιαίτερο
κάποιος να είναι πιο έξυπνος από εμένα,
αναρωτιόμασταν αν ένα μηχάνημα μπορεί
να γνωρίζει πιο πολλά από έναν προπονητή.
Μπορεί να γνωρίζει
περισσότερα από έναν άνθρωπο;
Η απάντηση είναι ναι.
Οι προπονητές θέλουν οι παίκτες τους
να κάνουν καλά σουτ.
Αν στέκομαι δίπλα στο καλάθι
και δεν είναι κανείς δίπλα μου,
το σουτ είναι καλό.
Αν είμαι μακριά και περικυκλωμένος από
αμυνόμενους, αυτό είναι γενικά κακό σουτ.
Αλλά ποτέ δεν ξέραμε πόσο καλό είναι το
καλό ή πόσο κακό είναι το κακό ποσοτικά.
Μέχρι τώρα.
Αυτό που κάναμε, πάλι χρησιμοποιώντας
χωροχρονικά χαρακτηριστικά
ήταν να δούμε κάθε σουτ.
Μπορούμε να δούμε πού είναι το σουτ.
Ποια η γωνία του ως προς το καλάθι;
Πού βρίσκονται οι αμυνόμενοι; Πόσο μακριά;
Σε τι γωνίες;
Από το πώς κινείται ένας παίκτης
απέναντι σε πολλούς αμυντικούς
μπορούμε να προβλέψουμε το είδος του σουτ.
Μπορούμε από τις ταχύτητές τους να
φτιάξουμε ένα μοντέλο που προβλέπει
την πιθανότητα να μπει το σουτ
κάτω από τις δεδομένες συνθήκες.
Γιατί είναι αυτό σημαντικό;
Μπορούμε να πάρουμε π.χ. το σουτ,
που προηγουμένως ήταν ένα πράγμα
και να το κάνουμε δύο:
την ποιότητα του σουτ
και την ποιότητα του σουτέρ.
Ορίστε ένα διάγραμμα φυσαλίδων -- δεν
θα ήταν TED χωρίς διάγραμμα φυσαλίδων --
(Γέλιο)
Αυτοί είναι παίκτες του NBA.
Το μέγεθος είναι το ύψος
του παίκτη και το χρώμα είναι η θέση.
Στον άξονα χ έχουμε
την πιθανότητα ευστοχίας.
Οι παίκτες στα αριστερά
κάνουν δύσκολα σουτ,
στα δεξιά κάνουν εύκολα σουτ.
Στον [άξονα ψ] είναι
η ικανότητα στο σουτ.
Όσοι είναι καλοί είναι ψηλά,
οι κακοί είναι χαμηλά.
Για παράδειγμα, αν υπήρχε ένας παίκτης
που γενικά είχε ευστοχία 47%,
αυτό ήταν το μόνο που γνωρίζαμε παλιά.
Σήμερα μπορώ να σας πω ότι αυτός ο παίκτης
κάνει σουτ, που ένας μέσος παίκτης του NBA
θα έκανε με ευστοχία 49%
και είναι λιγότερο εύστοχος κατά 2%.
Αυτό είναι σημαντικό διότι
υπάρχουν πολλοί 47άρηδες.
Άρα είναι σημαντικό να γνωρίζουμε
αν ο 47άρης στον οποίο σκέφτεστε
να δώσετε 100 εκατομμύρια δολάρια
είναι ένας καλός σουτέρ,
που κάνει δύσκολα σουτ
ή ένας κακός σουτέρ που κάνει εύκολα σουτ.
Η μηχανική κατανόηση δεν αλλάζει
απλά το πώς βλέπουμε τους παίκτες,
αλλάζει το πώς βλέπουμε το παιχνίδι.
Πριν από δύο χρόνια, είχε γίνει εκείνος
ο συναρπαστικός τελικός του NBA.
Το Μαϊάμι έχανε 3 πόντους
και είχαν απομείνει 20 δευτερόλεπτα.
Θα έχαναν το πρωτάθλημα.
Ένας κύριος, ονόματι Λεμπρόν Τζέιμς,
σούταρε τρίποντο για να ισοφαρίσει.
Αστόχησε.
Ένας συμπαίκτης του,
ο Κρις Μπος, πήρε το ρημπάουντ
και πάσαρε στον Ρέι Άλεν,
αυτός έβαλε τρίποντο
και πήγαν στην παράταση.
Κέρδισαν το παιχνίδι και το πρωτάθλημα.
Ήταν ένα από τα πιο συναρπαστικά
παιχνίδια μπάσκετ.
Η ικανότητά μας να γνωρίζουμε
την πιθανότητα ευστοχίας κάθε παίχτη
σε κάθε δευτερόλεπτο
και την πιθανότητα να πάρουν
ένα ρημπάουντ κάθε δευτερόλεπτο
μπορούν να διαφωτίσουν αυτήν τη φάση όπως
δεν μπορούσε να γίνει ποτέ στο παρελθόν.
Δυστυχώς δεν μπορώ να
σας δείξω εκείνο το βίντεο.
Αλλά ειδικά για σας
αναπαράξαμε εκείνη τη φάση
στο εβδομαδιαίο μας παιχνίδι
μπάσκετ πριν από 3 εβδομάδες.
(Γέλια)
Και αναπαράξαμε όλη τη φάση,
που οδήγησε σε αυτές τις πληροφορίες.
Να το. Είναι στην Τσάινα Τάουν
του Λος Άντζελες,
ένα πάρκο όπου παίζουμε κάθε εβδομάδα
να κι εμείς, που αναπαράγουμε
τη στιγμή του Ρέι Άλεν
και όλη τη φάση, που προηγείται.
Να και το σουτ
Θα σας δείξω αυτήν τη στιγμή
και όλες τις πληροφορίες
αυτής της στιγμής.
Η μόνη διαφορά είναι ότι αντί
για επαγγελματίες παίκτες, παίζουμε εμείς
και αντί για επαγγελματία
εκφωνητή, θα μιλάω εγώ.
Υποστείτε με λιγάκι.
Μαϊάμι.
Χάνουν με τρεις.
Απομένουν 20''.
Ο Τζεφ επαναφέρει την μπάλα.
Ο Τζος την πιάνει και σουτάρει τρίποντο!
(Υπολογισμός πιθανότητας ευστοχίας)
(Ποιότητα σουτ)
(Υπολογισμός πιθανότητας ριμπάουντ)
Δεν μπήκε!
(Υπολογισμός πιθανότητας ριμπάουντ)
Ριμπάουντ ο Νοέλ.
Πασάρει στην Ντάρια.
(Ποιότητα σουτ)
Σουτάρει τρίποντο -- μέσα!
Ισοπαλία με 5 δευτερόλεπτα να απομένουν.
Το πλήθος είναι σε παροξυσμό.
(Γέλιο)
Έτσι έγινε περίπου.
(Χειροκρότημα)
Στο περίπου.
(Χειροκρότημα)
Αυτή η στιγμή είχε πιθανότητα
περίπου 9% να συμβεί στο NBA
και το γνωρίζουμε κι αυτό
και πολλά άλλα πράγματα.
Δεν θα σας πω πόσες φορές
προσπαθήσαμε για να το καταφέρουμε.
(Χειροκρότημα)
Εντάξει, θα σας πω. Τέσσερις φορές.
(Χειροκρότημα)
Μπράβο, Ντάρια.
Το σημαντικό για αυτό το βίντεο και
την επίγνωση που έχουμε
για κάθε δευτερόλεπτο κάθε παιχνιδιού
του NBA, δεν είναι αυτό.
Είναι ότι δεν χρειάζεται να είστε ομάδα
του NBA για να παρακολουθείτε την κίνηση
ή να είστε επαγγελματίας παίκτης
για να έχετε επίγνωση για τις κινήσεις.
Δεν είναι καν απαραίτητο να πρόκειται
για σπορ, αφού κινούμαστε παντού.
Κινούμαστε στα σπίτια μας,
στα γραφεία μας,
καθώς ψωνίζουμε και ταξιδεύουμε
μέσα στις πόλεις μας
και σε όλον τον κόσμο
Τι θα γνωρίζουμε; Τι θα μάθουμε;
Ίσως αντί να αναγνωρίζει τα πικ εν ρολ,
ένας υπολογιστής αναγνωρίσει
και με ενημερώσει για τη στιγμή,
που η κόρη μου κάνει τα πρώτα της βήματα,
κάτι που είναι κυριολεκτικά πιθανό
να συμβεί ανά πάσα στιγμή.
Ίσως μάθουμε να χρησιμοποιούμε
καλύτερα τα κτίριά μας,
να σχεδιάζουμε καλύτερα τις πόλεις μας.
Πιστεύω ότι με την εξέλιξη της επιστήμης
των κινούμενων κουκκίδων,
θα μπορούμε να κινούμαστε καλύτερα,
γρηγορότερα, να κινούμαστε προς τα εμπρός.
Σας ευχαριστώ.
(Χειροκρότημα)
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)
من و همکارانم مجذوب دانش نقطهها هستیم.
این نقطهها چه هستند؟
خوب، آنها همه ما هستیم.
و ما در خانهها و دفترهایمان، و هنگامی که
به خرید یا مسافرت میرویم،
درون شهرهایمان و سراسر دنیا، در حال
حرکت هستیم.
و خوب نبود اگر میتوانستیم همه این
حرکات را درک کنیم؟
و میتوانستیم الگو و معنا و مفهوم درون
آنها را بفهمیم.
و خوشبختانه، ما در زمانی زندگی میکنیم
که به شکل غیر قابل باوری در جمعآوری
اطلاعات درباره خودمان پیشرفت کردهایم.
پس چه از طریق حسگرها یا فیلمها یا
نرم افزارها،
میتوانیم با جزییات بسیار دقیق، حرکات
خودمان را دنبال کنیم.
و به نظر میرسد که یکی از جاهایی که ما
بهترین دادهها را درباره حرکت داریم
در ورزش است.
پس چه بسکتبال باشد یا بیس بال یا فوتبال
و یا اون یکی فوتبال،
در حال نصب تجهیزات در ورزشگاهها و روی
بازیکنان هستیم
تا بتوانیم در کسری از ثانیه، حرکات
آنها را دنبال کنیم.
پس کاری که ما میکنیم، تبدیل ورزشکاران--
همانطور که حدس میزنید--
به نقطههای متحرک است.
پس ما کوهی از نقاط متحرک داریم،
و مانند سایر دادههای خام،
کار با آنها سخت و طاقت فرسا است.
اما چیزهایی هست که به طور مثال،
مربیان بسکتبال میخواهند بدانند.
و مشکل اینجا است که نمیتوانند متوجه آنها
شوند، چون برای این کار آنها باید
هرثانیه از هر بازی را ببینند، به خاطر
بسپارند و پردازش کنند.
و یک انسان قادر به انجام آن نیست،
اما یک ماشین میتواند.
مشکل اینجا است که ماشینها نمیتوانند
بازی را از چشم یک مربی ببینند.
حداقل تا کنون نمیتوانستند.
پس ما به ماشین، دیدن چه چیزی را آموختیم؟
خوب، ما به سادگی شروع کردیم.
چیزهایی مانند پاس، شوت و ریباند را به آن
یاد دادیم.
چیزهایی که اکثر طرفداران معمولی میدانند.
و بعد از آن به مسائل کمی پیچیدهتر رسیدیم.
مسائلی مانند حالت پشت به حلقه،
سد کردن و چرخش و ایزوله
کردن.
و اگر با آنها آشنایی ندارید، اشکالی ندارد.
بیشتر بازیکنان آنها را میشناسند.
اکنون، به نقطهای رسیدهایم که ماشینها
اکثر حرکات پیچیده را درک میکنند.
مانند نمایش پایین و پینهای گسترده.
اساسا مسایلی که تنها حرفهای ها با آن
آشنایی دارند.
پس ما به ماشین آموختیم که با چشمهای مربی
بازی را ببیند.
خوب، ما چگونه قادر به انجام این کار شدیم؟
اگر من از یک مربی بخواهم که چیزی مثل پیک سد کردن و
چرخش را توضیح دهد،
توصیفی را ارائه خواهد داد،
و اگر من بخواهم آن را به شکل الگوریتم
دربیاورم، افتضاح خواهد بود
از قضا، سد کردن و چرخش نوعی رقص بین چهار
بازیکن است،
دو نفر در دفاع و دو نفر در حمله.
و این تقریبا اتفاقی است که میافتد.
خوب بازیکن حمله بدون توپ اینجاست
و به پشت بازیکن مدافع حامل توپ
حرکت میکند،
و آنجا میایستد
و بعد هردو حرکت میکنند و خلاصه،
این یک حرکت سد کردن و چرخش است.
(خنده)
همچنین این نمونهای از یک الگوریتم
افتضاح است.
پس، اگر بازیکن مداخلهگر--
به او غربالگر میگویند--
نزدیک شده و به حرکت ادامه بدهد،
دیگر احتمالا سد کردن وچرخش نخواهد بود.
یا اگر بایستد ولی به اندازه کافی
نزدیک نباشد،
احتمالا سد کردن و چرخش نیست.
یا اگر نزدیک باشد و جای درستی بایستد
اما این کار را زیر سبد انجام دهند، احتمالا
سد کردن و چرخش نیست.
یا ممکن است من اشتباه کنم و همه آنها
سد کردن و چرخش باشند.
در واقع همه چیز به زمانبندی دقیق، فاصله
و جایگیری بستگی دارد،
و همین کار را سخت میکند.
ولی، خوشبختانه، با فراگیری ماشین،
برای توصیف چیزهایی که میدانیم
میتوانیم ورای توانایی خود عمل کنیم.
خوب، این چطور کار میکند،
خوب ما سراغ ماشین میرویم و به او میگوییم
"صبح به خیر ماشین.
اینها یک سری سد کردن و چرخش هستند، و اینها
چیزهایی هستند که سد کردن و چرخش نیستند.
لطفا راهی برای تشخیصشان از هم پیدا کن."
و کلید انجام این کار پیداکردن امکاناتی است
که جداسازی را ممکن کنند.
خوب اگر من میخواستم تفاوت سیب و پرتقال را
به آن یاد بدهم
احتمالا میگویم، "چرا از رنگ یا شکل آنها
استفاده نمیکنی؟"
و مسئلهای که باید حل کنیم این است که
آنها چیستند؟
امکانات کلیدی که به کامپیوتر امکان بررسی
دنیای نقطههای متحرک را میدهند، چه هستند؟
پس با پیدا کردن تمام این روابط میان مکان
مطلق و نسبی،
فاصله، زمانبندی و سرعت--
این کلید واقعی ورود به دانش نقاط متحرک است
یا آنطور که ما میگوییم،
تشخیص الگوی مکانی زمانی در
محیط دانشگاهی.
چون در وهله اول باید کاری کنیم که سخت
به نظر بیاید--
چو در واقع هست.
نکته کلیدی برای مربیان بسکتبال این نیست
که بدانند
سد کردن و چرخش اتفاق افتاد یا نه.
بلکه آنها میخواهند نحوه انجام
آن را بدانند.
و چرا این مسئله این قدر برای آنها مهم است؟
خوب این هم یک دلیل کوچک.
این طور به نظر میرسد که در بسکتبال مدرن
این سد کردن و چرخش مهمترین حرکت بازی است.
و اینکه چگونه آن را انجام دهیم،
و چگونه در برابر آن دفاع کنیم،
در واقع کلید برد یا باخت در
اکثر بازیها است.
خوب متوجه شدیم که این رقص گونههای بسیار
متفاوتی دارد
و در واقع نکته مهم، شناسایی این
گونهها است،
و به این دلیل است که این الگوریتم باید
خیلی خیلی خوب عمل کند.
خوب، یک مثال.
دو بازیکن حمله و دو بازیکن دفاع داریم،
که برای انجام حرکت سد کردن و چرخش
آماده میشوند.
خوب بازیکن حامل توپ میتواند بگیرد،
و یا رد کند.
همبازی او میتواند بچرخد یا بزند.
بازیکن مدافع توپ میتواند جلو یا عقب برود.
هم تیمی او میتواند نمایش بدهد یا دفاع کند
و بازی آرام انجام دهد.
و آنها با هم کیتوانند جابجا شوند یا حمله
کنند
و زمانی که شروع کردم، من بیشتر این چیزها
را نمیدانستم
و بسیار خوب میشد اگر همه بر اساس آن
پیکانها حرکت میکردند.
در آن صورت زندگی بسیار آسانتر بود، اما
این طور که پیداست حرکات بسیار بینظم هستند
بازیکنها خیلی وول میخورند و تایید این
تغییرات
با دقت بسیار بالا
و با جامعیت و صراحت، بسیار دشوار است.
زیرا این تنها راهی است که میتوان اعتماد
یک مربی حرفهای را جلب کرد.
و با وجود تمام مشکلات در تحلیل صحیح
الگوهای مکانی زمانی
ما توانستیم آن را به انجام برسانیم.
مربیها به توانایی ما و ماشینهایمان در
تشخیص این گونهها اعتماد دارند.
و اکنون در جایگاهی هستیم که امسال
تمام مدعیان قهرمانی NBA
از نرم افزار ما استفاده میکنند، که بر
ماشینی نصب شده
که حرکات نقاط متحرک بسکتبال را درک میکند.
و نه تنها این، بلکه ما پیشنهادهایی ارائه
دادهایم که استراتژیها را عوض کرده
و به تیمها در بردن بازیهای بسیار مهم
کمک کرده است،
و این خیلی جالب است چون مربیانی هستند که
به مدت
۳۰ سال در لیگ بودهاند اما از یک ماشین
کمک میگیرند.
و این مسئله بسیار هیجان انگیز است،
این بسیار ببیشتر از تشخیص پیک و چرخش است.
کامپیوتر ما از مسائل ساده شروع کرد
و به تدریج چیزهای پیچیده تری را یاد گرفت
و اکنون چیزهای خیلی زیادی میداند.
در حقیقت، من بیشتر کارهای او را متوجه
نمیشوم،
و از آنجا که به اندازهای خاص نیست که
از من باهوشتر باشد،
این سوال برایمان مطرح شد، که آیا یک ماشین
میتواند بیش از یک مربی بداند؟
آیا میتواند بیش از توانایی انسان بداند؟
و مشخص شد که جواب مثبت است.
مربیان از بازیکنان میخواهند که
ضربات خوبی به دست بیاورند.
پس اگر من زیر سبد باشم
و کسی دور و بر من نباشد، این
یک ضربه خوب است.
اگر از سبد دور باشم و مدافعین اطراف من
باشند، معمولا این یک ضربه بد است.
اما هیچ گاه نمیدانیم که "خوب" چه اندازه
خوب است، یا "بد"چه اندازه بد است.
تا امروز.
خوب، دوباره با استفاده از الگوی
مکانی زمانی، چه کار میتوانیم بکنیم
ما به تمام ضربات توجه کردیم.
میتوانیم ببینیم: ضربه کجاست؟ در چه
زاویهای نسبت به سبد قرار دارد؟
مدافعین کجا هستند؟ فاصله آنها چقدر است؟
در چه زاویهای هستند؟
در مورد چند مدافع، میتوانیم به نحوه حرکت
آنها نگاه کنیم
و نحوه پرتاب را پیش بینی کنیم.
میتوانیم سرعت حرکت تمام آنها را بررسی
کنیم و مدلی برای پیش بینی ارائه دهیم
که احتمال گل شدن این پرتاب در این شرایط
چقدر است؟
خوب، اهمیت این کار در چیست؟
میتوانیم چیزی که پرتاب خوانده میشود
را درنظر بگیریم
که قبل از این یک چیز بود، و به آن را
دو چیز مجزا تفکیک کنیم:
کیفیت پرتاب و کیفیت پرتاب کننده.
خوب این یک نمودار حبابی است،
چون TED بدون نمودار بی فایده است.
(خنده)
اینها بازیکنان NBA هستند.
اندازه، نشان دهنده ابعاد بازیکن و رنگ
نشان دهنده جایگاه او است.
در محور طولی احتمال گل شدن پرتاب را داریم.
افراد سمت چپ پرتابهای سختی میگیرند،
در سمت راست، پرتابهای آسان.
بر روی محور عمودی توانایی پرتاب بازیکنان
قرار دارد.
بالا خوبها و پایین ضعیفترها قرار دارند.
پس به عنوان مثال، اگر بازیکنی
معمولا ۴۷ درصد از پرتابهای خود را
وارد سبد کند،
این تنها چیزی بود که تا پیش از این
میدانستیم.
اما امروز، من میتوانم بگویم که این بازیکن
پرتابهایی به دست میآورد که یک بازیکن
متوسط NBA با احتمال ۴۹ درصدآن را
وارد سبد میکند،
و او دو درصد پایینتر است.
و دلیل اهمیت این موضوع این است که تعداد
زیادی بازیکن با احتمال ۴۷ درصد وجود دارند.
و بسیار مهم است که بدانیم
که این ۴۷ درصدی که قرار است ۱۰۰ میلیون
دلار دستمزد بگیرد
پرتاب کننده خوبی است که پرتابهای
ضعیفی میگیرد
یا پرتاب کننده بدی است که پرتابهای
خوبی میگیرد.
دانایی ماشین تنها نحوه نگاه ما به
بازیکنان را تغییر نمیدهد
بلکه نحوه نگاه ما به بازی را هم
عوض میکند.
مثلا، دو سال پیش یک بازی بسیار هیجان انگیز
در فینال NBA در جریان بود:
میامی سه امتیاز عقب بود و تنها 20 ثانیه
باقی مانده بود.
آنها در حال از دست دادن قهرمانی بودند.
یک آقای محترمی به نام لبران جیمز آمد و
یک سه امتیازی پرتاب کرد تا مساوی کنند.
پرتاب را از دست داد.
همبازی او کریس باش ریباند کرد،
و به همبازی دیگرشان، ری الن پاس داد.
او سه امتیاز گرفت. بازی به وقت اضافی
کشیده شد.
آنها بازی را بردند و قهرمان فصل شدند.
یکی از هیجان انگیز ترین بازیهای بسکتبال
بود.
و توانایی ما در دانستن احتمال پرتاب
برای هر بازیکن
در هر لحظه از بازی،
و احتمال ریباند گرفتن آنها در طول بازی
میتواند این اتفاق را بهتر از هر وقت دیگری
روشن کند.
الان متاسفانه، نمیتوانم آن تصویر را
به شما نشان دهم.
اما به خاطر شما، ما این لحظه را
در بازیهای هفتگی بسکتبال خودمان
بازسازی کردیم.
(خنده)
و حرکات را دنبال کردیم تا همه چیز
روشن شود.
خوب، این ماییم. اینجا محله چینیها
در لسانجلس است،
پارکی ما هر هفته در آن بازی میکنیم.
و اینها ما هستیم که داریم لحظه پرتاب
ری الن را
با تمام ردیابیهای مربوط به آن
بازسازی میکنیم.
و حالا پرتاب.
من میخواهم آن لحظه را با تمام بینش
مربوط به آن . به شما نشان دهم.
تنها تفاوت اینجاست که به جای بازیکنان
حرفهای، ما بازی میکنیم،
و به جای یک گزارشگر حرفهای،
من گزارش میکنم.
پس با من باشید.
میامی.
سه امتیاز کمتر دارند.
تنها بیست ثانیه تا پایان بازی.
جف توپ رو میگیره.
پاس میده به جاش، جاش یه سه امتیازی
پرتاب میکنه!
[محاسبه احتمال پرتاب]
[کیفیت پرتاب]
[احتمال ریباند]
و گل نمیشه!
[احتمال ریباند]
نویل ریباند میکنه.
به عقب پاس میده به داریا.
[کیفیت پرتاب]
و این هم از سه امتیازی، گل میشه!
پنج ثانیه از بازی مانده و مساوی میکنند.
تماشاچیها غوغا به پا میکنند.
(خنده)
این تقریبا اتفاقی بود که افتاد.
(تشویق)
تقریبا.
(تشویق)
احتمال وقوع این لحظه در NBA نه درصد بود.
و ما این را و خیلی چیزهای خوب دیگر را
میدانیم.
به شما نخواهم گفت چند بار تلاش کردیم
تا این اتفاق بیافتد.
(خنده)
خیلی خوب، میگم! چهار بار.
(خنده)
راه درازی در پیش داری داریا.
اما نکته مهم درباره این ویدیو
و بینشی که از هر لحظه بازیهای NBA به دست
آوردهایم -- این نیست.
این است که لازم نیست شما یک تیم حرفهای
باشید تا بتوانید حرکات را ردیابی کنید.
حتی لازم نیست یک بازیکن حرفهای باشید تا
حرکات را درک کنید.
در واقع، اصلا نیازی نیست که فقط درباره
ورزش باشد، چون ما همه جا در حال حرکتیم.
در خانهمان حرکت میکنیم.
در دفترهایمان،
زمانی که به خرید یا مسافرت میرویم
در شهرها
و سراسر دنیا.
چه چیزی را متوجه میشویم؟
چه چیزی یاد میگیریم؟
شاید به جای تشخیص سد کردن و چرخش،
یک ماشین بتواند لحظه را بیابد و به من
اطلاع دهد
که دخترم کی اولین قدمش را بر خواهد داشت.
که در واقع ممکن است همین الان باشد.
شاید بتوانیم یاد بگیریم که از ساختمانها
بهتر استفاده کنیم، شهرها را بهتر بسازیم.
من باور دارم که با توسعه دانش نقطهها،
ما بهتر حرکت خواهیم کرد، هوشمندانه تر
عمل میکنیم و پیشرفت خواهیم کرد.
بسیار سپاسگزارم.
(تشویق)
Mes collègues et moi sommes fascinés
par la science des « points mobiles ».
Alors, c'est quoi ces points ?
Eh bien, c'est nous tous.
Nous nous déplaçons chez nous,
au bureau, au magasin, en voyage
à travers les villes et
autour du monde.
Ça ne serait pas génial si on pouvait
comprendre tous ces mouvements ?
Si on pouvait trouver des schémas,
leur sens et mieux les comprendre ?
Nous avons la chance de vivre à une époque
où nous excellons à capturer
des informations sur nous-mêmes.
Donc que ce soit par des capteurs,
des vidéos ou des applications,
on peut suivre nos mouvements
d'une façon incroyablement détaillée.
En fait, un des secteurs dans lequel
nous avons les meilleures données
sur le mouvement est le sport.
Que ce soit le basket, le baseball,
le foot ou le football américain,
nous équipons nos stades et nos joueurs
afin de suivre leurs mouvements
à chaque fraction de seconde.
En fait nous transformons
nos athlètes en –
vous avez surement deviné,
des points mobiles.
Nous avons donc des tonnes de points
mobiles ; comme toutes les données brutes,
c'est difficile à traiter
et pas vraiment intéressant.
Mais il y a des choses que les entraîneurs
de basket, par exemple, veulent savoir.
Le problème, c'est que pour les obtenir,
il faudrait qu'ils regardent
chaque seconde de chaque match,
s'en rappellent et les analysent.
Personne n'est capable de le faire,
mais une machine le peut.
Le problème, c'est qu'elle ne peut
pas voir avec les yeux de l'entraîneur.
Du moins pas jusqu'à maintenant.
Alors qu'a-t-on appris
à la machine pour qu'elle voie ?
On a commencé simplement.
On lui a d'abord appris des choses comme
les passes, les tirs et les rebonds –
que la plupart des fans
devraient connaître.
Et puis on est passé à des choses
un peu plus compliquées.
Des choses comme des post-ups,
des pick and rolls et des isolements.
Peut-être ne les connaissez-vous pas, mais
la plupart des joueurs les connaissent.
De nos jours, les machines comprennent
des événements complexes
comme orienter et poser des écrans.
Des choses que seuls
les professionnels connaissent.
Nous avons appris à une machine à voir
avec les yeux d'un entraîneur.
Alors, comment y sommes-nous parvenus ?
Si je demandais à un entraîneur
de décrire un pick and roll,
ils me donneraient une description.
Et si je l'encodais en un algorithme,
ce serait très mauvais.
Il se trouve que le pick and roll est
cette danse au basket entre 4 joueurs,
deux à l'attaque et deux à la défense.
Et voilà à peu près comment ça se passe.
Du côté de l'attaque,
il y a ce type sans le ballon
et il se met près du type qui
couvre le type qui a le ballon,
et il reste là
et tous les deux bougent
et le jeu continue,
et voilà : un pick and roll.
(Rires)
C'est aussi un exemple
d'un très mauvais algorithme.
Donc si le joueur interférant,
celui qu'on appelle le garde--
s'approche mais ne s'arrête pas,
il ne s'agit sans doute pas
d'un pick and roll.
Ou bien s'il s'arrête,
mais pas assez près,
il ne s'agit sûrement pas
d'un pick and roll.
Ou, s'il s'approche vraiment
et il s'arrête
mais ça se passe sous le panier,
ce n'est sans doute pas un pick and roll.
Ou alors je me trompe
et tous ces exemples
sont des pick and roll.
Tout dépend du timing,
des distances et des emplacements,
et c'est ça qui est difficile à apprécier.
Mais heureusement, on peut apprendre
aux machines à décrire les choses
qu'on connaît, bien au-delà
de nos capacités.
Alors comment ça marche ?
Eh bien, on utilise des exemples.
On va voir la machine et on lui dit :
« Bonjour, machine.
Voila des exemples de pick and roll,
et voici des choses qui n'en sont pas.
S'il te plaît, trouve un moyen
de faire la différence. »
Il s'agit de trouver les caractéristiques
permettant la séparation.
Alors pour lui enseigner
la différence
entre une pomme et une orange,
pourquoi ne pas utiliser
les couleurs et les formes ?
Et le problème à résoudre c'est,
quelles sont ces choses ?
Quelles sont les caractéristiques
permettant à l'ordinateur de naviguer
dans le monde des points mobiles ?
Comprendre toutes ces relations
avec des positions relatives et absolues,
la distance, le temps, les vélocités –
c'est vraiment le cœur de la science
des points mobiles,
ou bien, comme on l'appelle :
schéma spatio-temporel de reconnaissance
en langage académique.
Parce que tout d'abord,
il faut que ça sonne compliqué.
Parce que ça l'est.
Mais, pour les entraîneurs,
le problème n'est pas de savoir
s'il s'agit d'un pick and roll ou non.
Ils veulent savoir comment
le pick and roll a pu avoir lieu.
Et pourquoi c'est important
pour eux ? Je vous explique.
Il se trouve que
dans le basketball moderne,
ce pick and roll est peut-être le type
de jeu le plus important.
Savoir comment l'initier
et en assurer sa défense,
est ce qui détermine la plupart
des victoires et des défaites.
Si bien que cette danse a beaucoup
de formes différentes
et pouvoir identifier ces variations
est vraiment ce qui compte,
et c'est pour ça qu'il faut que ce système
soit vraiment bon.
Un exemple :
2 joueurs en attaque,
2 en défense,
prêts à interpréter la danse
du pick and roll.
Celui qui a le ballon peut
prendre ou laisser.
Son coéquipier peut se diriger vers une
zone de terrain libre ou poser un écran.
Celui qui défend le ballon peut passer
au dessus ou en dessous.
Son coéquipier peut se tenir à
distance ou jouer « soft »
et ensemble ils peuvent passer le ballon
ou détruire le pick and roll
et je ne connaissais pas tout ça
quand j'ai commencé.
Ça serait super si tout le monde
pouvait suivre les flêches.
Ça rendrait notre vie bien plus simple,
mais les mouvements sont désordonnés.
Les gens gigotent beaucoup
et identifier ces variations
avec une grande netteté,
quant à la précision et au recalcul,
est difficile
parce que c'est ce qui est nécessaire
pour que l'entraîneur croit en vous.
Malgré toutes les difficultés à trouver
les traits spatiotemporels corrects,
on a réussi.
Les entraineurs font confiance à nos
machines pour identifier les variations.
Nous sommes au point où
presque toutes les équipes
en NBA cette année
utilisent notre logiciel, construit
sur une machine qui comprend
les points mobiles du basketball.
Nous avons même fourni des conseils
qui ont changé les stratégies
qui ont aidé des équipes à gagner
des matchs très importants,
et c'est vraiment passionnant parce qu'il
y a des entraîneurs qui sont en NBA
depuis 30 ans, qui acceptent
les avis d'une machine.
Et c'est passionnant,
c'est bien plus que le pick and roll.
Nos ordinateurs sont partis
de choses simples
et ont appris des choses plus complexes
et maintenant ils savent tant de choses.
Franchement, je ne comprends
pas tout ce qu'il fait,
et bien que ça ne soit pas si
étonnant d'être plus intelligent que moi,
on s'est demandé, est-ce qu'une machine
peut en savoir plus qu'un entraîneur ?
Peut-elle en savoir plus qu'une personne ?
Et il se trouve que la réponse est oui.
On veut que les joueurs
fassent de bons tirs.
Donc si je suis près du panier
et qu'il n'y a personne autour,
c'est un bon tir.
Si je suis loin du panier entouré de
défenseurs, c'est un mauvais tir.
Mais avant, on ne savait pas
quantifier le bon et le mauvais
jusqu'à maintenant.
Donc, ce qu'on peut faire, c'est utiliser
les traits spatio-temporels,
on a étudié tous les tirs.
On peut voir : Où est le tir ?
Quel est l'angle avec le panier ?
Où se tiennent les défenseurs ?
A quelle distance ?
Quels sont leurs angles ?
Quand il y a plusieurs défenseurs, on peut
regarder comment les joueurs se déplacent
et prédire le type de tir.
On peut étudier leur vélocité
et construire un modèle qui prédit
les chances que ce tir réussisse
dans ces circonstances.
Alors, pourquoi c'est important ?
On peut prendre le tir,
qui était une seule chose
et qui en devient deux :
la qualité du tir
et la qualité du tireur.
Voici un graphique à bulles,
indispensable dans une conférence TED.
(Rires)
Voici des joueurs du NBA.
Cette taille est la taille du joueur
et la couleur, sa position.
En abscisse,
on a la probabilité du tir.
Les gens sur la gauche
font des tirs difficiles
sur la droite, des tirs faciles.
En ordonnée, on trouve
leur habileté au tir.
Ceux qui sont bons sont en haut
et les mauvais en bas.
Par exemple, s'il y avait un joueur
qui réussissait généralement
47% de ses tirs,
c'était tout ce qu'on savait avant.
Mais maintenant, ce joueur fait des tirs
qu'un joueur du NBA moyen
réussirait 49% du temps,
donc il est moins bon de 2 points.
La raison pour laquelle c'est important:
il y a beaucoup de 47 sur le marché.
Donc, c'est vraiment important de savoir
si le 47 à qui vous envisagez de donner
100 millions de dollars
est un bon tireur qui fait de mauvais tirs
ou un mauvais tireur qui fait
de bons tirs.
La compréhension de la machine ne change
pas comment nous voyons les joueurs,
ça change la manière de voir le jeu.
Il y a deux ans, il y a eu
une finale passionnante.
Miami perdait par trois points
et il restait 20 secondes.
Ils étaient sur le point de perdre
le titre de champion.
Un homme nommé Lebron James a tiré
pour essayer d'égaliser le score.
Il a manqué.
Son coéquipier Chris Bosh a eu le rebond,
l'a passé à un autre coéquipier,
Ray Allen.
Il a marqué 3 points.
Il y a eu prolongation.
Ils ont gagné le match et le championnat.
C'était un des meilleurs matchs
de l'histoire du basketball.
Et notre capacité à connaître la
probabilité des tirs
pour chaque joueur à chaque seconde,
et les chances qu'ils ont d'avoir
un rebond à chaque seconde
peut éclairer ce moment comme
jamais auparavant.
Malheureusement, je ne peux pas
vous montrer cette vidéo.
Mais nous avons reconstruit
ce moment pour vous
lors de notre match hebdomadaire
il y a 3 semaines.
(Rires)
Et nous avons recréé
ce moment de révélation.
Alors, nous voilà.
Nous sommes à Chinatown à Los Angeles,
dans un parc où nous jouons
toutes les semaines,
et nous voilà recréant
le moment de Ray Allen
et tout le pistage qui va avec.
Voilà le tir.
Je vais vous montrer cette partie
et les coulisses de ce moment.
La seule différence : au lieu de joueurs
professionnels, c'est nous,
et à la place d'un commentateur
professionnel, c'est moi.
Alors accrochez-vous.
Miami.
Trois points de retard.
20 secondes restantes.
Jeff apporte le ballon.
Josh l'attrape, et marque 3 points.
(Calcul de probabilité du tir)
(Qualité du tir)
(Probabilité de rebond)
Il ne rentre pas !
(Probabilité de rebond)
Rebond, Noel.
Passe à Daria.
(Qualité de tir)
Trois points !
Égalité à 5 secondes de la fin !
La foule est en délire.
(Rires)
C'est à peu près comment
ça s'est passé.
A peu près.
(Applaudissements)
Cet instant avait à peu près 9%
de chance d'arriver pendant la finale,
et on sait ça et
beaucoup d'autres choses.
Je ne vous dirai pas combien
d'essais il nous a fallu pour y arriver.
(Rires)
Bon d'accord ! Quatre.
(Rires)
Bravo Daria.
Mais ce qui est important dans cette vidéo
et les connaissances qu'elle apporte sur
chaque seconde du match -- n'est pas ça.
C'est le fait qu'on puisse suivre les
déplacements de toutes sortes d'équipes.
Il n'est pas nécessaire d'être un joueur
professionnel pour étudier les mouvements.
En fait, la technologie s'adapte hors
du sport parce qu'on se déplace partout.
On bouge dans nos maisons,
dans nos bureaux,
quand on fait des courses,
quand on voyage
dans les villes
et autour du monde.
Qu'est-ce qu'on va apprendre
à connaître ?
Peut-être qu'au lieu d'identifier des
pick and rolls,
une machine peut identifier
le moment et me dire
quand ma fille commence à marcher.
Ce qui pourrait d'ailleurs arriver
sous peu.
On pourrait apprendre à mieux utiliser
nos immeubles, mieux planifier nos villes.
Je crois qu'avec le développement
de la science des points mobiles,
on se déplacera mieux,
plus intelligemment, on ira de l'avant.
Merci beaucoup.
(Applaudissements)
מדע הנקודות הנעות מרתק אותי ואת עמיתיי.
אז מהן הנקודות האלו?
הנקודות הן אנחנו, כולנו.
אנחנו נעים בבית, במשרד, בקניות ובחופשה,
ברחבי הערים ומסביב לעולם.
האם לא היה נפלא אילו יכולנו
להבין את התנועה הזאת,
אילו יכולנו למצוא בה
תבניות, משמעויות ותובנות?
התמזל מזלנו ואנחנו חיים בעידן
עתיר אפשרויות תיעוד עצמי.
חיישנים, סרטונים ואפליקציות מאפשרים לנו
לעקוב אחרי התנועה שלנו
ולקבל עליה נתונים מפורטים ביותר.
ומתברר שאחד התחומים שבהם
הנתונים שיש לנו על התנועה טובים במיוחד
הוא הספורט.
בכדורסל, בבייסבול, בכדורגל או בפוטבול,
אנחנו מתקינים ציוד באצטדיונים שלנו
ועל השחקנים
כדי לתעד את התנועות שלהם בכל שבריר שנייה.
למעשה אנחנו הופכים את האתלטים שלנו ל...
אתם בוודאי כבר מנחשים...
נקודות נעות.
אז יש לנו הררי נתונים על נקודות נעות.
וכמו רוב המידע הגולמי,
קשה לקרוא אותם והם לא מאוד מעניינים.
אבל יש דברים שמאמני כדורסל, לדוגמה,
היו רוצים לדעת.
אבל הם לא יכולים לדעת אותם,
כי הם יצטרכו לצפות בכל שנייה
של כל משחק, לזכור ולנתח אותן.
בני אדם לא מסוגלים לעשות את זה,
אבל מכונות יכולות.
הבעיה היא שמכונות לא יכולות לראות את המשחק
כמו שמאמן רואה אותו.
לפחות הן לא יכלו לבצע את זה עד כה.
אז מה לימדנו את המכונה לראות?
התחלנו במהלכים פשוטים.
לימדנו את המכונה מהם
מסירות, זריקות וכדורים חוזרים.
מהלכים פשוטים שכל חובב כדורסל מכיר.
משם עברנו למהלכים קצת יותר מורכבים.
מהלכים כמו פוסט-אפ, פיק-אנד-רול ובידוד.
המהלכים האלה מוכרים לרוב השחקנים החובבנים
וגם אם אינכם מכירים אותם - לא נורא.
היום המכונה מבינה כבר מהלכים מורכבים
כמו Down screens ו-Wide pins.
דברים שרק מקצוענים מכירים.
לימדנו את המכונה לראות
מנקודת המבט של המאמן.
איך עשינו את זה?
אם הייתי מבקש ממאמן
לתאר מהלך כמו פיק-אנד-רול,
והייתי מקודד את התיאור שלו כאלגוריתם,
זה היה איום ונורא.
פיק-אנד-רול הוא ריקוד
של ארבעה שחקנים בכדורסל,
שני תוקפים ושני מגינים.
הוא מתנהל בערך ככה:
שחקן תוקף שהכדור לא בידיו
מתקרב לשחקן ההגנה ששומר על השחקן עם הכדור,
ואז הוא נשאר בסביבה,
ושניהם נעים וקורים כל מיני דברים
וטה-דה! קיבלנו פיק-אנד-רול.
(צחוק)
זאת גם דוגמה לאלגוריתם גרוע.
אם השחקן שמפריע, שנקרא השחקן החוסם,
מתקרב לשחקן עם הכדור אבל לא עוצר,
זה כנראה לא פיק-אנד-רול.
אם הוא עוצר, אבל לא עוצר מספיק קרוב,
גם זה כנראה לא פיק-אנד-רול.
אם הוא עוצר מספיק קרוב,
אבל שני השחקנים מתחת לסל,
גם זה כנראה לא פיק-אנד-רול.
ואולי אני בכלל טועה,
וכל המהלכים האלה יכולים להיות פיק-אנד-רול.
זה תלוי בתזמון המדויק, במרחקים, במיקומים,
וזה מה שמסבך את העניין.
למרבה המזל, למידה חישובית מאפשרת לנו
לפרוץ את גבולות היכולת שלנו
לתאר את הדברים שאנחנו יודעים.
אז איך זה עובד? בעזרת דוגמאות.
אנחנו ניגשים למכונה ואומרים לה,
"בוקר טוב, מכונה.
הנה כמה מהלכים של פיק-אנד-רול,
והנה כמה מהלכים שהם לא פיק-אנד-רול.
תמצאי בבקשה דרך לזהות את ההבדלים ביניהם".
המפתח לכך הוא למצוא מאפיינים
שמאפשרים לבצע את ההבחנה הזאת.
לדוגמה, אילו רציתי ללמד את המכונה
להבדיל בין תפוזים לתפוחים,
הייתי מציע לה "אולי תבדקי צבע או צורה?"
הבעיה שאנחנו מנסים לפתור היא,
מהם המאפיינים האלה?
מהם מאפייני המפתח שמאפשרים למחשב
לנווט בעולם הנקודות הנעות?
הבנת היחסים בין מיקום, מרחק,
תזמון ומהירויות יחסיים ומוחלטים,
היא המפתח למדע הנקודות הנעות,
או כפי שאנחנו מכנים זאת בשפה האקדמית,
זיהוי תבניות מרחב-זמן.
זה נשמע מסובך,
כי זה באמת מסובך.
חשוב להבין שלמאמני אן-בי-איי לא באמת אכפת
אם היה או לא היה פיק-אנד-רול.
אלא הם רוצים להבין איך המהלך התרחש.
ולמה זה כל כך חשוב להם?
מתברר שבכדורסל מודרני,
הפיק-אנד-רול נחשב
למהלך החשוב ביותר במשחק.
והידע איך לנהל אותו,
והידע איך להתגונן מפניו,
הם למעשה המפתח לניצחון או להפסד
ברוב המשחקים.
מתברר שלריקוד הזה יש הרבה מאוד וריאציות,
והזיהוי שלהן הוא שורש העניין,
ולכן אנחנו צריכים למצוא דרך
לבצע את הזיהוי בצורה מיטבית.
הנה דוגמה.
יש שני תוקפים ושני מגינים
שמתכוננים לבצע את ריקוד הפיק-אנד-רול.
השחקן עם הכדור יכול לבחור
בין Take לבין Reject.
השותף שלו יכול לבחור בין Roll לבין Pop.
השחקן ששומר על השחקן עם הכדור
יכול לבחור בין Over ל-Under.
השותף שלו יכול לבחור בין Show
ל-Up to Touch או ל-Soft.
וביחד הם יכולים לבחור בין Switch ל-Blitz.
בתחילת הדרך לא הכרתי את רוב המונחים האלה.
אם השחקנים היו תמיד נעים לפי החצים,
החיים שלנו היו הרבה יותר קלים.
אבל מתברר שתנועה היא עסק מאוד מבולגן.
התנועה של השחקנים מפותלת מאוד,
וקשה מאוד לזהות את הווריאציות השונות
ברמת נכונות גבוהה,
ולשמור על רמות גבוהות של דיוק ואחזור.
כדי שמאמנים מקצועיים יאמינו במערכת שלנו
היא חייבת לעמוד בדרישות האלה.
ולמרות הקשיים המרובים במציאת
מאפייני המרחב-זמן המתאימים
הצלחנו לעשות את זה.
מאמנים בוטחים ביכולת של המכונה שלנו
לזהות את הווריאציות האלה.
כמעט כל הקבוצות שמתמודדות השנה
על אליפות האן-בי-איי
משתמשות בתוכנה שלנו,
שמבוססת על מכונה שמבינה
את הנקודות הנעות במשחק הכדורסל.
מעבר לזה, הייעוץ שלנו
שינה אסטרטגיות של קבוצות
ועזר להן לנצח במשחקי מפתח.
זה מאוד מרגש אותנו.
מאמנים עם ותק של 30 שנות אימון
מוכנים לקבל עצות ממכונה.
וזה מאוד מרגש.
לא מדובר רק בפיק-אנד-רול.
המחשב שלנו התחיל בדברים פשוטים,
ולמד דברים יותר ויותר מורכבים.
והיום הוא יודע הרבה מאוד דברים.
למען האמת, אני כבר לא מבין
הרבה מהדברים שהוא עושה.
אמנם לא קשה להיות יותר חכם ממני,
אבל תהינו אם מכונה
יכולה לדעת יותר ממאמנים?
האם המכונה יכולה לדעת יותר מאדם?
והתשובה היא כן.
המאמנים רוצים שהשחקנים יזרקו זריקות טובות.
אם אני עומד ליד הסל
ואין אף אחד אחר לידי,
זאת זריקה טובה.
אם אני רחוק מהסל ומוקף בשחקני הגנה,
זאת בדרך כלל זריקה גרועה.
אבל לא ידענו מבחינת כמותית
כמה "טוב" הוא טוב או כמה "רע" הוא רע.
עד עכשיו.
כעת, בעזרת מאפיינים של מרחב-זמן
אנחנו יכולים לבחון כל זריקה.
אנחנו יכולים לראות:
מאיפה מתבצעת הזריקה? מה הזווית לסל?
איפה עומדים המגינים?
מה המרחקים מהם?
מה הזוויות שלהם?
אם יש כמה מגינים,
אנחנו יכולים לבדוק איך השחקן נע
ולחזות את סוג הזריקה שלו.
אנחנו יכולים לבחון את המהירויות שלהם,
ואנחנו יכולים לבנות מודל שחוזה מראש
מה הסיכוי שהזריקה הזאת
תיכנס לסל בנסיבות האלה.
מה החשיבות של זה?
אנחנו יכולים לקחת זריקה,
ולחלק אותה לשני חלקים:
איכות הזריקה ואיכות הזורק.
זה תרשים בועות,
כי ב-TED אי אפשר בלי תרשים בועות...
(צחוק)
אלה שחקני אן-בי-איי.
גודל הבועה הוא גובה השחקן
והצבע שלה הוא המיקום שלו.
ציר ה-x מציג את סיכויי הזריקה.
השחקנים שמשמאל זורקים זריקות קשות,
ושחקנים בצד ימין זורקים זריקות קלות.
ציר ה-y מציג את כישורי הזריקה שלהם.
השחקנים הטובים נמצאים למעלה,
והגרועים למטה.
נניח לדוגמה ששחקן
מגיע ל-47 אחוזי הצלחה בזריקות.
בעבר זה כל מה שידענו עליו.
אבל היום אני יכול לספר לכם
שהשחקן זורק זריקות
ששחקן ממוצע באן-בי-איי
מצליח ב-49 אחוזים מהן.
כלומר, הוא גרוע מהשחקן הממוצע
בשני אחוזים.
והנתון הזה חשוב, כי יש הרבה שחקני 47.
וחשוב מאוד לדעת
אם שחקן ה-47 ששוקלים לשלם לו
מאה מיליון דולר
הוא קלע טוב שזורק זריקות גרועות
או קלע גרוע שזורק זריקות טובות.
ההבנה של המכונה לא משנה
רק את ההסתכלות שלנו על שחקנים,
היא משנה גם את ההסתכלות שלנו על המשחק.
לפני כמה שנים התנהל המשחק המרגש הבא
בסדרת הגמר של האן-בי-איי.
מיאמי פיגרה בשלוש נקודות,
ונותרו 20 שניות לסיום.
הם עמדו לאבד את האליפות.
בחור בשם לברון ג'יימס
זרק שלשה כדי להשוות את התוצאה.
הוא החטיא.
חברו לקבוצה כריס בוש תפס את הכדור החוזר,
ומסר אותו לחברם לקבוצה ריי אלן.
הוא קלע שלשה והמשחק הגיע להארכה.
הם ניצחו במשחק.
הם זכו באליפות.
זה היה אחד המשחקים המרגשים ביותר בכדורסל.
היכולת שלנו לדעת את אחוזי הקליעה
של כל שחקן בכל שנייה
ואת הסיכוי של כל שחקן
לתפוס כדור חוזר בכל שנייה
יכולה לשפוך אור על כל רגע
בדרך שלא היתה קיימת בעבר.
לרוע המזל אני לא יכול להציג לכם את הסרטון.
אבל שחזרנו עבורכם את הרגע ההוא
במשחק הכדורסל השבועי שלנו
לפני שלושה שבועות.
(צחוק)
ושחזרנו גם את כל המהלכים
שהובילו לתובנות שלנו.
הנה אנחנו בצ'יינטאון שבלוס אנג'לס
בפארק שבו אנחנו משחקים כל שבוע.
וכאן אנחנו משחזרים את הרגע של ריי אלן
ואת כל המהלכים שהובילו אליו.
זאת הזריקה.
עכשיו נראה את הרגע ההוא
ואת כל התובנות שלנו על הרגע ההוא.
ההבדל היחיד הוא שאנחנו ממלאים את מקום
השחקנים המקצועיים,
ואני ממלא את מקומו של הכרוז המקצועי.
אז תהיו סבלניים כלפיי.
מיאמי.
פיגור של שלוש נקודות.
עשרים שניות לסיום.
ג'ף מקדם את הכדור.
ג'וש תופס את הכדור וזורק שלשה!
[הסיכוי לקליעה - 33%]
[איכות הזריקה - ג'וש - 33%]
[הסיכוי לריבאונד - נואל - 12%]
לא נכנס!
[הסיכוי לריבאונד - נואל - 32%]
ריבאונד, נואל.
בחזרה לדריה.
[איכות הזריקה - דריה - 37%]
שלוש נקודות - בנג!
נותרו חמש שניות לסיום.
הקהל משתולל.
(צחוק)
ככה בערך זה קרה.
(מחיאות כפיים)
בערך.
(מחיאות כפיים)
לרגע הזה היה סיכוי של כתשעה אחוזים
להתרחש באן-בי-איי.
ואנחנו יודעים את זה והרבה דברים נוספים.
לא אגלה לכם כמה ניסיונות עשינו עד שהצלחנו.
(צחוק)
טוב, בכל זאת אגלה לכם.
ניסינו ארבע פעמים.
(צחוק)
כל הכבוד, דריה.
אבל הסרטון הזה והתובנות שלנו
לגבי כל שנייה של כל משחק אן-בי-איי
חשובים מסיבה אחרת.
והסיבה היא שלא צריך להיות קבוצה מקצוענית
כדי לעקוב אחרי תנועה.
לא צריך להיות שחקן מקצועי
כדי לקבל תובנות על תנועה.
למעשה, הנושא אינו מוגבל רק לספורט,
כי אנחנו נעים בכל מקום.
אנחנו נעים בבתים שלנו,
במשרדים שלנו,
כשאנחנו יוצאים לקניות,
כשאנחנו מטיילים
בתוך הערים
ומסביב לעולם.
מה נדע? מה נלמד?
אולי, במקום לזהות פיק-אנד-רול,
המכונה תוכל לזהות את הרגע
ולהודיע לי מתי הבת שלי
צועדת את צעדיה הראשונים.
דבר שצפוי להתרחש בכל רגע.
אולי נוכל ללמוד לנצל בצורה טובה יותר
את הבניינים שלנו
ולתכנן טוב יותר את הערים שלנו.
אני מאמין שכשמדע הנקודות הנעות יתפתח,
ננוע טוב יותר, ננוע בצורה חכמה יותר,
ננוע קדימה.
תודה רבה.
(מחיאות כפיים)
मैं और मेरे साथी
बिंदु गति शास्त्र से मंत्रमुग्ध हैं
असल मे ये बिंदु क्या है ?
ये हम सब लोग है
हम अपने घरो में, आफिस मे
जब हम खरीददारी या यात्रा करते हैं
अपने शहर में और
पूरी दुनिया मे घूमते है
अगर हम इस गति को समझ पाये
तो कितना अच्छा होगा
अगर हम इसके स्वरूप
और अर्थ ढूँढ पाते ?
यह हमारा सौभाग्य है
हम ऐसे समय जीते है
जहॉ हमारे बारे मे सुचना
प्राप्त करने मे हम सफल है
हम अपने गति की सभी
विवरण सेन्सर्स, वीडियो
और एप्स द्वारा
प्राप्त कर सकते है
तो यह पता चलता हैं कि जहाँ गति के बारे में
सबसे ज्यादा आकड़े मिल सकते हैं
वो खेल हैं
बास्केटबाल या बेसबाल
फुटबाल या दूसरा फुटबाल हो
उपकरण से ह्मारे स्टेडियम्स
और खिलाडियॉ से उनके
गति के हर पल को ट्रैक कर रहे है
तो ह्म अपने खिलाडियो को
हाँ आपने सही अंदाजा लगाया
गतिमान बिंदुओं मे बदल रहे है
हमारे पास चलती बिंदुओ
का पहाड है और कच्चे आँकडॉ को
समझ पाना कठिन हैं
और दिलचस्प नही
उदाहरणार्थ बास्केट्बाल कोच बहुत
चीजेँ जानना चाहते हैं किंतु समस्या
ये हैं कि जानने के लिये उन्हेँ
खेल के हर पल ध्यान देना होगा
याद करना होगा और उचित
कारवाई करना होगा
ये काम एक व्यक्ति नहीँ कर सकता
बल्कि मशीन कर सकती है
लेकिन एक मशीन कोच के
नजर से खेल को नही देख सकती
अब तक तो नही
तो हम मशीन को क्या
देखने के लिये सिखाया
पहले आसान तरीके
से शुरु किया
हम उसको पासेस शाट्स और
रिबौंड्स जैसे चीज़ सिखाया
चीज जो साधारण दर्शक
भी जानते है
और फिर हम थोडी मुश्किल
चीजोँ के ओर बढ गये
जैसे पोस्ट-अप्स पिक-अंड-रोल्स
और आईसोलेश्न्स
और अगर आप इन्हेँ
नहीँ जानते तो कोई बात नहीँ
अब हम वहां पहुँच गये जहाँ आज
मशीन मुश्किल ईवेँट्स को समझती हैं
जैसे डौन स्क्रींस और वाईड पिंस
ये चीज मूल रूप से
पेशेवर ही जानते हैँ
हम एक मशीन को कोच की
नजर से देखना सिखाया
हम यह कैसे कर पाये ?
यदि मै एक कोच को पिक-अंड-रोल्स
के बारे मे वर्णन देने को कहने से
वे मुझे वर्णन दे सकते है
मै एंकोड करके एक अल्गोरित्म
के रूप मे दे दू तो बहुत अच्छा होगा
पिक-अंड-रोल्स चार खिलाडियोँ के
बीच एक नृत्य जैसा लगता हैँ जहाँ
दो खिलाडी आक्रमण
दो खिलाडी रक्षा करते हैँ
ऐसा चल रहा है
यहाँ एक खिलाड़ी आक्रमण मे
बिना गेँद के है
गेँद और खिलाड़ी चलते है उस खिलाड़ी के पास
जिस के पास गेँद है
और खिलाडी रुकता है
दोनोँ चलते है टा-डा होता है
यहीँ है पिक-अंड-रोल्
(हंसी)
यह भी कठिन अल्गोरित्म
का एक उदाहरण है
यदि एक खिलाडी दखल देने से
उसको कहते है स्क्रीनर
बहुत करीब पहुँच कर रुके नहीँ तो
पिक-अंड-रोल् शायद नहीँ कह सकते है
यदि खिलाडी रुकता है लेकिन
बहुत करीब नहीँ तो
पिक-अंड-रोल् शायद नहीँ कह सकते है
या बहुत करीब जाकर रुकने से
लेकिन बास्केट के नीचे करने से
पिक-अंड-रोल् शायद नहीँ हो सकते है
या मैँ गलत हो सकता हूँ
वे सब पिक-अंड-रोल् हो सकते है
ये सही वक्त, दुरी और स्थान पर
निर्भर करता है
और यही चीज उसको
मुश्किल बनाता है
लेकिन मशीन की सहायता से
हमारे सामर्थ्य से बढकर
चीजोँ का विवरण दे सकते है
तो ये कैसे काम करता है ?
ये एक उदाहरण से
हम मशीन के पास जाते और कहते
" गुड मोर्निंग मशीन
इधर कुछ पिक-अंड-रोल्स है
और इधर कुछ चीज वो नहीँ है
उन दोनोँ के बीच अँतर
बताने का रास्ता ढूँढो "
और जो लक्षण सबसे उसको अलग करते हो
उसको पता करना ही असली सूत्र है
इसलिए यदि मुझे उसको
सेब और सँतरा मे
अंतर सिखाना होता तो
मै उसको "रँग या आकार इस्तेमाल
करने के लिए कहूँगा ?"
और हम जो समस्या को सुलझा रहे है
वह ऐसे क्या चीज है
मूल लक्षण क्या है
जो कम्प्यूटर को गतिमान बिँदु के
दुनिया मे दिशा दिखा सकते है?
ये सारी सँबँधोँ के बीच दुरी समय गति
के बारे मे रिलेटिव और आब्सोल्युट
स्थान की कल्पना करना ही
असल मे बिँदु गति शास्त्र की सूत्र है
या जैसे कि हम शैक्षिक भाषा मे
स्पटियोटेँपोरल स्वरूप पहचान
के नाम से जाना जाता है
पहले चीज यह हैं कि
इसे सुनने में कठिन बनाना है
क्योँकि यह कठिन है
एनबीए कोचेस के लिए
पिक-अंड-रोल हुआ की नहीँ
ज्यादा मान्य नहीँ रखता
बल्कि कैसे हुआ जानना जरूरी मानते है
और ये उनको क्योँ आवश्यक है?
एक उदाहरण प्रस्तुत करता हूँ
आधुनिक बास्केटबाल मे
शायद पिक-अंड-रोल की ही
बहुत महत्वपूर्ण भूमिका है
समझना कि कैसे दौडना और
समझना कि कैसे रक्षा करना
मूल रूप से खेलोँ मे जीतने या
हारने को प्रभावित करता है
ये नृत्य अलग अलग रूप मे है
और इसको पहचानना ही असली चीज है
इसलिए ये सब बहुत ज्यादा
अच्छा होना हमारे लिये जरूरी है
यहॉ एक उदाहरण है
वहॉ दो आक्रमिक खिलाडी
दो रक्षा पँती के खिलाडी है
जो पिक-अंड-रोल नृत्य
के लिए तैयार हो रहे है
खिलाडी जिस के पास गेँद है वह
या तो ले सकता या छोड सकता
उसके टीम के साथी या तो रोल
या पाप कर सकते है
खिलाडी जो गेँद को रक्षा करता हैं
वो या तो ऊपर से या नीचे से जा सकता
उसके टीम के साथी या तो शो
या प्ले अप टु टच या प्ले साफ्ट
और मिलके उन लोग या तो स्विच
या ब्लिट्ज़ कर सकते हैँ
और जब मैंने शुरू किया था
ये सब मै नही जानता था
और यदि सब लोग उस तीरों के अनुसार
चलने से कितना अच्छा होगा
यह हमारी जीवन को बहुत आसन बनाते
बल्कि ये गति को बहुत अप्रिय बना देता है
इस अलग रूप को सही सलामत
पहचानना और याद करना लोगोँ
के लिये बहुत कठिन परिश्रम
की आवश्यकता हैँ
क्योँकि यही जो चीज एक प्रोफेषनल कोच
आप की नैपुण्यता को मान्य देता है
और हम लोग काफी दुविधाएँ
आने के पश्चात भी
सही स्पषियोटेँपोरल
लक्षण कर पाये
कोच्स हमारी मशीन की ये लक्षण पता कर ने की
क्षमता पर बहुत उम्मीद रखते है
हम वहा पहुँच गये जहाँ NBA चैम्पियनशिप
के लगभग हर एक खिलाडी इस साल
हमारी साफ्ट्वेर
इस्तेमाल कर रहे है
जो एक मशीन के ऊपर
बनाया गया जो
बास्केट्बाल की बिंदु
गति को समझ्ता हैं
पर इतना ही नही हम ने जो
सलाह दी उसने रणनीति को बदल दिया
जो टीम्स को जीतने मे मदद करता है
और ये बहुत ही उत्तेजक है क्योँकि
जो कोचेस 30 साल से लीग मे है
वो एक मशीन से सलाह
लेने के लिये तैयार है
और यह बहुत ही दिलचस्त और
पिक-अंड-रोल से ज्यादा है
हमारा कम्पुटर छोटे चीजोँ से शुरु किया
और बहुत ही जटिल चीजोँ को सीखा
और अब इसको बहुत चीज मालूम है
वो क्या करती है ये ज्यादातर
मै नही समझता
और मुझसे चतुर होना भी
कोई बडी बात नही
हमे आश्चर्य होता है क्या एक मशीन
कोच से ज्यादा जान सकता?
क्या वो एक आदमी से ज्यादा जान सकता?
और हम लोगोँ को कहना पडेगा हाँ
कोचेस चाहते हैँ खिलाडी
अच्छे शाट ले
अगर मै बास्केट के पास हूँ
और मेरे आसपास कोई नही
तो ये अच्छा शाट है
अगर मै बहुत दूर खडा हूँ और मेरे चारोँ तरफ
रक्षा खिलाडी है तो वो गलत शाट है
लेकिन हम अभी तक ये नही जानते कि
अच्छा कितना "अच्छा" था
और बुरा कितना "बुरा" था
और हम लोग क्या करेँ फिरसे
हर शाट को स्पाटियोटेँपोरल
लक्षण द्वारा देखे
हम देख सकते : शाट किधर है?
बास्केट तक क्या कोण है?
रक्षा खिलाडी कहॉ खडे है?
उनकी दुरी कितनी है?
उनके कोण कितना है?
जहॉ ज्यादा रक्षा खिलाडी हो वहॉ
देख सकते खिलाडी कैसे चल रहे और
अंदाजा लगा सकते
कौनसा शोट लगेगा
हम उनके रफ्तार को देख सकते है और
एक नमूना तैयार कर सकते जो
इन परिस्थितियोँ मे ये शाट कहॉ तक
जा सकता है इसका अंदाजा लगयेगा
तो ये सब आवश्यक क्योँ है?
ह्म शूटिँग को ले सकते,
जो पहले एक चीज था
और उसको दो चीजोँ मे बदल दिये
शाट की गुणवत्ता और
शूटर की गुणवत्ता
यहॉ एक बबल चार्ट देखिये
क्योँकि बिना बबल चार्ट TED क्या है?
(हंसी)
ये बबल्स NBA खिलाडी हैँ
बबल का परिमाण खिलाडी का परिमाण है
और रँग उसका स्थिति
शाट की सँभावना x-अक्ष मे है
लोग जो बाएँ तरफ है
वो मुश्किल शाट लेते हैँ
जो दाएँ तरफ है
आसन शाट लेते हैँ
y-अक्ष पर उनके
शूटिँग के सामर्थ्य है
लोग जो अच्छे है वो ऊपर है
जो बुरे वो नीचे है
इस तरह, पहले हम सिर्फ
इतना ही जानते थे कि
एक खिलाडी आम तौर पर
47 प्रतिशत शाट्स बनाता था
पर आज मै ये कह सकता हू कि
वो खिलाडी एक साधारण NBA
खिलाड़ी जो 49 प्रतिशत
शाट्स लेता है उनसे
2 प्रतिशत बदतर है
ये बहुत ही जरूरी है क्योँ कि
वहा ज्यादातर 47 प्रतिशत वाले है
इसलिये ये जानना जरूरी है कि
अगर आप 100 मिलियन डालर्स
47 प्रतिशतवाले को देना चाहते है जो
एक अच्छा शूटर है लेकिन बुरा शाट लेता
या बुरा शूटर है जो अच्छा शाट लेता
हमारी नजरिये को मशीन का
नजरिया नही बदल सकता लेकिन
हम खेल को कैसे देखते
ये जरूर बदल सकता है
कुछ साल पहले NBA फ़ाइनल मे
एक उत्तेजक मेच हुआ था
मियामि तीन से पीछे था और
सिर्फ 20 सेकन्ड्स बाकी थे
वो लोग चैम्पियनशिप खोने ही वाले थे
एक जेंटलमैन लमान लेब्रान जेम्स आया
और उन्होँने तीन से टॅइ लिया
वो छूट गया
टीममेट
क्रिस बोश को
पलटाव मिला उसने बाल
को अपने दूसरे टीममेट
रे अलेन को पास किया
उसने तीन मे डुबा दिया
गेम अतिरिक्त समय मे चला गया
वो लोग गेम जीत गये
और चैम्पियनशिप भी
वो बास्केट बाल की बहुत ही
उत्तेजक मैचो मे से एक है
और हर एक खिलाडी शाट खेलने की
सँभावना हर एक पल और उसको हर
एक पल रीबौंड मिलने की
सँभावना ये सब जानने की हमारी
क्षमता आप की इस
पल को और भी याद्गार बनाने वाला था
पर बद्किस्मती से मै वो वीडिओ
आपको अभी नही दिखा सक्ता
लेकिन हम ने आप के लिये
वो पल को पुनर-सृजन किया जो तीन
हफ्ते पहले जो हमारा
साप्ताहिक बास्केट बाल मैच हुआ
(हंसी)
हम ने ट्रेकिंग का पुनर्निमाण किया
जो हमेँ अँतरदृष्टि के ओर लेके गया
तो ये हम है ये एक पार्क
चाइनाटाउन लास एंजेलस मे
जहा हम हर हफ्ते खेलते हैँ
और हमने रे अल्लेन मूमेंट को
और उसके साथ जुडी वो ट्राकिंग
को भी पुनर-सृजन किया
तो अब ये रहा शाट
मै ये पल और उसकी सारी
अनुभव आप को दिखाना
चाहता हु
और सिर्फ ये अंतर है कि पेशेवर
खिलाडी की जगह यहा हम होँगे
और पेशेवर वाचक के बदले यहा मै रहूँगा
इसलिये थोडा सहन कीजिये(धीरज)
मियामी
तीन से पीछे
बीस सेकन्ड बाकी हैं
जेफ्फ बाल लाता है
जोश कैच करता हैं, तीन
पुट अप करता है
शाट की सँभावना की
गणना करने के बाद
शाट की शक्ति
पलटाव की सँभावना
नही जायेगा
पलटाव की सँभावना
पलटाव नोयेल
फिर से दारिया के पास
शाट की शक्ती
उसका तीन पाइंटर- बांग
बराबर अंको पर गेम था पांच क्षण बच गये
क्राउड (भीड) पागल हो जाते हैं
(हंसी)
ये सब लग भग ऐसे हुआ था
(ताली)
लग भग
(ताली)
ये पल को NBA मे लगभग नौ
प्रतिशत मुमकिन होने की सँभावना है
और हम लोग और भी
बडे बडे चाज जानते है
मै ये नही बतावूंगा उस पल को
सँभव बनाने के लिये कितने बार लगा
(हंसी)
चलो बता देता हू वो चार था
(हंसी)
डारिया ,बहुत आगे जाओगे
पर उस वीडिओ और वो हर पल,
हर गेम का अंतर दृष्टि रखना
इन सब का दूसरा मतलब है
ये यदार्थ है कि उस पल की नजर रखने के लिये
तुम्हे एक पेशेवर टीम होने की जरूरत नही
गती की अनुभव करने के लिये तुम्हे
एक पेशेवर खिलाडी होने की जरूरत नही
असल मे वो तो खेल के बारे मे होने की भी
जरूरत नही क्योँ कि हम हर जगह घूमते है
हम अपने घरोँ मे चलते है
अपने दफतर मे
जब हम कुछ खरीदते हैं
और जब हम यात्रा करते हैं
हमारे सारे शहर में
और अपने आसपास की
दुनिया मे भी घूमते
हम क्या जानते हैं? क्या समझते हैं?
शायद पिक-अँड-रोल्स
को पहचानने के बदले
एक मशीन मेरी बेटी की
पहला चरण लेने की पल को
पहचान के मुझे बतायेगा
जो कोई भी क्षण
वास्तव में हो सकता है
शायद हम भवन का सही उपयोग
शहर का सही नक्शा बना सकते
मुझे उम्मीद है कि बिँदु गति शास्त्र
की व्याप्ति से
हम लोग बेहतर तरीके से
चतुराई से और आगे बड सकते है
धन्यवाद
(ताली)
Kollégáimat és engem elbűvöl
a mozgó pontok tudománya.
Miféle pontoké?
Hát, mi vagyunk azok!
Mozgunk otthon, az irodában,
mikor bevásárlunk s utazunk
itthon és szerte a világban.
Nem lenne-e nagyszerű,
ha értenénk e mozgások természetét,
ha mintákat és jelentést
fedezhetnénk fel benne?
Szerencsére olyan korban élünk,
amikor saját adataink gyűjtésének
mestereivé váltunk.
Érzékelőkkel, videóval vagy appokkal
a legapróbb részletekig
nyomon követhetjük a mozgásunkat.
Úgy látszik, az egyik hely, ahonnan
a legjobb mozgásadatokat kaphatjuk
az a sport.
Legyen az kosárlabda, baseball,
amerikai foci, vagy az a másik "foci",
stadionjaink és játékosaink föl vannak
szerelve, hogy követhessük a mozgásukat
minden pillanatban.
Annyit kell csak tennünk,
hogy sportolóinkat
— nyilván már kitalálták —
mozgó pontokká változtatjuk.
Tehát van egy rakás mozgó pontunk,
s mint a legtöbb nyers adattal,
nehéz velük bánni,
és nem is túl érdekes.
De vannak olyan dolgok,
melyekre pl. a kosáredzők kíváncsiak.
De az a bibi, hogy ez nekik nem megy,
mert akkor a játékok minden pillanatát
meg kellene jegyezniük
és föl kellene dolgozniuk.
Az ember erre nem képes.
A gép viszont igen.
Az a bökkenő, hogy a gép nem
az edző szemével látja a játékot.
Legalábbis eddig nem tudta.
Milyen látásmódra tanítottuk a gépet?
Egyszerűen kezdtük.
Megtanítottuk neki a passzokat, dobásokat
és a lepattanásokat.
Ezeket egy átlagos szurkoló ismeri.
Azután sorra vettük
a kissé bonyolultabb dolgokat.
Pl. a pozíciófogást, az elzárás-leválást
és a terület-felszabadítást.
Nem baj, ha ezeket nem ismerik.
A hobbikosarasok ismerik.
Elértünk arra a pontra, ahol a gép
ma már komplex akciókat is megért,
pl az alsó elzárást
és az oldalsó elzárást.
Ezeket többnyire csak a profik ismerik.
Megtanítottuk a gépnek,
hogy miként lásson az edző szemével.
Hogyan voltunk erre képesek?
Ha megkérnék egy edzőt, hogy adjon
leírást egy akcióról,
például az elzárás-leválásról, megtenné,
s ha algoritmusként bekódolnám,
szörnyű lenne.
Az elzárás-leválást a kosárlabdában
négy játékos táncolja,
két támadó- és két védőjátékos.
Valahogy így csinálják.
Van egy labda nélküli támadójátékos,
aki a labdát birtokló támadójátékost
őrző védő mellé lép,
egy kicsit ott marad,
majd mindketten mozdulnak,
és hoppá, ez az elzárás-leválás.
(Nevetés)
Még egy példa egy borzalmas algoritmusra:
ha az akadályozó játékos —
őt hívják elzárónak —
egészen közel megy, de nem áll meg,
ez nyilván nem elzárás-leválás.
Ha viszont megáll, de nem elég közel,
nyilván ez sem elzárás-leválás.
Vagy ha egészen közel megy és megáll,
de ezt a kosár alatt teszik,
nyilván ez sem elzárás-leválás.
Vagy tévedek, s ezek
mind elzárás-leválások.
A dolog a pontos időzítéstől,
távolságtól és a helytől függ,
s ettől olyan bitangul nehéz.
Szerencsére, gépi tanulással
fölülmúlhatjuk az emberi képességeket,
hogy leírhassuk az ismert dolgokat.
Hogy működik ez? Egy példán mutatom be.
Odalépünk a géphez, és megszólítjuk:
"Jó reggelt, gép.
Van itt valami elzárás-leválás,
és még valami, ami nem az.
Kérlek, mondd meg,
mi a különbség közöttük."
Mindennek a nyitja, hogy szétválogatásra
alkalmas jellemzőket találjunk
Ha a gépnek meg akarnám tanítani a narancs
és az alma közti különbséget,
azt tanácsolnám:
"Figyeld a színt és az alakot."
A megoldandó feladat: mik ezek a tényezők?
Mik a döntő jellemzők,
melyekre támaszkodva a gép
eligazodik a mozgó pontok világában?
Ha kiderítjük a távolságok, időzítések,
relatív és abszolút helyek
és sebességek közötti összefüggést,
ez a nyitja a mozgó pontok tudományának,
vagy aminek hívni szeretjük
tudományos zsargonban:
térbeli-időbeli mintafölismerés.
Mert ugye, az elnevezés is legyen
ugyanolyan tojásfejű,
mint maga a terület.
Mert az NBA-edzőket
nem az érdekli leginkább,
hogy az akció elzárás-leválás volt-e.
Azt szeretnék tudni, hogyan történt.
Miért olyan fontos nekik?
Egy kicsit ássunk mélyebbre.
Kiderül, hogy a modern kosárlabdában
az elzárás-leválás a legfontosabb játék.
Ha ismerjük a lefolyását,
és a kivédésének módját,
ezzel nyerjük, illetve veszítjük el
a legtöbb meccset.
Kiderül, hogy ennek a táncnak
számtalan változata van,
és a lényeg az, hogy föltérképezzük
a változatokat,
méghozzá nagyon-nagyon pontosan.
Mondok egy példát.
Van két támadó- és két védőjátékosunk,
s készek eljárni
az elzárás-leválás táncot.
A labdás muki vagy megcsinálja vagy nem.
Csapattársa foroghat vagy nekiindulhat.
A labdát birtokló vagy áttör
vagy megkerülheti a lezárást.
Csapattársa segítheti váltáscsellel
vagy azzal, hogy nem mozdul,
és együtt válthatnak vagy lerohanhatnak.
Kezdetben nem ismertem ezeket a dolgokat,
és milyen jó is lenne, ha mindenki
a nyilak szerint mozogna.
Nagyon megkönnyítené az életünket,
de a mozgások nagyon bonyolultak.
A játékosok rengeteget izegnek-mozognak,
s a változatokat igen pontosan végzik.
Nehéz a változatokat
meghatározni, s meg is jegyezni.
Hiszen pont az kell, hogy egy profi edző
bízzon a játékosban.
A tér-időjellemzők minden
nehézsége ellenére
el tudtuk végezni a feladatot.
Az edzők bíznak benne, hogy gépünk
képes a változatokat meghatározni.
Ma ott tartunk, hogy az idei NBA-bajnokság
minden résztvevője
a mi szoftverünket használja,
amelynek alapja
a kosárlabda mozgó pontjait értő gép.
Nem csak tanácsokat adunk,
amely megváltoztatja a stratégiát,
hanem segítettük a csapatokat,
hogy fontos meccseket nyerhessenek.
Ez igen érdekes, mert vannak edzők,
akik 30 éve vannak a Szövetségben,
és mégis hajlandóak megfogadni
egy gép tanácsát.
Ez nagyon lelkesítő, jobban,
mint az elzárás-leválás.
Számítógépünk egyszerű dolgokkal kezdte,
s mind több összetett dolgot tanult meg,
s mára már rengeteg mindent tud.
Őszintén szólva, nem sokat értek abból,
amit művel,
s nem az a különleges benne,
hogy okosabb nálam.
Azon töprengünk, hogy a gép
többet tudhat-e egy edzőnél?
Többet tudhat-e az embernél?
Kiderül, hogy a válasz: igen.
Az edzők jól dobó játékosokat szeretnének.
Ha a kosár közelében állok,
és senki sincs a közelemben, az jó dobás.
Ha messze, védőkkel körülvéve állok,
akkor az általában rossz dobás.
De sohasem tudtuk, hogy mennyiségileg
mennyire jó a jó és rossz a rossz.
Eddig.
Azt tehetjük, ismétlem,
hogy a tér-időjellemzők segítségével
megfigyelünk minden dobást.
S elénk tárul: Honnan dobnak?
Milyen szögben van a kosár?
Hol állnak a védők?
Mennyire vannak egymástól?
Milyen szögben?
Több védőnél megfigyelhetjük,
hogyan mozog a játékos,
megtippelhetjük a dobásfajtát.
Megfigyelhetjük a sebességeket, s olyan
modellt készíthetünk, amely megjósolja,
hogy a dobás beleillik-e
ezekbe a feltételekbe.
Miért fontos ez?
A dobást, amely korábban egy dolog volt,
két részre bonthatjuk:
a dobás minősége és a dobó minősége.
Ez egy buborékdiagram, mert a TED-en
egy tapodtat se diagram nélkül.
(Nevetés)
Ezek az NBA játékosai.
A méret a játékos magassága,
a szín a helyzete.
Az x-tengelyen van a dobás valószínűsége.
a bal oldali játékosok nehéz,
a jobb oldaliak könnyű dobásokat végeznek.
Az y-tengelyen van a dobóképesség.
Fenn vannak a jó játékosok,
lenn a rosszak.
Pl. Itt egy játékosunk. A dobásai
47%-ban általában sikeresek.
Eddig csak ezt tudtuk róla.
De most már azt is, hogy ő úgy dob,
mint az esetek 49%-ában
egy átlagos NBA-játékos,
s ő 2%-kal gyengébb.
S ez azért lényeges, mert sok 47%-os van,
és tudnunk kell,
hogy a 47%-os muki,
akinek 100 millió dollárt kellene adni,
jó dobó-e, aki rosszakat dob,
vagy rossz dobó, aki jókat dob.
A gépi értelem nemcsak a játékosok
megítélését változtatja meg,
hanem a játék megítélését is.
Volt egy nagyon izgalmas meccs
pár éve az NBA döntőjében.
A Miami hárompontos hátrányban volt,
20 másodperc volt hátra.
Úgy látszott, elvesztik a bajnokságot.
Beállt LeBron James, és dobott
egy hármast, hogy egyenlítsen.
Elhibázta.
Társa, Chris Bosh a lepattanó labdát
csapattársának, Ray Allennek passzolta,
ő meg bedobta a hármast. Hosszabbítás!
Megnyerték a meccset és a bajnokságot is.
Minden idők egyik legizgalmasabb
kosármeccse volt.
Az a képességünk, hogy minden játékosról
ismertük a dobás valószínűségét
minden pillanatban,
és a lepattanó labda elkapásáét is
minden pillanatban,
a korábbiakhoz képest más
megvilágításba helyezte ezt a pillanatot.
Sajnos, nem tudom levetíteni a videót.
De az önök kedvéért
felidéztük a pillanatot
3 hete a heti kosarazásunkkor.
(Nevetés)
Újra előállítottuk az útvonalat,
amelyből eredményeink származtak.
Ezek itt mi vagyunk.
Ez a Chinatown Los Angelesben.
E parkban játszunk hetente,
itt meg újra előállítjuk
Ray Allen akcióját
és az akcióval kapcsolatos útvonalat.
Ez itt a dobás.
Meg fogom mutatni azt a pillanatot,
és az eredményeinket.
A különbség, hogy nem profik,
hanem mi játszunk,
és profi bemondó helyett én beszélek.
Viseljenek el.
Miami.
Hárompontos hátrány
20 másodperc van hátra.
Jeff hozza föl a labdát.
Josh elcsípi, s dob egy hármast.
[Dobás valószínűségének számolása]
[Dobásminőség]
[Lepattanás valószínűsége]
Nem fog menni!
[Lepattanás valószínűsége]
Lepattan, Noel.
Vissza Dariának,
[Dobásminőség]
A hárompontosa — puff!
Döntetlen, és 5 másodperc van hátra.
A tömeg bevadul.
(Nevetés)
Kb. így történt.
(Taps)
Körülbelül.
(Taps)
9%-os volt az esély, hogy az NBA-ben
az a pillanat bekövetkezik:
ezt tudjuk, és egy csomó mást is.
Inkább nem mondom meg,
hányszor próbáltuk el, míg végül sikerült.
(Nevetés)
Na jó, megmondom: négyszer.
(Nevetés)
Bravó, Daria.
De a videóval és az NBA-meccsek
minden pillanatáról meglévő
részletekkel kapcsolatban
a fontos — nem ez.
Tény, hogy nem kell profi csapatnak
lennünk, hogy kövessük a mozgásokat.
Profi játékosnak sem, hogy tájékozódjunk
a mozgások részleteiről.
Még csak nem is kell ennek sportnak
lennie, hiszen mindenfelé mozgunk.
Mozgunk otthon,
az irodában,
vásárlás közben, miközben utazgatunk
a városokban
és a világban.
Mit fogunk megtudni? Mit tanulunk meg?
Talán az elzárás-leválás
azonosítása helyett
azonosíthatja a pillanatot,
és tudtomra adhatja,
hogy kislányom mikor kezd járni.
Ez pedig most bármely
pillanatban megtörténhet.
Tán megtanuljuk, hogy jobban
használjuk épületeinket,
jobban tervezzük városainkat.
A mozgó pontok tudományának fejlesztésével
jobban és okosabban fogunk mozogni,
s előbbre haladunk.
Nagyon köszönöm.
(Taps)
Io e i miei colleghi siamo affascinati
dalla scienza dei punti in movimento.
Cosa sono questi punti?
Beh, siamo tutti noi.
Ci spostiamo in casa e in ufficio,
mentre facciamo acquisti o viaggiamo,
tra le nostre città
e in tutto il mondo.
Sarebbe bello riuscire a capire
tutto questo movimento.
Trovarci schemi,
significati, conoscenze nuove.
E fortunatamente per noi,
viviamo in un'era
in cui siamo incredibilmente bravi
a catturare informazioni su noi stessi.
Attraverso sensori,
video, applicazioni, infatti,
noi possiamo tracciare il nostro
movimento in modo davvero dettagliato.
E a quanto pare, uno dei settori che
fornisce i migliori dati sul movimento
è lo sport.
Che si tratti di basket o baseball,
di calcio o rubgy,
stiamo attrezzando
gli stadi e i giocatori
per tracciare i loro movimenti
a ogni frazione di secondo.
Quindi ciò che stiamo facendo
è trasformare i nostri atleti in
-- probabilmente
l'avrete già capito -
punti in movimento.
Quindi abbiamo montagne
di punti in movimento
e, come la maggior parte
dei dati grezzi,
sono difficili da gestire
e spesso non interessanti.
Ma esistono cose che, per esempio,
gli allenatori di basket vogliono sapere.
Il problema è che non possono saperle
perché dovrebbero guardare
ogni secondo di ogni partita,
ricordarselo ed esaminarlo.
E una persona non può farlo.
Ma una macchina sì!
Però una macchina non può vedere il gioco
con gli occhi di un allenatore.
Quantomeno non poteva finora.
Cosa abbiamo insegnato a vedere
alla macchina, quindi?
Abbiamo iniziato in modo semplice.
Le abbiamo insegnato cose
come i passaggi, i tiri e i rimbalzi.
Cose che molti dei normali fan conoscono.
Poi siamo passati a cose
leggermente più complicate.
Azioni come i post alti,
i pick and rolls e gli isolamenti.
Se non li sapete, tranquilli.
Molti normali giocatori li sanno.
Oggi siamo arrivati a macchine
che comprendono eventi complessi
come i "down screen" e i "wide pins".
Praticamente cose che solo i
professionisti conoscono.
Quindi abbiamo insegnato alla macchina
a guardare con gli occhi di un allenatore.
Come ci siamo riusciti?
Se chiedessi a un allenatore
di descrivere un pick and roll,
mi darebbe una descrizione
che sarebbe terribile
da codificare in un algoritmo.
Il pick and roll nel basket
è una specie di danza tra 4 giocatori,
due in attacco e due in difesa.
Ecco più o meno come funziona.
Qui c'è il giocatore in attacco
senza la palla
e si avvicina al giocatore
che difende contro chi ha la palla
e rimane un po' lì
poi si muovono, succedono cose,
Ta-da! È un pick and roll.
(Risate)
Ed è anche un pessimo
esempio di algoritmo.
Quindi, se il giocatore che marca,
chiamato bloccatore
va vicino ma non si ferma,
probabilmente non è un pick and roll.
O se si ferma, ma non va vicino abbastanza
probabilmente non è un pick and roll.
O, se va vicino e si ferma
ma succede sotto al canestro,
probabilmente non è un pick and roll.
O mi potrei sbagliare,
e sono tutti pick and roll.
Dipende fortemente dal momento esatto,
dalle distanze e dalle posizioni.
Per questo è difficile.
Ma con l'apprendimento automatico
noi andiamo oltre la nostra capacità
nel descrivere ciò che sappiamo
E come funziona?
Per esempio, andiamo dalla macchina
e le diciamo: "Buongiorno, macchina.
Questi sono alcuni pick and roll,
e qui ci sono alcune cose che non lo sono.
Trova un modo per spiegare le differenze".
E la chiave è trovare caratteristiche
che l'aiutino a distinguere.
Così come se le insegnassi la differenza
tra una mela e un'arancia,
direi: "Perché non usi
il colore o la forma?"
E il problema davanti a noi è:
cosa sono queste cose,
quali sono queste caratteristiche
che permettono alla macchina di
indagare i punti in movimento?
Tenere in mente tutte queste relazioni,
con posizione relative e assoluta,
distanza, tempi, velocità --
questa è la vera chiave
per la scienza dei punti in movimento,
o, in gergo accademico, riconoscimento
del modello spaziotemporale.
Perché prima di tutto
devi darle un nome difficile...
(risate)
...perché lo è.
Il punto è che gli allenatori NBA
non vogliono sapere
se è avvenuto o meno un pick and roll.
Vogliono sapere come è accaduto.
Perché è così importante per loro?
Vediamo un po' meglio.
Nel basket moderno,
il pick and roll è forse
la mossa più importante.
Sapere come metterla in pratica
e come difendersi da essa
è la chiave per vincere
la maggior parte delle partite
Ne viene fuori che questa sorta di
danza ha tante varianti
e identificarle è ciò
che più conta.
È per questo che bisogna farlo
molto, molto bene.
Ecco un esempio: ci sono
due attaccanti e due difensori,
pronti ad inziare la danza
del pick and roll.
Il tipo con la palla
può sia accettare o rifiutare il blocco.
il suo compagno di squadra
può fare roll o pop.
il giocatore che difende la palla può
passare sopra o sotto
Il suo compagno può mostrare,
giocare up-to-touch o giocare soft
ed insieme possono cambiare marcatura
o fare un raddoppio
e quando cominciai io non sapevo
la maggior parte di queste cose
e sarebbe bello se tutti
si muovessero seguendo queste frecce:
renderebbe la vita molto più semplice.
Ma in realtà il movimento
è molto confuso.
Le persone ondeggiano molto e
identificare queste variazioni
con un alto livello di accuratezza
sia in precisione che in memorizzazione,
è difficile, ma è necessario
se vuoi che un allenatore
professionista ti creda.
Malgrado tutti i problemi
con le questioni spaziotemporali,
ci siamo riusciti.
Gli allenatori credono nella capacità
della macchina di trovare le varianti.
Siamo arrivati al punto che
quasi ogni partecipante
al campionato NBA di quest'anno
sta usando il nostro software,
costruito su una macchina
che capisce i punti
in movimento del basket.
Non solo abbiamo dato consigli che
hanno cambiato le strategie di gioco
che hanno aiutato le squadre a
vincere competizioni molto importanti
ed è esaltante vedere allenatori
con 30 anni di esperienza in lega pronti
a farsi consigliare da una macchina.
È appassionante, è c'è molto più
dei pick and roll.
La macchina ha cominciato
con cose semplici,
poi ha imparato cose
sempre più complesse
e ora sa davvero molte cose.
Francamente, io non capisco
gran parte di quello che fa,
e anche se non ci vuol molto
ad essere più bravi di me,
ci chiedevamo, può una macchina
sapere più di un allenatore?
Sapere più di quello che sa una persona?
Viene fuori che la risposta è si.
Gli allenatori vogliono che i giocatori
facciamo dei bei tiri.
Quindi, se sono vicino al canestro
con nessuno vicino a me,
è un buon tiro.
Se sono lontano circondato da difensori,
in genere è un tiro scadente.
Ma quanto "buoni" o "scadenti"
sono i tiri buoni o scadenti?
Finora non potevi saperlo.
Quindi cosa possiamo fare
usando coordinate spaziotemporali?
Abbiamo guardato ogni tiro.
Possiamo vedere: dove è il tiro?
Qual è l'angolo col canestro?
Dove sono i difensori?
Quali sono le loro distanze?
Quali sono i loro angoli?
Con più difensori, possiamo guardare
a come si muove il giocatore
e prevedere il tipo di tiro.
Possiamo guardare alle loro velocità
e costruire un modello che prevede
la probabilità che questo tiro vada dentro,
date queste circostanze?
E perché questo è importante?
Possiamo prendere ciò che era il tirare,
che prima era una cosa sola,
e separarla in due:
la qualità del tiro
e la qualità del tiratore.
Ecco un grafico a bolle: che TED sarebbe,
senza un grafico a bolle?
(Risate)
Questi sono giocatori NBA.
La dimensione è quella del giocatore
e il colore è la posizione.
Sull'asse delle x abbiamo
la probabilità di tiro.
Le persone sulla sinistra
fanno tiri difficili,
sulla destra, tiri facili.
Sull'asse delle y
c'è la loro abilità di tiro.
Quelli bravi sono in alto,
gli altri in basso.
Per esempio, se c'era un giocatore
che in genere realizzava
il 47% dei tiri,
prima questo era
tutto ciò che sapevamo.
Ma oggi ti posso dire che quel giocatore
fa tiri che il giocatore NBA di media
farebbe il 49% delle volte,
e quindi è del 2% peggiore.
E il motivo per cui è importante
è che ci sono tanti 47 in giro,
e quindi è molto importante sapere
se il 47 a cui stai pensando di dare
100 milioni di dollari
è un buon tiratore
ma che sceglie tiri difficili
o è un cattivo tiratore
che sceglie tiri buoni.
L'analisi della macchina non cambia solo
come guardiamo ai giocatori,
cambia il modo di guardare al gioco.
C'era questa partita emozionante,
un paio di anni fa, nelle finali NBA.
Miami perdeva per 3 punti,
e mancavano 20 secondi.
Stavano per perdere il campionato.
Un certo LeBron James ebbe l'occasione
di un tiro da 3 per pareggiare.
Sbagliò, il suo compagno Chris Bosh
prese un rimbalzo,
lo passò ad un altro, Ray Allen.
Che infilò un tre.
Andarono ai supplementari.
Vinsero la partita.
Vinsero il campionato.
Fu una delle partite più emozionanti
della storia del basket.
E la capacità di conoscere
la probabilità di tiro
di ognuno,
a ogni secondo,
la probabilità che prendessero
un rimbalzo a ogni secondo
può far luce su questo momento
in modo completamente nuovo.
Sfortunatamente non posso
farvi vedere il video.
Ma per voi,
abbiamo ricreato quel momento
durante la nostra partita settimanale
circa 3 settimane fa.
(Risate)
E abbiamo ricreato l'analisi
che ci ha portato a nuove informazioni.
Eccoci qui.
Questa è Chinatown a Los Angeles,
un parco dove giochiamo
tutte le settimane,
e questi siamo noi che ricreiamo
il momento Ray Allen
e tutte le analisi associate.
Ecco il tiro.
Vi faccio vedere quel momento
e tutte le informazioni di quel momento.
L'unica differenza è che, invece di
giocatori professionisti, ci siamo noi,
e invece di un professionista,
commento io.
Quindi siate comprensivi.
Miami.
Sotto 3 punti.
20 secondi rimasti.
Jeff porta avanti la palla.
Josh l'afferra,
fa un tiro da 3 punti!
[Calcolo della probabilità del tiro]
[Qualità del tiro]
[Probabilità di rimbalzo]
Non entra!
[Probabilità di rimbalzo]
Rimbalzo, Noel.
Indietro a Daria.
[Qualità del tiro]
E lei fa i 3 punti! Bang!
Partita pareggiata con 5 secondi rimasti.
Il pubblico impazzisce.
(Risate)
Più o meno è andata così.
(Applausi)
Più o meno.
(Applausi)
Quel momento aveva una probabilità
di accadere nell'NBA del 9%
e noi lo sappiamo
come moltissime altre cose.
Non sto a darvi quante volte
ci abbiamo messo per replicarlo.
(Risate)
Via, ve lo dico. Quattro volte.
(Risate)
Grande Daria!
Ma la cosa importante di questo video,
e quello che capiamo
di ogni secondo, non è tanto quello.
È che non devi essere un professionista
per tener traccia dei movimenti.
Non serve essere un professionista
per comprendere meglio il movimento.
E in fondo, non deve nemmeno
essere sport, perché ci muoviamo ovunque.
Ci muoviamo nelle nostre case,
nei nostri uffici,
mentre facciamo acquisti
e viaggiamo
attraverso le nostre città
e intorno al mondo.
Quanto conosceremo? Cosa impareremo?
Forse, invece di identificare
pick and roll
una macchina può identificare il momento
e informarmi quando mia figlia
fa i suoi primi passi.
Che potrebbe davvero succedere
da un momento all'altro.
Forse si può usare meglio i nostri edifici
o pianificare meglio le nostre città.
Io credo che con lo sviluppo della scienza
dei punti in movimento,
ci muoveremo meglio, più intelligentemente
e faremo grandi progressi.
Grazie mille.
(Applausi)
私と研究仲間は
動く点の科学に魅せられています
これらの点は何でしょう?
全て我々自身です
我々は家の中 事務所の中を動き回り
街や世界中で
買物や旅行をしています
こんな動きを全て理解できたら
素晴らしいと思いませんか?
ここにパターン、意味を見出し
洞察することができたら?
幸運なことにも 我々は
自分達自身の情報を実に上手く
取得できる時代に生きています
それがセンサー、ビデオ または
アプリであろうとも
見事なほど詳細に
動きを追跡することができます
そんな動きを得るのに最適なのが
スポーツです
バスケ、野球、サッカーやフットサルであれ
競技場に装置を取り付け
選手の動きを1秒にも満たない間隔で
撮影し追跡します
そう 我々がやっていることは
スポーツ選手を
-皆さんがご想像されるとおり-
動く点へと変換することです
他の生データと同様に
膨大な数の動く点を取得します
取り扱いは面倒で
面白い作業ではありません
でも選手の動きには 例えばバスケのコーチが
知りたいものが含まれています
問題はコーチが 各ゲームを逐次観察し
それを記憶し分析することが
不可能であるということです
1人の人間には不可能であっても
機械になら出来ます
問題は機械がコーチの様な視点を持って
ゲームを見ることができないことです
いや 少なくとも今までは不可能でした
では我々は機械に
何を学習させたのでしょう?
単純な方法で始めました
パス、シュートやリバウンドを
教えました
バスケファンならご存知ですよね?
次にもう少しだけ複雑なことに
取り組みました
ポストアップ、ピックアンドロールや
アイソレーションなどです
選手なら大抵知っていることですが
ご存じなくても問題ありません
そして 今では機械はダウン・スクリーンや
ワイド・ピンといったプレイも
把握できるようになりました
基本的に
プロだけが知っているプレイです
機械にはコーチの視点で見るように
学習させました
どうやって出来たのでしょう?
コーチにピックアンドロールについて
説明を求めれば
解説してくれたことでしょうが
それをアルゴリズムに組込むのは
至難の業です
ピックアンドロールとは
4人で行う2対2の攻防戦での
こういったダンスのような動きです
このように動いていきます
スクリナー(ディフェンスをガードする選手)が
ボールマンのディフェンスの横に行き
ずっとガードするのです
そして2人が動き こうなります ジャーン!
これがピックアンドロールです
(笑)
アルゴリズム化が困難な例です
スクリナーが邪魔をするのですが
近づいても 停止しなければ
おそらくピックアンドロールでは
ありません
逆に 停止しても
十分に近づかなければ
ピックアンドロールとは
ならないでしょう
近づいて停止しても
リングの下では
ピックアンドロールにはならないでしょう
私の間違いで何れも
ピックアンドロールかもしれません
正確なタイミング、距離と場所に
依存するので
判断を難しくしています
幸いにも機械学習では
我々が知っていることの記述を
我々の限界以上にこなします
どのように?
例をお見せしましょう
機械に向かって言います
「おはよう 機械君
ここにピックアンドロールと
そうでないものが あるんだ
違いを見分けてごらん」
この問題を解く鍵は
判別を可能とする特徴を捉えることです
りんごとみかんの違いを
学習させるならば
「色と形に注目してみたら?」
と言うことでしょう
我々が解決すべき問題は
違いが何かということです
コンピューターが
動く点を追跡する時に
鍵となる特徴とは何でしょうか?
相対的 絶対的な位置、距離、タイミング
それに速度といった
全ての情報を把握すること
それこそが 動く点の科学の神髄です
「時空パターン認識」という専門用語を
使うのが適切です
初めての言葉ですから
舌を噛むかもしれません
こんな言葉ですから
ポイントはNBAのコーチにとっての関心は
ピックアンドロールが
あったかどうかでは無く
どのようにして
そのプレイが起きたかということです
なぜ 重要なのでしょう?
少し掘り下げてみましょう
現代のバスケットボールでは
ピックアンドロールは
おそらく最も重要なプレイです
どうやって仕掛け
これをどうディフェンスするのかで
基本的に多くのゲームで勝敗を左右します
だから この動きには
様々なバリエーションがあり
バリエーションを理解することが
とても重要です
ですから
この装置がとても重宝します
例をお見せします
2対2の攻防戦で
ピックアンドロールをしようとしています
ボールマンの動きには
テイクとリジェクトがあり
スクリナーには
ロールとポップがあります
一方ボールマンのディフェンスは
オーバーかアンダーをし
スクリナーのディフェンスは
ショウかアップツータッチかソフトをします
またディフェンスが一緒になって
スイッチやブリッズをします
始めの頃は こういったことについて
知りませんでした
このような矢印通りに動いてくれれば簡単で
理解しやすいことでしょう
でも実際の動きはとても複雑です
選手はくねくねと複雑に動くので
プレイのバリエーションを
正確に把握すること-
精度良く プレイを再現することは困難です
だから コーチは人間の判断力を
信用することになります
時空パターン認識には
このような困難がありますが
我々は解析に成功しました
コーチたちは我々の機械の
プレイ認識能力を信頼しています
今年に至っては NBAリーグの
ほぼ全てのチームが
バスケットボールの動く点を
追跡する機械に搭載された
ソフトを利用しています
それだけでなく
とても大切な試合に勝利するための
戦略変更を
我々はアドバイスすることができました
これはとてもワクワクすることです
30年もの間 リーグに在籍してきた
コーチたちが 機械による
アドバイスを受け入れるのですから
ピックアンドロールを超えたことも
素晴らしことです
コンピューターは
簡単なことから始め
もっともっと複雑なことを学習し
今や多くの事を把握しています
正直言えば 私自身は
学習内容を殆ど理解していませんが
私より賢いなんて
特別なことではありません
こう思ったことがあります
機械はコーチを超えられるか?
人間以上に知り得るか?
今や その答えは「イエス」です
コーチはシュートを上手く放つ
選手を欲しがります
私がゴールの近くにいて
近くに誰もいなければ
シュートを決めやすく
逆に ゴールから遠く 敵に囲まれていれば
シュートを決めるのが難しくなります
しかし シュートの良し悪しの程度を
定量的に判断できませんでした
今までは です
ここで時空パターン認識の
再登場です
各シュートを分析しました
調べることは「シュートの場所は?
リングとの角度は?
ディフェンスの位置は?
その距離は?
立っている角度は?」などです
複数のディフェンダーがいる時も
選手の動きを追って
シュートのタイプを予測できます
選手の速度から
このような状況下で
どのようなシュートが放たれるかという
予測モデルを構築できます
なぜ これが重要なのでしょう?
シュートについて解析してみます
かつては一元的なものでしたが
今は2つの因子に分解します
シュートの質と
シューターの質です
このバブル・チャートをご覧ください
TEDには不可欠ですよね?
(笑)
各点はNBAの選手です
点の大きさは選手の大きさ
色はポジションを表しています
横軸は シュートの成功可能性で
左に行けば難易度が上がり
右に行けば難易度が下がります
縦軸は 選手のシュート能力です
上に行くほど良い選手で
下の方は その逆です
例えば 通常47%の確率で
シュートを成功させる選手がいるとします
以前なら これが情報の全てです
でも今なら NBAの平均的な選手なら
49%の確率で成功させるシュートを
この選手は2%低くさせると
いうことができます
この選手は2%低くさせると
いうことができます
47%といっても様々な組み合わせが
あることが重要です
47%の数字をたたき出す
100億円プレイヤーの獲得を
考えるのならば
難しいシュートを成功させる選手なのか
シュートの質は低くても
チャンスの高いシュートを放つ
選手なのかは重要な要素です
機械学習では
選手の見方は変わりませんが
試合の見方が変わります
数年前NBAのファイナルで
大いに盛り上がった試合がありました
3点を追うマイアミ
後り時間は20秒
シリーズの敗北が目前でした
レブロン・ジェームズという選手が
同点となる3点シュートを放つも
外れました
クリス・ボッシュ選手が
リバウンドに入り
レイ・アレン選手にパス
そのアレン選手が
3点シュートを沈め
延長戦に入りました
結局試合に勝利し
ファイナルを制しました
史上 もっともエキサイティングな
試合の1つでした
各選手の 各瞬間における
シュート成功率や
各瞬間にリバウンドを取る確率が分かると
この場面を まったく新しい見方で
捉えられます
残念ながらその時のビデオを
お見せできませんが
3週間ほど前に
我々がプレイしている週例の試合の時に
皆さんのために
そのプレイを再現しました
(笑)
分析を行った選手の動きを再現しました
これは私たちです
ここは毎週プレイしているロスアンジェルスの
チャイナタウンにある公園です
レイ・アランのあのプレイを
再現しています
全てが あのプレイの
追跡データのとおりです
そしてシュート
その瞬間と解析結果を
お見せします
違いは プロの選手ではなく
私たちであり
アナウンスもプロでなく私がしますので
我慢してお付き合いください
3点を追うマイアミ
3点を追うマイアミ
残り20秒
ジェフのドリブル
ジョシュにパスを回し
3点シュート
[ シュート成功率を計算中 ]
[ シュートの質 ]
[ リバウンドの確率 ]
失敗!
[ リバウンドの確率 ]
ノエルがリバウンドし
ダリアにパス
[ シュートの質 ]
3点シュートが決まった!
残り5秒で同点に
観衆は大興奮
(笑)
こんな感じのプレイでした
(拍手)
だいたいこんな感じです
(拍手)
NBAだったら あれが成功する確率は
9%程度です
そういったことを知ることができます
このプレイの再現に
何回費やしたかは秘密です
(笑)
いいですよ お教えます!
4回でした
(笑)
ダリア お見事!
しかし こんなビデオ映像や
NBAの各試合の
各瞬間の分析そのものが
重要だというのではなく
動きを追跡するのに
専門家チームが必要ではなく
動作を解析するのに
専門家である必要がないという事実です
さらには スポーツに限る必要はありません
我々はいつでも どこでも動いています
家の中でも 動いています
オフィスでも
買物したり 旅行したり
街の中
世界中を動き回っています
何を知り 何を学べるでしょう?
ピックアンドロールの代わりに
機械はおそらく
私の娘が最初の一歩を歩み出すときに
動きを捉え
私に知らせてくれることでしょう
文字通り いつにでも起こりうることです
建物や街のデザインを良くするのにも
利用できるでしょう
動く点の科学を進歩させることによって
より良いスマートな動きができるようになり
進歩するものと信じています
どうも有難うございました
(拍手)
동료와 저는 움직이는 점의
과학에 푹 빠져있습니다.
이 점들은 무엇일까요?
글세요. 우리 모두죠.
우리는 집에서나 회사에서도 움직입니다.
시내를 돌며 쇼핑하거나
전 세계를 여행할 때처럼 말이죠.
이 모든 움직임을 이해할 수 있다면
굉장하지 않을까요?
움직임 속에 담긴 패턴과
의미를 찾아 이해할 수 있다면
다행히 자신에 대한 정보를 수집하는데
굉장히 능숙한 시대에 살고 있습니다.
센서나 비디오나 어플을 통한다면
엄청나게 아주 미세하고 자세히
움직임을 담아낼 수 있습니다.
움직임을 가장 잘 수집할 수
있는 곳 중 하나가
스포츠죠.
농구, 야구, 미식축구, 축구 경기라면
경기장에서 선수들의
움직임을 포착할 수 있습니다.
매초 모든 움직임을 말이죠.
동료와 제가 하는 일은 선수들을
여러분이 아마 짐작하고 있는
움직이는 점으로 변환하는 것입니다.
움직이는 점을 엄청 많이 가지고 있는데
대부분의 원데이터 처럼
처리하기도 어렵고
흥미롭지도 않은 것이죠.
하지만 예를 들면 농구 코치들이
알고 싶어하는 것들이 있죠.
매 경기를 모두 지켜보고 기억했다가
처리해야 하기 때문에 알 수 없죠.
사람이 그것을 할 수 없죠.
하지만 기계는 할 수 있습니다.
문제는 기계가 코치의 눈으로
경기를 지켜볼 수 없다는 거죠.
적어도 지금까지는요.
기계가 볼 수 있게 하려면
무엇을 가르쳐야 할까요?
간단한 것부터 시작했어요.
패스, 슛, 리바운드
같은 것들을 가르쳤죠.
보통 팬이라면 그 정도는
알 수 있는 거죠.
그런 다음 조금 더
어려운 것을 가르쳤죠.
포스트업, 픽앤롤,
아이솔레이션 같은 기술이죠.
이런 기술을 몰라도 괜찮습니다.
대부분 보통 팬들도 아마 그럴 거예요.
현재는 기계가 복잡한 기술을
이해하는 수준까지 와 있습니다.
다운 스크린과 와이드 핀
같은 기술 말이죠.
기본적으로 이런 것들은
전문가만 아는 것입니다.
우리는 기계가 코치의 눈으로
볼 수 있도록 가르쳐 왔습니다.
우리가 어떻게
이것을 할 수 있었을까요?
제가 코치에게 픽앤롤
같은 것을 설명해 달라고 하면
제게 설명하죠.
그러면 전 그것을 알고리즘으로
인코딩하려면 죽을 맛이죠.
픽앤롤은 농구에서 4명 선수 사이에서
이런 식으로 움직이며 일어납니다.
두명은 공격하고
두 명은 방어하면서 말이죠.
예를 들면 이런 거예요.
공 없이 공격하는 선수가 있습니다.
공을 가지고 있는 선수를
수비하는 선수 옆을 지나가다가
잠시 거기에 있다가
그 선수 둘이 움직였다가 채워넣으면서
짜잔, 이게 픽앤롤이죠.
(웃음)
그것 역시 복잡한 알고리즘의 예입니다.
막아 주는 선수를 스크리너라고 부르는데
가까이 다가가지만 막아주지 않는다면
아마 픽앤롤은 아닌 것 같네요.
그가 막지만, 가까이에서
충분히 막지 않는다면
아마 픽앤롤이 아닐 거예요.
또는 가까이 다가가서 막는데
골대 아래서에서 그렇게 한다면
아마 픽앤롤이 아닐 거예요.
제가 틀렸다면 지금까지 말한
모두가 픽앤롤이겠죠.
정확한 타이밍, 거리,
위치에 따라 진짜 달라집니다.
그러니 그게 힘든 거지요.
다행이 기계가 학습을 하면서
우리가 알고 있는 것을 설명하는데
우리의 능력을 넘어설 수 있습니다.
이게 어떻게 가능할까요?
예를 들어보죠.
우리가 기계에게 가서
"좋은 아침이네. 기계 씨.
여기 몇 가지 픽앤롤과
이전에 없던 몇 가지가 있네.
방법을 찾아 차이점을 말해줬으면 해."
이 모든 것의 핵심은 특징을 찾아
그것을 분리해내는 거죠.
만약 제가 사과와 오렌지의
차이점을 가르치려고 하면
"색과 모양을 사용하는
게 어때?"라고 말하겠죠.
우리가 풀려는 문제는
그것들이 뭔가라는 거죠.
어떤 핵심기능으로
컴퓨터가 움직이는 점의 세계를
처리할 수 있을까요?
상대적이고 절대적인 위치,
거리, 타이밍, 속도로
이 모든 것을 설명한다는 것이
그게 "움직이는 점의 과학"에서
진짜 핵심이죠.
학계에서 쓰는 말로는
시공간적 패턴 인식이라고 하죠.
여러분이 발음하기 힘들기 때문에
세게 발음해야 합니다.
핵심은 NBA코치들이
알고 싶어하는 것이
픽앤롤이 일어났는지
안 일어났는지가 아니라
어떻게 일어나느냐하는 거죠.
왜 그게 코치에게 그렇게 중요할까요?
바로 직관때문이죠.
현대 농구에서 밝혀진 바로는
이런 픽앤롤 기술이 아마
가장 중요한 플레이입니다.
어떻게 달리고 방어하는지 아는 것이
기본적으로 대부분의
경기의 승패를 가르는 열쇠입니다.
이 기술이 매우 많은 변형이
있다는 것을 알아냈죠.
변형을 알아내는 것이
진짜 중요한 일이죠.
아주 아주 잘 해내려면
이것이 필요한 이유죠.
예를 들면,
두 공격 선수와
두 수비 선수가 있죠.
픽앤롤 기술을 하려고
준비합니다.
공을 가진 선수가 그 기술을
받아들일 수도 거부할 수도 있죠.
그의 동료는 뒤로 돌아나가거나
외곽쪽으로 빠질 수 있죠.
수비 선수는 위쪽 또는
아래쪽으로 뛸 수 있죠.
그의 동료는 공을 가진 선수를
따라가거나 스크리너를 막거나
뒤쪽으로 빠지거나
둘다 스위치나 블리치를 할 수 있죠.
제가 시작할 때는
이런 것들을 대부분 몰랐어요.
모두가 이런 화살표대로
움직인다면 좋았을 거예요.
그러면 아주 쉬웠을 텐데
움직임은 매우 복잡했죠.
사람들은 매우 자주
움직이고 변형도 많았죠.
매우 정밀하게 확인해 바로는요.
정확하게 회상하기는 힘들었어요.
여러분이 믿을 만한 전문 코치를
구하는 데 시간이 걸렸기 때문이죠.
정확한 시공간 특징을 찾아낸다는 것이
어려움에도 불구하고
그것을 해낼 수 있었습니다.
코치가 기계의 능력을 믿고
이런 변형을 확인했죠.
거의 모든 경쟁자들이
올해 NBA 선수권을 위해
이 소프트웨어를 이용하려고 하고 있죠.
농구의 움직이는 점을 이해하는
기계로 만든 소프트웨어 말이에요.
그것뿐만 아니라 전술을
바꾸는 조언을 해 줘
팀을 도와 매우 중요한
경기에서 승리하게 했죠.
매우 들떴던 이유는
30년동안 리그에서 있었던 코치가
기계에서 나온 조언을 기꺼이
수용했기 때문이죠.
픽앤롤을 알았을 때보다
훨씬 더 신났어요.
컴퓨터는 간단한 것부터 시작해서
점점 더 복잡한 것을 학습했고
지금은 많은 것을 알고 있습니다.
솔직히 전 컴퓨터가
하는 일을 다 이해하지 못하지만
저보다 더 똑똑해진다고
그렇게 특별해지지 않겠지만
궁금하기는 하네요. 기계가
코치보다 더 많이 알 수 있을까요?
사람보다 더 많이 알 수 있을까요?
밝혀진 바로는 "네."입니다.
코치는 선수들이
슛을 잘 쏘기 바랍니다.
제가 골대 근처에 서 있고
근처에 아무도 없다면 슛하기 좋죠.
수비수에 둘러싸여 골대 멀리 서있다면
대개 슛하기 좋지 않죠.
하지만 결코 알지 못하죠.
좋은 게 얼마나 좋은지
나쁜 게 얼마나 나쁜지를요.
현재까지는요.
할 수 있는 것은 다시
시공간적인 특징을 이용해서
슛을 모든 방향에서 보았습니다.
슛을 어디서 했고 골대까지 각도가
어떤지 알 수 있었죠.
수비수가 어디 서있는지?
그 거리는 얼마인지?
그들과의 각도는 얼마인지?
다수의 수비수가 어떻게
움직이는지 볼 수 있었죠.
슛 타입도 예상할 수 있었고요.
공의 속도를 보고
예측 모델을 만들 수 있었죠.
이 슛이 이런 상황에서
나올 가능성이 얼마나 될까?
이게 왜 중요할까요?
슛을 해석할 때
전에는 하나로 보았던 것을
지금 둘로 나누어 해석하죠.
슛의 유효율과 슈터의 자질입니다.
버블차트가 있습니다.
이거 없이는 테드 강연을 할 수 없죠.
(웃음)
NBA 선수들입니다.
크기는 선수들의 체격이고
색은 선수들의 포지션입니다.
X축에는
슛성공률입니다.
왼쪽에 있는 선수는
슛을 성공하기 힘들죠.
오른쪽에는 있는 선수는
슛을 성공하기 쉽죠.
Y축은 슛을 쏠 수 있는 능력입니다.
위에는 능력이 좋은 선수,
아래는 능력이 나쁜 선수입니다.
예를 들면, 대체로 슛의 47%를
넣는 선수가 있는데
그게 여러분이 아는 전부죠.
하지만 오늘 말씀드릴 수 있는 것은
NBA 평균 선수들이
그 당시 슛성공률은 49%이고
슛 쏘는 능력은 -2%라는 것이죠.
중요한 사실은 47%인
선수가 많다는 거죠.
알아야 할 정말 중요한 것은
1억 달러를 주기로 한 47%의 선수가
좋은 슈터지만 슛을 잘 못 던지는지
나쁜 슈터지만 슛을
잘 던지는지 아는 거죠.
기계가 이해하고 있는 것이 선수를
보는 방법을 변화시키지 못하지만
경기를 바라보는 방법을
변화시킵니다.
가장 흥미진진했던
몇 년 전 NBA 결승 경기에서
마이애미는 3점을 뒤지고
20초가 남았었습니다.
우승을 놓치기 일보 직전이었죠.
르브론 제임스 선수가 3점슛을 쏴
동점을 만들려고 했으나
실패했죠.
동료선수 크리스 보쉬가
리바운드를 잡았고
공을 동료선수
레이 알렌에게 패스했습니다.
3점을 성공했고 연장전으로 들어갔죠.
경기에 이겼고 챔피언십에서 우승했죠.
가장 흥미진진했던
농구경기 중 하나였습니다.
매 순간 모든 선수의 슛성공률과
매 순간 리바운드를 따낼
가능성을 파악하는 능력을
전에는 불가능했던 방법으로
설명할 수 있게 되었죠.
현재, 안타깝게도 여러분에게
그 비디오를 보여줄 수 없네요.
하지만, 여러분을 위해
그 순간을 재현했습니다.
3주 전 주말 농구경기에서 말이죠.
(웃음)
직관을 보여주는 경기를 재현했죠.
이곳입니다.
로스앤젤레스 차이나타운이죠.
매주 경기를 했던 공원입니다.
레이 알렌이 플레이했던 순간과
그것과 관련된 모든 것을
재현했습니다.
슛장면입니다.
그 순간을 여러분에게
보여주려고 합니다.
그 순간의 직관까지요.
차이점이라곤 전문 선수들이 아니라
제 동료라는 거죠.
전문적인 아나운서가 아니라
제가 하고 있다는 거죠.
잠시 참아주세요.
마이애미
3점이 지고 있는 상황
20초가 남았네요.
제프가 공을 몰고 오네요.
조쉬가 받아 3점 슛!
[슛 성공률 계산 중]
[슛의 유효율]
[리바운드 성공률]
잡지 못했네요.
[리바운드 성공률]
노엘이 리바운드했습니다.
다리아에게 패스
[슛의 유효율]
3점 슛, 골!
5초를 남긴 상황
관중이 흥분하기 시작합니다.
(웃음)
대충 이런 식으로 일어나죠.
(박수)
대충이요.
(박수)
그런 순간은 NBA에서
일어날 확률이 약 9%라고 하죠.
아시다시피 다른 것들도 매우 많죠.
얼마나 많이 일어나는지
말하려고 하는 게 아닙니다.
(웃음)
좋아요. 말해줄게요. 네 번 정도죠.
(웃음)
잘했어. 다리아
하지만 그 비디오에서 중요한 것과
모든 NBA경기의 매 초마다
파악하려고 한 직관은 그게 아니죠.
사실 움직임을 추적하기 위해
전문적인 팀일 필요는 없습니다.
움직임에 대한 안목을 키우려고
전문적인 선수일 필요는 없죠.
사실 굳이 스포츠일 필요는 없죠.
우리는 모든 순간 움직이니까요.
집에 가거나
회사에 가거나
쇼핑을 하고
여행하죠.
도시 여기 저기를
그리고 전 세계를
우리는 무엇을 알고 배웠을까요?
아마 픽앤롤을 감지하는 대신
딸의 첫발을 내딛는 순간을 감지해
알려줄 수 있습니다.
말 그대로 현재 일어나고
있는 모든 순간을 말이죠.
아마 건물을 더 잘 이용하고
도시 설계를
더 잘 할 수 있을 겁니다.
움직이는 점의 과학 발전을 통해
우리는 더 좋은 쪽으로 더 영리하게,
앞으로 나아갈 거라 믿습니다
대단히 감사합니다.
(박수)
Mijn collega's en ik zijn gefascineerd
door de wetenschap van bewegende puntjes.
Welke puntjes?
Puntjes zoals jij en ik.
We bewegen door ons huis,
in ons kantoor, winkelend en reizend,
door onze steden en over de wereld.
Zou het niet mooi zijn als we
al deze bewegingen konden begrijpen?
Als we er patronen, betekenis en
inzicht in konden vinden?
Gelukkig zijn we tegenwoordig erg goed
in het registreren
van informatie over onszelf.
Of we het nou doen met sensors,
video's of applicaties,
we kunnen onze bewegingen
tot in extreem detail volgen.
Het blijkt dat een van de beste plaatsen
om deze data te verzamelen
sport is.
Dus of het nou basketbal, honkbal,
voetbal of American football is,
we rusten onze stadions
en spelers uit met instrumenten
om elke milliseconde
van hun bewegingen te registreren.
Wat we dus eigenlijk doen
is onze atleten veranderen in --
je raadt het al --
bewegende puntjes.
Zo komen we tot massa's bewegende puntjes,
maar net zoals met de meeste ruwe data
kun je er dan nog weinig mee.
Er zijn echter dingen die bijvoorbeeld
basketbaltrainers willen weten.
Dingen die ze niet kúnnen weten,
omdat ze daarvoor elke seconde
van elke wedstrijd zouden moeten zien,
onthouden en verwerken.
Dat kan een mens niet.
Maar een machine wel.
Het probleem is dat een machine
niet kijkt met het oog van een coach.
Althans, dat konden ze niet. Nu wel.
Wat hebben we de machine leren zien?
We zijn simpel begonnen.
We leerden haar wat passes,
schoten en rebounds zijn.
Dingen die de gemiddelde fan ook weet.
Daarna gingen we wat lastiger dingen doen.
Dingen als post-ups,
pick-and-rolls en isolaties.
Het geeft niet als dat je niets zegt.
De meeste spelers weten het wel.
We zijn inmiddels op een punt
dat de machine complexe zaken begrijpt,
zoals down-screens en wide-pins.
Dingen die eigenlijk
alleen professionals weten.
We hebben de machine dus geleerd
met het oog van een coach te kijken.
Hoe hebben we dit voor elkaar gekregen?
Als ik een coach zou vragen
wat een pick-and-roll is,
zou hij het beschrijven,
maar daar kan ik niet zomaar
een algoritme van maken.
Een pick-and-roll is een basketbaldans
voor twee aanvallers en twee verdedigers.
Dat gaat ongeveer zo.
De aanvaller zonder bal
gaat naast de verdediger staan
die de aanvaller met de bal verdedigt
en hij blijft daar staan,
ze bewegen allebei, er gebeurt iets,
ta-da, dat is een pick-and-roll.
(Gelach)
Dat is een voorbeeld
van een slecht algoritme.
Als die aanvaller zonder bal
-- die noemen we de screener --
in de buurt komt maar niet stopt,
is het niet echt een pick-and-roll.
Of als hij wel stopt,
maar hij staat er te ver vanaf,
dan is het ook geen pick-and-roll.
Stopt hij wel en staat hij
er dicht genoeg bij,
maar het gebeurt onder de basket,
is het ook geen pick-and-roll.
Of ik heb het mis
en het zijn wel pick-and-rolls.
Dat hangt af van de exacte timing,
de afstanden en de locaties,
en dat maakt het zo lastig.
Gelukkig kunnen we de machine
het beter leren beschrijven
dan we dat zelf kunnen.
Hoe dat werkt?
Aan de hand van voorbeelden.
We zeggen tegen de machine:
"Goedemorgen, machine.
Dit zijn wel pick-and-rolls
en dit zijn er geen.
Zoek voor me uit
waar het verschil in zit."
De sleutel is om de kenmerken te vinden
die het verschil maken.
Moet ik het verschil uitleggen
tussen een appel en een sinaasappel,
dan zeg ik bijvoorbeeld:
"Kijk eens naar kleur of vorm."
Wij moeten uitvinden
welke dingen dat zijn.
Met welke kenmerken
krijgt een computer vat
op de wereld van bewegende puntjes?
Het ontdekken van al deze relaties
met relatieve en absolute locaties,
afstand, timing, snelheden,
dat is de essentie van de wetenschap
der bewegende puntjes, oftewel:
tijdruimtelijke patroonherkenning,
in academische bewoordingen.
Je moet het altijd
moeilijk laten klinken,
want dat is het ook.
Het gaat er de NBA-coaches niet om
of er een pick-and-roll was of niet;
ze willen weten hóe dat gebeurde.
Waarom dat zo belangrijk is?
Dat zal ik je vertellen.
Het blijkt dat in modern basketbal
de pick-and-roll wellicht
het belangrijkste spelletje is.
Weten hoe het uit te voeren
en hoe het te verdedigen,
is een sleutel tot het winnen
of verliezen van wedstrijden.
Het blijkt dat deze dans
vele variaties kent
en het identificeren van
die variaties is cruciaal.
Daarom moeten we dit
dus echt goed in kaart hebben.
Hier is een voorbeeld.
Er zijn twee aanvallers
en twee verdedigers,
klaar om de pick-and-roll-dans te doen.
Degene met de bal kan
aannemen of weigeren.
Zijn teamgenoot kan afrollen of 'poppen'.
Degene die op de bal verdedigt
kan erover of eronder gaan.
Zijn medespeler kan dreigen,
uitstappen of terugvallen
en samen kunnen ze switchen,
of allebei de bal aanvallen.
Ik wist deze dingen ook niet toen ik begon
en het zou mooi zijn als iedereen
beweegt zoals deze pijlen.
Dat zou wel makkelijk zijn,
maar de praktijk is veel rommeliger.
Bewegingen zijn vaak onduidelijk
en het accuraat identificeren
van deze variaties
in precisie en herinnering is lastig,
maar alleen zo win je het vertrouwen
van een professionele coach.
Ondanks alle moeilijkheden
met die tijdruimtelijke eigenschappen
zijn we daarin geslaagd.
Coaches vertrouwen erop dat onze machine
deze variaties kan identificeren.
We zijn nu zover dat bijna elke topploeg
die NBA-kampioen zou kunnen worden,
gebruik maakt van onze software,
die is gebouwd op een machine
die de bewegende puntjes begrijpt.
Buiten dat hebben we ook advies gegeven
dat strategieën heeft veranderd,
waardoor teams belangrijke wedstrijden
hebben kunnen winnen.
Het is heel opwindend om te zien
dat coaches met 30 jaar ervaring
advies aannemen van een machine.
Het is erg boeiend
en veel meer dan pick-and-roll.
Onze computer begon met simpele dingen
die gaandeweg complexer werden
en inmiddels weet hij ontzettend veel.
Eerlijk gezegd begrijp ik
weinig van wat hij doet.
Nu is er is niet zóveel voor nodig
om slimmer te zijn dan ik,
maar zou een computer
meer kunnen weten dan een coach?
Kan hij meer weten dan een persoon?
Het antwoord daarop blijkt 'ja'.
Coaches willen dat spelers
schieten in kansrijke posities.
Sta ik in mijn eentje dicht bij de basket,
dan is dat een goed schot.
Sta ik veraf met verdedigers om me heen,
dan is dat meestal een slecht schot.
We wisten alleen nooit hoe goed 'goed' was
en hoe slecht 'slecht' was, kwantitatief.
Tot nu.
We zijn gaan kijken
naar de tijdruimtelijke eigenschappen
van elk schot.
Waar wordt geschoten?
Wat is de hoek naar de basket?
Waar zijn de verdedigers?
Hoever staan ze ervan af?
Onder welke hoek?
Bij meerdere verdedigers
kijken we naar hoe de speler beweegt
en voorspellen het type schot.
We kijken naar alle snelheden
en bouwen dan een model dat voorspelt:
wat is de kans dat dit schot erin gaat
onder deze omstandigheden?
Waarom is dit belangrijk?
We breken zoiets als 'schieten',
van één ding, in twee dingen:
de kwaliteit van het schot
en die van de schutter.
Hier is een bellendiagram,
want wat is TED zonder een bellendiagram?
(Gelach)
Dat zijn NBA-spelers.
De maat is de lengte van de speler
en de kleur is hun positie.
Op de x-as hebben we de schotkans.
De mensen links nemen moeilijke schoten
en die rechts makkelijke schoten.
Op de y-as staat hun schietvaardigheid.
De beste staan bovenaan,
de slechtste onderaan.
Als er bijvoorbeeld een speler was
die 47% van zijn schoten scoorde,
was dat vroeger alles dat je wist.
Nu kan ik aantonen
dat die speler schoten neemt
die door de gemiddelde NBA-speler
49% van de tijd raak geschoten worden,
en dat hij dus twee procent slechter is.
Dat is zo belangrijk
omdat er massa's spelers 47 scoren.
Het is dus van groot belang om te weten
of die 47 die 100 miljoen dollar kost
een goede schutter is
die slechte schoten neemt,
of een slechte schutter
die goede schoten neemt.
Dat digitale inzicht verandert niet alleen
hoe we naar spelers kijken,
maar ook hoe we naar het spel kijken.
Een paar jaar geleden was er
een spannende wedstrijd in de NBA-finale.
Miami stond drie punten achter
met nog 20 seconden te gaan.
Ze gingen het kampioenschap verliezen.
LeBron James probeerde
gelijk te maken met een driepunter.
Hij miste.
Zijn teamgenoot Bosh pakte de rebound
en passte de bal naar Ray Allen.
Die scoorde en het werd een verlenging.
Ze wonnen de wedstrijd.
Ze werden kampioen.
Het was één van de spannendste
basketbalwedstrijden.
Dat we van elke speler
op elk moment de scoringskans weten
en de kans dat ze een rebound pakken,
kan dit moment belichten
zoals nooit tevoren.
Helaas kan ik de video niet laten zien.
Maar --
voor jullie hebben we
dat moment nagebootst
tijdens onze wekelijkse
basketbalwedstrijd.
(Gelach)
We hebben de situatie nagespeeld
die tot de inzichten leidde.
Dit zijn we.
In Chinatown, Los Angeles.
Hier spelen we elke week
en hier doen we het Ray Allen-moment na
met alle benodigde informatie erbij.
Dit is het schot.
Ik zal het moment laten zien
met alle inzichten erbij.
Het enige verschil is
dat we geen professionals zijn
en ik ben geen professionele commentator.
Hier moeten we het mee doen.
Miami.
Drie punten achter.
Twintig seconden nog.
Jeff dribbelt de bal op.
Josh vangt en schiet!
[Berekening schietkans]
[Schotkwaliteit]
[Reboundkans]
Hij mist!
[Reboundkans]
Rebound, Noel.
Terug naar Daria.
[Schotkwaliteit]
Haar driepunter -- raak!
Gelijke stand met vijf seconden te gaan.
Het publiek wordt gek!
(Gelach)
Zo ging het ongeveer.
(Applaus)
Grofweg.
(Applaus)
De kans dat dit moment in de NBA
zou gebeuren was negen procent.
Dat weten we en nog veel meer.
Ik ga niet vertellen hoe vaak
wij hierover gedaan hebben.
(Gelach)
Nou goed dan: vier keer!
(Gelach)
Goed gedaan, Daria.
Maar het belangrijke bij deze video,
of bij de inzichten die we hebben
in elke NBA-wedstrijd -- is niet dat.
Het is het feit dat je geen profteam
hoeft te zijn om bewegingen te volgen.
Je hoeft geen profspeler te zijn
om inzicht te krijgen in bewegingen.
Het hoeft niet eens over sport te gaan,
want we bewegen tenslotte overal.
In onze huizen,
onze kantoren,
tijdens het winkelen en reizen
door onze steden
en over de hele wereld.
Wat gaan we ontdekken?
Wat gaan we leren?
In plaats van pick-and-rolls
kan een machine misschien het moment
herkennen en mij verwittigen
als mijn dochter
haar eerste stapjes zet --
wat nu trouwens op elk moment
zou kunnen gebeuren --
Misschien kunnen we onze gebouwen
en steden beter indelen.
Ik denk dat de ontwikkeling
van deze wetenschap
ons beter, slimmer
en verder vooruit zal doen bewegen.
Dank je wel.
(Applaus)
Ja i moi koledzy fascynujemy się
nauką o punktach w ruchu.
Czym są te punkty?
Każdym z nas.
Przemieszczamy się w domach,
biurach, podczas zakupów i podróży,
w miastach i dookoła świata.
Czy nie byłoby świetnie
zrozumieć ten ruch?
Poznać jego schematy i głębszy sens?
Na szczęście żyjemy w czasach,
w których łatwo można
rejestrować informacje o sobie.
Dzięki sensorom, filmom czy aplikacjom
można śledzić ruch
z bardzo dużą dokładnością.
Okazuje się, że dziedziną,
w której mamy najwięcej danych o ruchu,
jest sport.
Czy to koszykówka, baseball,
piłka nożna czy inny sport,
montujemy na stadionach i graczach
urządzenia do rejestracji ruchu
w każdym ułamku sekundy.
Zamieniamy więc sportowców w...
...już pewnie wiecie...
...ruchome punkty.
Mnóstwo ruchomych punktów,
jak większość surowych danych,
jest mało interesujące
i trudno je zrozumieć.
Niektóre przydałyby się na przykład
trenerowi koszykówki,
ale musiałby wtedy obejrzeć
każdą sekundę każdej gry,
zapamiętać ją i opracować.
Człowiek tego nie potrafi,
ale maszyna może.
Niestety maszyna nie może
oglądać gry okiem trenera.
Przynajmniej tak było dotychczas.
Jak nauczyliśmy maszynę widzieć?
Zaczęliśmy banalnie.
Nauczyliśmy ją podań, rzutów i zbiórek.
Rzeczy, które zna większość fanów.
Następnie przeszliśmy do rzeczy
bardziej skomplikowanych.
Podań pod kosz, zasłon i odcięć.
Jeśli ich nie znasz, nie szkodzi.
Większość graczy je kojarzy.
Dzisiejsza maszyna
rozumie złożone zagrania,
na przykład szerokie zasłony
przy liniach końcowych.
Rzeczy znane tylko profesjonalistom.
Nauczyliśmy maszynę
patrzeć oczami trenera.
Jak to zrobiliśmy?
Poproszony o wyjaśnienie zasłony
trener podałby mi opis,
z którego powstałby
raczej mizerny algorytm.
Zasłona w koszykówce to taniec
między czterema graczami,
dwoma w ataku i dwoma w obronie.
Tak to mniej więcej wygląda.
Mamy atakującego bez piłki,
który podbiega do gracza
kryjącego gracza z piłką
i tam się zatrzymuje,
obaj się ruszają, coś się dzieje
i - ta-dam! - mamy zasłonę.
(Śmiech)
To jest właśnie przykład
mizernego algorytmu.
Jeśli blokujący gracz
nazywany zasłaniającym
zbliża się do obrońcy,
ale się nie zatrzymuje,
to pewnie nie jest zasłona.
Lub jeśli się zatrzymuje,
ale nie dość blisko,
to też może nie być zasłona.
Lub jeśli zatrzymuje się blisko,
ale robi to pod koszem,
to raczej też nie zasłona.
Albo się mylę i to wszystko są zasłony.
To zależy od danego momentu w grze,
odległości, pozycji graczy
i dlatego jest to takie trudne.
Na szczęście uczenie maszynowe pozwala
lepiej opisywać znane nam rzeczy.
Jak to działa? Dam wam przykład.
Znajdujemy maszynę i mówimy:
"Dzień dobry maszyno.
To są zasłony, a to nie.
Naucz się je rozróżniać".
Najważniejsze są tu właściwości
umożliwiające rozróżnienie.
Jeśli miałbym nauczyć maszynę
różnicy między jabłkiem, a pomarańczą
powiedziałbym: "Skup się
na kolorze i kształcie".
Naszym zadaniem jest
odnalezienie takich właściwości.
Które z nich
ułatwią maszynie zrozumienie
świata poruszających się punktów?
Poznanie zależności między względnymi
i bezwzględnymi pozycjami,
odległościami, czasem i prędkością
jest kluczowe w nauce o punktach w ruchu,
nazywanej przez nas w języku akademickim
rozpoznawaniem schematów
czasoprzestrzennych.
Nazwa musi być skomplikowana,
bo sama dziedzina
jest właśnie taka.
Trenerzy NBA nie chcą wiedzieć,
czy dane zagranie
to była zasłona czy nie.
Chcą wiedzieć, jak do zagrania doszło.
Dlaczego to dla nich takie ważne?
Podpowiem wam.
W dzisiejszej w koszykówce
zasłona to jedno z najważniejszych zagrań.
Wiedza, jak je wykonać
i jak się przed nim bronić,
decyduje w zasadzie o wygranej.
Okazuje się, że ten taniec
ma wiele odmian
i rozróżnianie tych odmian
jest bardzo istotne,
dlatego musimy być bardzo dokładni.
Oto przykład.
Dwóch zawodników w ataku
i dwóch w obronie
przygotowuje się do tańca pick-and-roll.
Gracz z piłką może
skorzystać z zasłony lub nie.
Jego kolega może wbiec pod kosz
lub rzucić z dystansu.
Kryjący piłkę może
ruszyć przed lub za zasłonę.
Jego kolega może zachować dystans,
pozostać w kontakcie lub wycofać się,
a razem mogą podwoić
albo zamienić się w obronie.
Nie wiedziałem
tego wszystkiego z początku,
a byłoby świetnie, gdyby wszyscy
ruszali się zgodnie ze strzałkami.
Byłoby nam łatwiej, ale ruch to chaos.
Ludzie wciąż się kręcą
i rozróżnienie tych wszystkich odmian
z zachowaniem wysokiej dokładności
i możliwości odtworzenia
jest trudne, ale konieczne,
by przekonać trenerów.
Pomimo tak wielu
czasoprzestrzennych zależności
udało się nam.
Trenerzy wierzą, że nasze maszyny
rozróżniają wszystkie odmiany zagrań.
Dzisiaj prawie każda drużyna
licząca się w walce o mistrzostwo NBA
używa naszych rozwiązań,
opartych na maszynie
rozumiejącej punkty w ruchu w koszykówce.
Dzięki naszym radom drużyny
zmieniają strategie gry
i wygrywają ważne spotkania.
Co ciekawe, nawet trenerzy,
którzy są w lidze od 30 lat,
są skłonni słuchać rad maszyny.
To naprawdę pasjonujące
i nie chodzi tylko o pick-and-roll.
Nasz komputer zaczynał od rzeczy prostych
i przez coraz bardziej skomplikowane
nauczył się bardzo wiele.
Ja sam nie bardzo to rozumiem.
To żadna sztuka być mądrzejszym ode mnie,
ale czy maszyna może być
mądrzejsza od trenera?
Wiedzieć więcej niż człowiek?
Okazało się, że tak.
Trenerzy chcą, by gracze dobrze rzucali.
Jeśli stoję pod koszem
i nikt mnie nie kryje, można rzucać.
Ale rzucanie z dystansu spośród obrońców
to już nie najlepszy pomysł.
Wcześniej nie umieliśmy wyliczyć,
jak dobra, czy jak zła jest decyzja.
Aż dotąd.
Używając zależności czasoprzestrzennych
badamy każdy rzut.
Sprawdzamy, jaki to rzut,
pod jakim kątem do kosza.
Gdzie są obrońcy. Jak są daleko.
Pod jakim kątem stoją.
Przy wielu obrońcach umiemy
przyjrzeć się ruchom gracza
i przewidzieć rodzaj rzutu.
Tworzymy model na podstawie ich prędkości,
żeby w danej sytuacji
przewidzieć celność rzutu.
Czemu to takie ważne?
Rzucanie było uważane za jedną czynność,
ale dziś można je rozbić na dwie:
właściwości rzutu
i umiejętności rzucającego.
Oto wykres bąbelkowy, bo co to za TED
bez wykresu bąbelkowego?
(Śmiech)
To są gracze NBA.
Rozmiar to wzrost zawodnika,
kolor to pozycja.
Oś X to prawdopodobieństwo rzutu.
Gracze z lewej oddają trudne rzuty,
ci prawej - łatwe.
Oś Y przedstawia celność graczy.
Najlepsi są na górze, najgorsi na dole.
Dla przykładu, jeśli dawniej gracz
miał 47% skuteczności rzutów,
to tu się nasza wiedza kończyła.
Teraz mogę stwierdzić, że oddaje on rzuty,
które dla przeciętnego gracza NBA
są celne w 49% przypadków
i że jest on słabszy o 2%.
To ważne, bo jest wielu graczy
ze skutecznością 47%.
Warto wiedzieć czy gracz,
któremu chcemy zapłacić
100 milinów dolarów,
to dobry rzucający oddający trudne rzuty,
czy słaby rzucający oddający rzuty łatwe.
Logika maszynowa zmienia nie tylko
nasze postrzeganie graczy,
ale też samej gry.
Dwa lata temu w finałach NBA mieliśmy
bardzo ekscytujący mecz.
Miami przegrywało 3 punktami,
zostało 20 sekund.
Byli o włos od przegrania mistrzostwa.
Gracz zwany LeBron James
dostał pikę i rzucił za trzy.
Spudłował.
Jego kolega Chris Bosh zebrał
i podał do innego kolegi, Raya Allena.
On trafił i potrzebna była dogrywka.
Miami wygrało mecz a później mistrzostwo.
Był to jeden z najbardziej
pasjonujących meczów.
A fakt, że znamy prawdopodobieństwo
każdego rzutu, każdego gracza
w każdej sekundzie
i prawdopodobieństwo zbiórki
w każdej sekundzie meczu,
pozwala nam przeanalizować ten moment
w zupełnie nowy sposób.
Niestety nie mogę
pokazać wam tamtego meczu.
Ale odtworzyliśmy dla was tamtą chwilę
podczas jednego z naszych meczów
3 tygodnie temu.
(Śmiech)
Odtworzyliśmy też metodę obserwacji.
Oto my w Chinatown w Los Angeles,
na naszym boisku.
Tutaj odtwarzamy rzut Raya Allena
i związane z nim obserwacje.
Oto rzut.
Pokażę wam tę chwilę
i to, jak ją analizowaliśmy.
Różni się tylko tym,
że zamiast zawodowców gramy my,
a ja zastępuję
profesjonalnego komentatora.
Zaczynamy.
Miami.
Trzy punkty straty.
Zostało 20 sekund.
Jeff wyrzuca piłkę.
Josh łapie i rzuca za trzy!
[Prawdopodobieństwo trafienia]
[Jakość rzutu]
[Prawdopodobieństwo zbiórki]
Nie wejdzie!
[Prawdopodobieństwo zbiórki]
Zbiera Noel.
Podaje Darii.
[Jakość rzutu]
Trójka - tak jest!
Remis na pięć sekund przed końcem,
Tłumy szaleją.
(Śmiech)
Mniej więcej tak to było.
(Brawa)
Mniej więcej.
(Brawa)
Prawdopodobieństwo tego zdarzenia
w NBA wynosiło około 9%.
Wiemy to i mnóstwo innych rzeczy.
Nie wspomnę, ile razy
próbowaliśmy odtworzyć tę scenę.
(Śmiech)
Dobra, powiem wam. Cztery.
(Śmiech)
Dobra robota, Daria.
Ale w tym materiale
i analizie każdej sekundy gry
najważniejsze jest to,
że nie trzeba grać zawodowo,
by śledzić swoje ruchy.
Nie tylko zawodowi sportowcy
mogą analizować to, jak się poruszają.
To w ogóle nie musi dotyczyć sportu,
bo poruszamy się wszędzie.
W domu
i biurze.
Robiąc zakupy i podróżując.
Przemierzamy miasta
i cały świat.
Czego można się dowiedzieć i nauczyć?
Może zamiast rozpoznawać zagrania,
maszyna będzie da mi znać,
kiedy moja córka postawi pierwsze kroki.
A może się to stać w każdej chwili.
Możemy dzięki temu poprawiać
użyteczność budynków i miast.
Wierzę, że rozwijając naukę
o poruszających się punktach,
będziemy poruszali się lepiej
i mądrzej kroczyli naprzód.
Dziękuję bardzo.
(Brawa)
Meus colegas e eu somos fascinados
pela ciência dos pontos móveis.
O que são esses pontos?
Bem, somos todos nós.
E nós estamos nos movendo em nossas casas,
escritórios, quando compramos e viajamos
pelas nossas cidades e por todo o mundo.
E não seria ótimo se pudéssemos
entender todo esse movimento?
Se pudéssemos encontrar padrões,
sentido e percepções nisso?
Felizmente, vivemos em um tempo
em que somos incrivelmente bons
em obter informações sobre nós mesmos.
Seja através de sensores, vídeos,
ou aplicativos,
podemos rastrear nossos movimentos
com detalhamento incrível.
Acontece que uma das melhores fontes
de dados sobre movimentos
são os esportes.
Então, seja basquete ou beisebol,
futebol americano ou o outro futebol,
estamos dando meios aos estádios
e jogadores para rastrear seus movimentos
a cada fração de segundo.
Então, o que estamos fazendo
é transformar nossos atletas em...
acho que adivinharam,
pontos móveis.
Então, temos montanhas de pontos móveis
e, como a maioria dos dados brutos,
é difícil de lidar e pouco interessante.
Mas há coisas que, por exemplo,
treinadores de basquete querem saber.
O problema é que não conseguem saber,
porque teriam que observar cada segundo
de cada jogo, lembrá-lo e processá-lo.
E uma pessoa não consegue fazer isso,
mas uma máquina consegue.
O problema é que uma máquina não pode ver
o jogo com os olhos de um treinador.
Pelo menos, não conseguia até agora.
Então, o que ensinamos a máquina a ver?
Começamos de forma simples.
Nós ensinamos coisas como passes,
arremessos e rebotes.
Coisas que a maioria
dos fãs ocasionais conhece.
E depois passamos para coisas
um pouco mais complicadas.
Jogar de costas para a cesta,
fazer corta-luz e isolação.
Se vocês não as conhecem, tudo bem.
Muitos jogadores ocasionais conhecem.
Hoje, chegamos a um ponto
em que a máquina
entende eventos complexos
como bloqueios fora da bola
e até com rotações complexas.
Basicamente coisas que só
profissionais conhecem.
Então, nós ensinamos a máquina
a ver com os olhos de um treinador.
Como conseguimos fazer isso?
Se eu pedisse a um treinador
que descrevesse um corta-luz direto,
ele descreveria a jogada,
e se eu a codificasse em um algoritmo,
ele seria muito complicado.
O corta-luz é um “balé” no basquete
entre quatro jogadores,
Dois no ataque e dois na defesa.
É assim que acontece:
um cara no ataque sem a bola
se posiciona ao lado do cara que marca
o que tem a posse da bola,
e ele fica por ali.
Ambos se movem, coisas acontecem,
e...tchan! É um corta-luz.
(Risos)
Isso é um exemplo
de um algoritmo complicado.
Se o jogador que se interpõe,
chamado de bloqueador,
se aproximar, mas não parar,
provavelmente não é um corta-luz.
Mas se parar e não ficar muito próximo,
provavelmente não é um corta-luz.
Ou se ele se aproximar do outro
e realmente parar,
mas parar embaixo da cesta,
provavelmente não é um corta-luz.
Ou posso estar enganado
e tudo pode ser um corta-luz.
Depende realmente de uma boa sincronia,
das distâncias e dos posicionamentos,
e é aí que está a dificuldade.
Felizmente, com o aprendizado de máquina,
podemos ir além
da nossa própria habilidade
de descrever o que conhecemos.
Como isto funciona?
Bem, é por meio de exemplos.
Dizemos para a máquina:
"Bom dia, máquina.
Aqui estão alguns corta-luzes
e coisas que não são corta-luzes.
Por favor, encontre
um jeito de distingui-los."
A chave de tudo é achar características
que permitam separá-los.
Tendo que ensinar à máquina
a diferença entre uma laranja e uma maçã
eu poderia dizer:
"Por que não usa cor ou forma?"
Mas o problema que estamos resolvendo é:
o que são essas coisas?
Quais traços marcantes
possibilitam que um computador
interprete o mundo dos pontos móveis?
Compreender todas essas relações
entre posição relativa e absoluta,
distância, sincronia, velocidades,
que são realmente a chave da ciência
dos pontos móveis
ou como gostamos de chamá-la,
reconhecimento de padrões espaçotemporais,
em linguagem acadêmica.
É importante dar um nome difícil
porque é difícil mesmo.
Para treinadores da NBA,
o principal não é saber
se um corta-luz aconteceu ou não,
mas sim como aconteceu.
E por que isso é tão importante para eles?
Perceba o porquê.
Acontece que, no basquete moderno,
o corta-luz talvez seja
a jogada mais importante.
Saber como executá-la
e como se defender dela,
é o que decide o resultado
da maioria dos jogos.
Essa dança tem muitas variações,
e identificá-las é o mais importante.
Por isso precisamos
que esse programa seja muito bom.
Eis um exemplo:
dois atacantes e dois defensores
estão prestes a executar
o balé do corta-luz.
O cara com a posse da bola,
pode usar ou não o bloqueio.
Seu companheiro pode girar para o garrafão
ou abrir para receber o passe.
Quem marca o jogador que tem a bola
pode avançar ou recuar.
Seu companheiro pode avançar,
marcar ou apenas acompanhar,
e juntos podem trocar
ou dobrar a marcação.
Eu desconhecia quase tudo isso
quando comecei,
e seria ótimo se todos se movessem
como aquelas flechas indicam.
Facilitaria muito as nossas vidas,
mas o movimento é muito confuso.
Há muita movimentação e com rapidez,
o que torna difícil identificar
e reconstituir as variações com precisão,
pois isso é o que faz um treinador
profissional acreditar em você.
Apesar das dificuldades
com os aspectos espaçotemporais corretos
conseguimos realizá-lo.
Treinadores confiam na capacidade
da nossa máquina
de identificar as variações.
Chegamos no ponto
em que quase toda equipe
da NBA este ano
usa nosso software,
instalado em uma máquina
que compreende os pontos
que se movimentam, em basquetebol.
Mais do que isto.
Nós demos conselhos
que têm mudado estratégias,
as quais ajudaram equipes
a vencer jogos muito importantes,
o que é muito estimulante,
porque existem treinadores
que estão há 30 anos na liga
e que desejam um conselho
dado por uma máquina.
É muito empolgante,
é muito mais do que o corta-luz.
Nosso computador começou
com coisas simples,
aprendeu coisas mais complexas,
e agora sabe bastante coisas.
Francamente, eu não entendo
muito do que ele faz,
e embora não seja tão especial
ser mais inteligente que eu,
nos perguntamos: “Uma máquina
pode saber mais do que um treinador?
Mais do que uma pessoa pode saber?”
A resposta é sim.
Treinadores desejam
que os jogadores façam bons arremessos.
Se eu estiver perto da cesta,
e sem marcação, é um bom arremesso.
Se eu estiver distante,
cercado por defensores,
geralmente é um mau arremesso.
Mas nunca soubemos quantitativamente
os significados de “bom” ou “mau”.
Até agora.
Usando características espaçotemporais,
analisamos todos os arremessos.
De onde foi o arremesso?
Qual o ângulo em relação à cesta?
E as posições dos defensores?
E suas distâncias?
Quais são seus ângulos?
Com vários defensores, analisamos
como os jogadores se movimentam
e prevemos o tipo de arremesso.
Podemos analisar suas velocidades
e construir um modelo
que prevê a probabilidade de um arremesso
ser convertido em tais circunstâncias?
Por que é tão importante?
Podemos transformar o que era arremessar
em duas outras coisas:
a qualidade do arremesso
e a qualidade do arremessador.
Eis um gráfico de bolas.
O que seria do TED
sem um gráfico de bolas?
(Risos)
Esses são jogadores da NBA.
O tamanho da bola é o tamanho do jogador,
a cor é a posição.
No eixo x, temos
a probabilidade do arremesso.
À esquerda, estão os arremessos difíceis,
à direita, os arremessos fáceis.
No eixo y está a habilidade de arremessar.
Com boa habilidade em cima,
má habilidade, embaixo.
Por exemplo, se houver um jogador
que geralmente acerta 47% dos arremessos,
era tudo o que se sabia antes.
Mas hoje, posso dizer que aquele jogador
executa arremessos
que um jogador da NBA, em média,
acertaria 49% das vezes,
e que seriam 2% ruins.
Isto é importante porque há
uma enorme diversidade de 47%.
E assim é realmente importante saber
se os 47% a quem se está considerando
dar US$ 100 milhões
é um bom arremessador
que executa maus arremessos,
ou um mau arremessador
que faz bons arremessos.
O aprendizado da máquina não muda
apenas como analisamos os jogadores,
ele muda como analisamos o jogo.
Houve um jogo emocionante
há alguns anos, nas finais da NBA.
O Miami perdia por três pontos,
faltavam 20 segundos para o final,
eles estavam
prestes a perder o campeonato.
Um senhor chamado LeBron James
tentou um arremesso de três.
Ele errou.
Seu companheiro Chris Bosh
pegou um rebote,
passou para o companheiro Ray Allen.
Ele marcou três pontos.
O jogo foi para a prorrogação.
O Miami ganhou o jogo e o campeonato.
Foi um dos mais emocionantes
jogos de basquetebol.
E nossa capacidade de saber
a probabilidade de arremessar
de cada jogador, a cada segundo,
e a possibilidade de pegar
um rebote a cada segundo
pode iluminar esse momento
como nunca foi possível.
Infelizmente, não posso
mostrar esse vídeo a vocês.
Mas recriamos aquele momento para vocês
no nosso jogo semanal de basquete,
há umas três semanas.
(Risos)
Refizemos a trilha
que nos levou à percepção dos fatos
Aqui estamos.
Esta é Chinatown em Los Angeles,
um parque onde jogamos toda semana,
e aqui estamos nós
recriando o momento de Ray Allen
e todo o caminho associado a ele.
Eis o arremesso.
Vou mostrar-lhes aquele momento,
e todas as suas percepções.
A única diferença é que somos nós,
em vez de jogadores profissionais,
E sou eu,
em vez de um locutor profissional.
Tenham paciência comigo.
Miami.
Perde por três pontos.
Faltam 20 segundos.
Jeff conduz a bola.
Josh recebe, marca três pontos!
[Calculando a probabilidade de arremesso]
[Qualidade do arremesso]
[Probabilidade de rebote]
Não vai dar certo!
[Probabilidade de rebote]
Rebote, Noel.
Devolve ao Daria.
[Qualidade do arremesso]
Arremesso de três pontos...pimba!
Restam cinco segundos.
A plateia vai à loucura.
(Risos)
Aconteceu mais ou menos assim.
(Aplausos)
Mais ou menos.
Aquele momento tinha cerca de 9%
de probabilidade de acontecer na NBA;
sabemos disso e de muitas outras coisas.
Não direi a vocês quantas vezes precisamos
jogar para que isso acontecesse.
(Risos)
Tá bom. Contarei. Foram quatro vezes.
(Risos)
Muito bem, Daria.
Porém a coisa mais importante do vídeo
e o que percebemos em cada segundo
de todo jogo da NBA, não é isso.
É o fato de que não é preciso
que seja um time profissional
para rastrear a movimentação.
Não precisa ser um jogador profissional
para entender a movimentação.
Na verdade, nem precisa ser sobre esportes
porque nos movimentamos por toda parte.
Nos movemos em casa,
no escritório,
quando fazemos compras e viajamos
pelas cidades
e pelo mundo.
O que iremos saber? O que aprenderemos?
Talvez, em vez de identificar corta-luzes,
a máquina possa identificar o momento
e avisar-me, quando milha filha
der os primeiros passos.
O que poderia acontecer
a qualquer segundo, literalmente.
Talvez possamos aprender a usar melhor
os edifícios e planejar melhor as cidades.
Creio que com o desenvolvimento
da ciência dos pontos em movimento
vamos nos mover melhor,
de modos mais inteligentes. Avançaremos.
Muito obrigado.
(Aplausos)
Я и мои коллеги восхищены
природой движущихся точек.
Что такое эти точки?
Это мы.
Все мы передвигаемся у себя дома,
в офисах, в магазинах и путешествуя
по своему городу или по миру.
Было бы потрясающе, если бы мы могли
понять природу этих движений,
их закономерности, значение
и то, что скрывается за ними.
К счастью для нас,
мы живём в такое время,
когда мы невероятно преуспели
в сборе информации о самих себе.
С сенсоров, видео или приложений
мы можем отследить наше движение
с удивительной точностью.
Оказывается, одна из областей,
где собраны лучшие данные о движении, —
это спорт.
Будь это баскетбол или бейсбол,
американский футбол или обычный,
мы оснащаем стадионы и игроков
устройствами для отслеживания
движений каждую долю секунды.
То есть мы превращаем своих атлетов —
вы, наверное, уже догадались —
в движущиеся точки.
Теперь у нас масса движущихся точек.
И как с любыми необработанными данными,
с ними трудно разобраться,
да и не так это интересно.
Но есть вещи, о которых, например,
баскетбольные тренеры хотят знать.
И проблема в том, что они не знают о них,
потому что пришлось бы смотреть
каждую секунду каждой игры,
запоминая и затем обрабатывая.
Человек не может сделать этого,
но машина может.
Но машина не может
смотреть на игры глазами тренера.
По крайней мере, не могли. До сих пор.
Что мы научили машину видеть?
Мы начали с простого:
научили её таким вещам,
как пассы, броски и отскоки —
тому, что известно обычным болельщикам.
А затем мы перешли к вещам посложнее:
таким манёврам, как пост-апы,
пик-н-роллы и изоляции.
Если вы их не знаете, не страшно.
Большинство игроков, возможно, знает.
На сегодняшний день машина
понимает сложные манёвры,
вроде заслона и широких пин-даунов.
Такие термины знают только профессионалы.
Мы научили машину
«смотреть» глазами тренера.
Как мы смогли сделать это?
Если бы я попросил тренера
описать, например, пик-н-ролл,
то он дал бы мне описание,
и если бы я закодировал это
в алгоритм, то ничего бы не вышло.
Пик-н-ролл — своего рода танец
в баскетболе между четырьмя игроками,
двумя в защите и двумя в нападении.
Вот как это происходит.
Игрок в нападении без мяча
идёт рядом, защищает игрока с мячом,
остаётся в зоне, они оба перемещаются,
что-то происходит,
и — та-да! — это и есть пик-н-ролл.
(Смех)
Это также пример плохого алгоритма.
Если игрок, который мешает —
его называют заслоняющим, —
подойдёт ближе, но не остановится,
возможно, это не будет пик-н-ролл.
Или если он остановится,
но будет недостаточно близко,
то это тоже, возможно, не пик-н-ролл.
Или если он подойдёт близко
и остановится,
но все они окажутся под корзиной,
это, возможно, не пик-н-ролл.
Или я ошибаюсь —
может, все они и есть пик-н-роллы.
На деле, это зависит от точного
времени, расстояния, местоположения —
вот что делает это таким сложным.
К счастью, машина может обучаться,
и мы можем выйти
за пределы своих возможностей,
чтобы описать то, что знаем.
Как это работает?
Рассмотрим на примере.
Итак, мы подходим к машине
и говорим: «Доброе утро, машина.
Вот несколько пик-н-роллов
и несколько манёвров — не пик-н-роллов.
Пожалуйста, найди способ отличить их».
И ключ ко всему — найти черты,
которые позволяют различать их.
Если бы я хотел обучить машину разнице
между яблоком и апельсином,
я бы сказал: «Почему бы тебе
не использовать цвет и форму?»
Проблема, которую мы решаем:
по каким параметрам отличать?
Какие ключевые черты позволяют компьютеру
ориентироваться в мире движущихся точек?
Выяснение всех этих отношений
между относительным
и абсолютным местоположением,
расстоянием, временем, скоростью —
это и есть ключ
к природе движущихся точек,
или, как мы любим её называть,
говоря научным языком,
пространственно-временным
распознаванием образов.
Ведь первым делом
нужно назвать это как-то сложно —
потому что это сложно.
Главное для тренеров NBA —
знать не то, был ли пик-н-ролл или нет, —
они просто хотят знать, как это произошло.
Почему это так важно для них?
Есть такая догадка:
оказывается, в современном баскетболе
этот пик-н-ролл —
чуть ли не самый важный манёвр.
Знать, как это происходит,
как обороняться от него, —
по сути, залог выигрыша
или поражения в большинстве игр.
Оказалось, у этого танца
великое множество вариаций,
и определение этих вариаций —
единственная важная вещь,
поэтому нам нужно, чтобы машина
выясняла это очень, очень точно.
Вот пример: есть два нападающих
и два защитника,
готовых исполнить танец пик-н-ролла.
Игрок с мячом может либо
навестись на заслон, либо отказаться.
Его товарищ по команде может либо
«провалиться» под кольцо, либо открыться.
Игрок, опекающий мяч, может
либо проскользнуть, либо обогнуть заслон.
Его товарищ по команде может либо помочь,
либо сделать ложный размен или остаться.
И оба они могут либо сделать размен,
либо контратаковать.
Я бóльшую часть этого не знал,
кода только начинал.
Было бы чудесно, если бы все
двигались согласно этим стрелочкам.
Нам было бы куда легче, но движение —
явление довольно запутанное.
Люди движутся не монотонно.
Определить эти вариации
с очень высокой точностью,
одновременно точно и по памяти, — сложно,
ведь именно это нужно, чтобы
профессиональный тренер поверил в тебя.
Несмотря на сложности с пространственно-
временными характеристиками,
мы смогли сделать это.
Тренеры верят в возможности
нашей машины определять эти вариации.
Мы находимся на стадии,
когда практически каждый претендент
на чемпионат NBA в этом году
использует нашу программу,
разработанную для устройства,
которое понимает,
как движутся точки в баскетболе.
Кроме того, мы дали совет,
изменивший стратегии,
которые помогли командам
выиграть важные игры.
Это очень волнующе,
ведь есть даже такие тренеры,
которые состоят в Лиге 30 лет,
но всё же готовы получить совет от машины.
Это очень волнующе,
даже больше, чем пик-н-ролл.
Наш компьютер начинал с простых вещей,
стал учиться всё более и более сложным,
а сейчас знает так много, что, по правде,
я не знаю столько, сколько он.
И не удивительно,
что он знает больше меня.
Неужели машина может
знать больше, чем тренер?
Может ли она знать больше, чем человек?
Оказалось, что да.
Тренеры хотят, чтобы игроки
делали хорошие броски.
Если я стою здесь, у корзины,
и никого нет рядом со мной, —
это хороший бросок.
Если я стою далеко, окружённый
защитниками, — обычно это плохой бросок.
Но мы не знали, как оценить количественно
«хороший» или «плохой» бросок.
До сих пор.
Используя пространственно-
временные характеристики,
мы можем просмотреть каждый бросок,
узнать, откуда он сделан,
какой угол по отношению к корзине,
где стоят защитники, каково их расстояние,
под какими они углами.
Среди нескольких защитников мы можем
увидеть, как двигается определённый игрок
и предугадать тип броска.
Мы можем вычислить их скорости
и построить модель, которая предскажет
вероятность осуществления броска
при данных обстоятельствах.
Почему это так важно?
Мы можем определить бросок,
который раньше был един,
как состоящий из двух параметров:
качество броска и уровень бросающего.
Вот пузырьковая диаграмма.
Какое это выступление TED без диаграммы?
(Смех)
Это игроки NBA.
Размер — это размер игроков,
а цвет — позиция.
По оси Х — вероятность броска.
Игроки слева делают сложные броски,
справа — лёгкие.
По оси У — их умение совершать броски.
Хорошие игроки наверху,
кто хуже бросает — внизу.
Например, если раньше был игрок,
чья эффективность бросков 47%,
это всё, что вам было известно.
Но сегодня я могу сказать вам,
что этот игрок делает броски,
как в 49% случаев их делает
среднестатистический игрок NBA,
что на 2% хуже.
Это важно знать потому,
что есть много игроков с 47%.
Поэтому очень важно знать,
является ли тот игрок с 47%,
в которого вы планируете
вложить 100 миллионов долларов,
хорошим бомбардиром,
который иногда делает плохие броски,
или плохим бомбардиром,
совершающим хорошие броски.
Машинный анализ меняет не только то,
как мы рассматриваем игроков,
но и то, как мы видим игру.
Пару лет назад состоялась
очень захватывающая игра в финале NBA.
«Майами» отставал на 3 очка.
Оставалось 20 секунд.
Они были на грани проигрыша чемпионата.
Джентльмен по имени Леброн Джеймс
бросил трёхочковый, чтобы сравнять счёт,
но промахнулся.
Его товарищ Крис Бош подобрал мяч,
передал его другому игроку
в команде — Рею Аллену.
Тот забросил трёхочковый.
Игра продолжилась в овертайме.
Они выиграли игру и чемпионат.
Это была одна из самых
захватывающих игр в баскетболе.
Наша способность предугадывать
вероятность броска
для каждого игрока каждую секунду
и вероятность подбора мяча каждую секунду
может пролить свет на этот момент
так, как никогда раньше.
К несчастью, я не могу
показать вам запись той игры.
Но для вас мы воссоздали этот момент
на нашей еженедельной игре
в баскетбол около трёх недель назад.
(Смех)
Мы воссоздали их действия,
что привело к озарению.
Вот мы. Это Чайна-таун в Лос-Анджелесе;
парк, где мы играем каждую неделю.
Мы воссоздаём момент Рэя Аллена
и отслеживаем движения.
Вот бросок.
Я собираюсь показать вам тот момент
и все детали того момента.
Единственная разница: вместо
профессиональных игроков играем мы,
а вместо профессионального
комментатора буду я.
Будьте ко мне снисходительны.
«Майами».
Разрыв в три очка.
Осталось 20 секунд.
Джефф передаёт мяч.
Джош его ловит и бросает трёхочковый.
[Вычисляется вероятность броска]
[Качество броска]
[Возможность отскока]
Промах!
[Вероятность отскока]
Ноэль ловит мяч,
передаёт его Дарии.
[Качество броска]
Трёхочковый — ура!
Мы сравняли счёт, и остаётся ещё 5 секунд.
Трибуны ревут.
(Смех)
Примерно вот так всё это произошло.
(Аплодисменты) Примерно.
(Аплодисменты)
Вероятность этого момента в игре NBA — 9%.
Мы знаем это и ещё множество других вещей.
Не буду рассказывать, сколько раз
нам пришлось переигрывать этот момент.
(Смех)
Ладно, скажу — 4 раза. (Смех)
Молодец, док!
Но главное в этом видео и знаниях,
которые у нас есть по каждой секунде
каждой игры NBA — не в этом.
Главное то, что не нужно быть
профессиональной командой,
чтобы отслеживать движение;
не нужно быть профессиональным игроком,
чтобы понять все детали движений.
Даже не обязательно
применять это к спорту,
ведь мы двигаемся постоянно.
Мы двигаемся дома,
в офисе,
когда ходим за покупками
или путешествуем
по городу
и по миру.
Что мы узнаем? Чему научимся?
Может, вместо определения пик-н-роллов,
машина сможет определить
и позволит мне узнать момент,
когда моя дочь сделает свои первые шаги.
Что буквально может
произойти в любой момент.
Возможно, мы можем научиться
лучше планировать здания, города.
Я верю, что с развитием науки,
занимающейся изучением движущихся точек,
мы будем двигаться лучше,
мы будем двигаться разумнее,
мы будем двигаться вперёд.
Спасибо большое.
(Аплодисменты)
Moje kolege i mene fascinira
nauka o pokretnim tačkama.
Kakve su to tačke?
Pa, to smo svi mi.
Krećemo se u našim domovima
i kancelarijama
dok kupujemo i putujemo
po gradovima i svetu.
Zar ne bi bilo sjajno da možemo
da razumemo sve ove pokrete?
Da imamo uvid u njihove šeme i značenja.
A srećom po nas, živimo u vremenu
u kom nam neverovatno dobro ide
da pratimo informacije o sebi.
Bilo da je to putem senzora,
snimaka ili aplikacija,
možemo vrlo detaljno pratiti naše pokrete.
Ispada da je jedno od mesta
gde imamo najviše podataka o pokretu
sport.
Bilo da je to košarka, bejzbol,
ili američki fudbal ili onaj drugi fudbal,
postavljamo instrumente na stadione
i igrače da bismo pratili njihovo kretanje
u svakom deliću sekunde.
Ono što radimo je da pretvaramo
naše sportiste u -
verovatno već pretpostavljate -
pokretne tačke.
Tako imamo gomilu pokretnih tački,
i slično većini neobrađenih podataka,
teško je raditi sa njima,
a nije baš ni zanimljivo.
Ali postoje stvari koje, na primer,
košarkaški treneri žele da znaju.
A problem je što ne mogu da ih znaju
zato što bi morali da gledaju svaki sekund
svake utakmice, sve to zapamte i obrade.
A čovek to ne može,
ali mašina može.
Problem je što mašina
ne vidi utakmicu očima trenera.
Bar do sada nije mogla.
Šta smo to naučili mašinu da vidi?
Pa, počeli smo sa osnovama.
Naučili smo je stvarima kao što su pasovi,
šutevi i skok pod košem.
Stvarima koje zna
većina prosečnih obožavalaca.
A potom smo prešli
na malo komplikovanije stvari.
Događaje poput postapova,
pik end rola i presinga.
Ako ne znate te pojmove, u redu je.
Većina prosečnih igrača zna.
E, sad, došli smo do tačke da danas
mašina razume kompleksne događaje
poput akcija i vajd pinova.
Praktično, ono što znaju
samo profesionalci.
Zapravo, naučili smo mašinu
da vidi očima trenera.
Kako smo ovo uspeli?
Ako pitam trenera da opiše
nešto poput pik end rola,
on mi objasni šta je to,
i ako bih to ubacio u algoritam,
izgledalo bi užasno.
Stvar je u tome što je pik end rol
u košarci ples između četiri igrača,
dva u napadu i dva u odbrani.
I evo kako to otprilike ide.
Jedan momak je u napadu bez lopte
i on ide do momka
koji čuva drugog momka sa loptom
i otprilike ostaje tamo,
obojica se pomeraju i nešto se dešava,
i ta-da, to je pik end rol.
(Smeh)
To je takođe, jedan primer
užasnog algoritma.
Tako, ako igrač koji vrši udvajanje -
on se zove bloker -
prilazi blizu, ali se ne zaustavlja,
to verovatno nije pik end rol.
Ili ako se zaustavi,
ali se ne zaustavi dovoljno blizu,
to verovatno opet nije pik end rol.
Ili, ako priđe blizu i zaustavi se,
ali to uradi pod košem,
to verovatno nije pik end rol.
Ili ja možda grešim, možda je
sve to pik end rol.
To zaista zavisi od preciznog tajminga,
udaljenosti, lokacije,
i to je ono što otežava stvari.
Srećom, sa mašinskim učenjem,
možemo da idemo dalje od naše sposobnosti
da opišemo stvari koje znamo.
Kako ovo funkcioniše? Pa, po primeru.
Odemo do mašine i kažemo,
"Dobro jutro, mašino.
Evo nekih pik end rolova,
evo nekih stvari koje nisu.
Molim te, nađi način da napraviš razliku."
I ključ za sve ovo je pronaći svojstva
koja joj omogućavaju da to raščlani.
Tako, ako bih hteo da je naučim razlici
između jabuke i pomorandže,
mogao bih da kažem:
"Što ne uzmeš boju ili obllk?"
Problem koji rešavamo je,
šta su to te stvari?
Koje su ključne stavke
koje kompjuteru omogućavaju da
upravlja svetom pokretnih tački?
Razumevši sve ove veze
sa relativnom i apsolutnom lokacijom,
udaljenost, tajming, brzina -
to je zaista ključ nauke o pokretnim
tačkama ili kako mi volimo da zovemo,
spaciotemporalna šema prepoznavanja,
akademskim žargonom govoreći.
Jer kao prvo, mora da zvuči teško -
jer to i jeste.
Ključna stvar, za NBA trenere,
nije to da žele da znaju
da li je došlo do pik end rola ili ne.
Oni žele da znaju kako se odvijao.
A zašto je to njima tako važno?
Evo malog uvida.
Izgleda da je u modernoj košarci
ovaj pik end rol možda
najvažniji deo igre.
Znati kako treba da se izvede,
i kako da se odbrani,
je suštinski ključ pobede
ili poraza u većini utakmica.
Tako ispada da ovaj ples
ima mnoge varijacije
i identifikovanje tih varijacija
je ono što je stvarno važno,
i zato nam je potrebno da ovo
bude baš, baš dobro.
Evo jednog primera.
Imamo dva igrača u napadu
i dva igrača u odbrani,
spremni su da izvedu pik end rol ples.
Igrač sa loptom može
ili prihvatiti, ili odbiti.
Saigrač se može ili saviti ili otvoriti.
Momak koji čuva loptu
može ići iznad ili ispod.
Njegov saigrač može ili da se otkrije
ili da igra do kontakta, ili bez kontakta
i zajedno mogu ili
da se zamene ili napadnu
a nisam znao većinu ovih
stvari kada sam počinjao
i bilo bi divno kada bi se svi pomerali
u skladu sa ovim strelicama.
To bi umnogome olakšalo naše živote,
ali izgleda da su naši pokreti zbrkani.
Ljudi se mnogo meškolje i dobijanje
ovih identifikovanih varijacija
sa veoma velikom tačnošću,
i u preciznosti i povlačenju, je teško
jer zbog toga je potrebno da imaš
profesionalnog trenera koji veruje u tebe.
I uprkos svim poteškoćama sa tačnim
spaciotemporalnim karakteristikama,
mi smo to uradili.
Treneri veruju mogućnostima naših mašina
da identifikuju ove varijacije.
Došli smo do tačke gde
skoro svaki kandidat
za NBA šampionat ove godine
koristi naš softver, koji je ugrađen
u mašinu koja razume
pokretne tačke u košarci.
I ne samo to, davali smo savete
koji menjaju strategije
koje pomažu timovima
da dobiju veoma važne utakmice,
a to je vrlo uzbudljivo jer imate
trenere koji su u ligi
i po 30 godina i koji su spremni da
prihvate savet od mašine.
I to je vrlo uzbudljivo,
to je mnogo više od pik end rola.
Naš kompjuter je počeo sa prostim stvarima
i učio sve komplikovanije stvari
tako da sada zna dosta toga.
Iskreno, ni ja ne razumem
dosta toga što on radi,
i dok nije toliko teško biti
pametniji od mene,
pitali smo se, može li neka
mašina da zna više od trenera?
Može li da zna više od nego čovek?
I izgleda da je odgovor da.
Treneri žele da im igrači imaju dobar šut.
Ako ja stojim blizu koša
i nema nikoga u blizini,
to je dobra pozicija.
Ako stojim daleko okružen
odbranom, to je generalno loša pozicija.
Međutim, nikad kvantitativno nismo znali
koliko je stvarno dobra ili loša.
Do sada.
Opet, ono što možemo uraditi,
koristeći spaciotemporalne podatke,
je da pogledamo svaki šut.
Možemo videti: Odakle ide?
Pod kojim uglom je od koša?
Gde stoji odbrana?
Na kojoj su udaljenosti?
Pod kojim su oni uglom?
Za više odbrambenih igrača, možemo videti
kako se igrač kreće
i predvideti vrstu šuta.
Možemo videti svačiju brzinu
i možemo napraviti model koji predviđa
koja je verovatnoća da će ovaj šut
ući pod ovim okolnostima?
Zašto je ovo važno?
Možemo uzeti neki šut,
ranije gledan kao celina,
i podeliti ga na dve stvari:
kvalitet šuta i kvalitet igrača.
I ovde imamo grafikon sa mehurićima,
jer šta bi bio TED bez toga?
(Smeh)
Ovo su NBA igrači.
Veličina je veličina igrača
a boja je njegova pozicija.
Na x-osi, imamo verovatnoću pogotka.
Ljudi s leva šutiraju iz teške pozicije,
sa desna, iz lakih pozicija.
Na y-osi je njihov procenat pogotka.
Ljudi koji su dobri su pri vrhu,
loši pri dnu.
Tako na primer, vidite igrača
koji generalno ima 47 procenat šuta,
i to je sve što ste znali.
Ali danas, mogu da vam kažem da igrač
šutira onako kako bi prosečan NBA igrač
šutirao 49 posto vremena,
i gore je za dva procenta.
A razlog što je ovo važno je
što ovde ima dosta onih sa 47%.
I tako je vrlo važno znati
da li je onaj sa 47 kome razmišljate
da platite 100 miliona dolara
dobar šuter iz teških pozciija,
ili loš šuter koji pogađa lake koševe.
Mašina ne utiče na naš pogled na igrače,
već utiče na naš pogled na igru.
Tako je pre par godina, u NBA finalu,
bila jedna vrlo zanimljiva utakmica.
Majami je gubio sa tri razlike,
20 sekundi pre kraja.
Bili su na pragu da izgube titulu.
Gospodin po imenu LeBron Džejms
je ušao i pucao trojku za izjednačenje.
Promašio je.
Njegov saigrač Kris Boš skače i brani,
pruža loptu saigraču, Reju Alenu.
On ubacuje za tri. Idu produžeci.
Pobedili su. Osvojili su šampionat.
To je bila jedna od
najuzbudljivijih utakmica.
I to što možemo da znamo
verovatnoću pogotka svakog igrača
u svakoj sekundi,
i verovatnoću skoka pod košem
u svakoj sekundi
može da rasvetli ovaj trenutak na način
na koji nikad ranije nismo mogli.
Nažalost, sada vam
ne mogu pokazati taj snimak.
Ali, za vas smo ponovili tu situaciju
na našoj nedeljnoj utakmici
pre oko tri sedmice.
(Smeh)
I ponovo smo oživeli putanju
koja je dovela do tog uvida.
I, evo nas.
Ovo je Kineska četvrt u Los Anđelesu,
park gde igramo svake nedelje,
i evo ga ponovo trenutak Reja Alena
i svi pokreti u vezi sa tim.
I evo šuta.
Pokazaću vam taj trenutak
i sve uvide u taj trenutak.
Jedina razlika je što smo umesto
profesionalnih igrača ovde mi,
a umesto profesionalnog
komentatora, tu sam ja.
Pa ćete morati da me istrpite.
Majami.
Minus tri.
Još dvadeset sekundi.
Džef donosi loptu.
Džoš je hvata, ubacuje trojku!
[Računa se verovatnoća pogotka]
[Kvalitet šuta]
[Mogućnost odbrane]
Neće ući!
[Verovatnoća odbrane]
Brani Noel.
Vraća do Darije.
[Kvalitet šuta]
Za tri poena - bam!
Izjednačenje pet sekundi pre kraja.
Publika je u transu.
(Smeh)
Otprilike tako nekako.
(Aplauz)
Otprilike.
(Aplauz)
Taj momenat je imao šansu
od devet procenata da se desi u NBA
i znamo to kao i mnogo drugih stvari.
Neću vam reći iz koliko pokušaja
nam je ovo uspelo.
(Smeh)
Okej, ipak hoću! Četiri puta.
(Smeh)
Svaka čast, Darija.
Ali ono što je važno
u vezi sa ovim snimkom
i uvidima koje imamo za svaki sekund
svake NBA utakmice - nije to.
To je činjenica da ne morate biti
profesionalni tim da bi pratili kretanje.
Ne morate biti profesionalni igrač
da biste imali uvid u pokrete.
U stvari, ne mora uopšte da se radi
o sportu jer se mi krećemo svuda.
Krećemo se u našim domovima,
u kancelarijama,
dok kupujemo i putujemo
po gradu
ili po svetu.
Šta ćemo znati? Šta ćemo naučiti?
Možda, umesto identifikovanja
pick-and-rolla,
mašina može da identifikuje
trenutak i da me obavesti
kada moja ćerka prohoda.
Što bukvalno može da se
desi svakog trenutka.
Možda možemo bolje da koristimo
zgrade, da bolje planiramo gradove.
Verujem da ćemo se sa razvojem
nauke pokretnih tački,
bolje kretati, pametnije kretati,
kretati napred.
Hvala vam mnogo.
(Aplauz)
Çalışma arkadaşlarım ve ben; hareketli
nokta bilimi tarafından büyülendik.
Bu hareketli noktalar nedir?
O noktalar biziz.
Tüm dünyada ve şehirler boyunca
evlerimizde, ofislerimizde
alışveriş yaparken ve seyahat
ederken yer değiştiriyoruz.
Tüm bu hareketleri anlayabilseydik
harika olmaz mıydı?
Tüm bunların örüntüsünü, anlamını ve
içyüzünü bulabilsek.
Şansımıza kendimiz hakkında bilgileri
yakalamada iyi olduğumuz bir zamandayız.
İster video, uygulama, isterse
sensörler aracılığıyla
çok ince ayrıntılarda
hareketleri izleyebiliyoruz.
Ve görünen o ki en iyi hareket
verilerinin alındığı alan
spor branşları.
Basketbol ya da beyzbol olsun veya
futbol ya da diğer futbolda
hareketlerini izleyebilmek için
oyuncularımızı ve
stadyumları kullanıyoruz,
saniyenin her parçası için.
Tam olarak yaptığımız ise
atletlerimizi dönüştürüyoruz --
muhtemelen tahmin ettiniz --
hareketli noktalara.
Böylelikle dağlar kadar hareket eden
noktamız var ve çoğunluğu işlenmemiş veri,
uğraşması zor ve
o kadar da ilgi çekici değiller.
Ama bazı şeyler var ki örneğin,
basketbol koçlarının bilmek istediği.
Problem ise bunları bilemezler, çünkü
hatırlamak ve işlemek için her oyunun
her saniyesini izlemeleri gerekir.
Bir insan bunu yapamaz
ama bir makine yapabilir.
Problem ise; makine oyunu koçun
gözünden yorumlayamaz.
En azından şimdiye kadar öyleydi.
Peki, makineye görmesi için ne öğrettik?
Basitten başladık.
Paslar, atışlar ve ribaundlar
gibi şeyleri öğrettik.
Çoğu hayranın bildiği şeyler.
Daha sonra biraz daha
karmaşıklarına yöneldik.
Post-up, pick-and-roll
(perdele ve yuvarlan)
gibi hücumlar ve isolation gibi.
Bunları bilmiyorsanız sorun yok.
Çoğu oyuncu muhtemelen bilir.
Şu an geldiğimiz nokta,
makine karmaşık olayları anlıyor;
down screen ve wide pin gibi.
Genelde profesyonellerin bildiği şeyler.
Yani makineye koçun gözüyle
yorumlamasını öğrettik.
Peki bunu nasıl yapabildik?
Bir koçtan pick-and-roll hücumu
gibi bir şeyi anlatmasını istesem
bana bir tanım verecektir
ve eğer onu algoritmaya çevirirsem
korkunç olacaktır.
Pick-and-roll; basketbolda 4 oyuncu,
2 savunma ve 2 hücum, arasında
olan bir dans gibidir.
İşte nasıl olduğu.
Hücumda topa sahip olmayan adam,
topa sahip olanı
koruyanın yanına gider,
orada durur
ve hepsi de hareket eder, olaylar gelişir
ve işte pick-and-roll!
(Gülüşmeler)
Ayrıca bu berbat bir
algoritmanın da bir örneğiydi.
Eğer müdahale eden (perdeleme yapan)
oyuncu -- screener denilir --
yakınından gider ama durmazsa
bu muhtemelen pick-and-roll değildir.
Eğer durur ama yeteri
kadar yakın durmazsa,
muhtemelen pick-and-roll değildir.
Veya yakın gider ve durur
ama potanın altında yaparlarsa,
muhtemelen pick-and-roll değildir.
Ya da yanılabilirim,
hepsi de pick-and-roll olabilir.
Zamanlamaya, uzaklıklara,
konumlara dayanıyor
ve zorlaştıran da bunlar zaten.
Neyse ki, makine öğrenmesiyle
yeteneklerimizin ötesine gidebiliriz
bildiklerimizi betimlemek için.
Peki, bu nasıl oluyor? Örnekle.
Makineye gidiyoruz ve diyoruz ki,
"Günaydın makine.
Burada birkaç pick-and-roll olan
ve olmayan şeyler var.
Lütfen farkı söylemek için bir yol bul."
Tüm bunların anahtarı ise
ayrıştırabilecek özellikleri bulmakta.
Yani eğer bir elma ile portakal arasındaki
farkı öğreteceksem:
"Neden renk veya şekli
kullanmıyorsun?" diyebilirim.
Ve burada çözdüğümüz problem ise,
bu şeyler ne?
Ana unsurlar nedir,
bilgisayarın hareketli noktalar
dünyasını yönlendirebileceği?
Tüm bu göreli ve mutlak konum,
uzaklık, zamanlama, hızlar
ilişkilerini çözmek --
hareketli noktalar biliminin kilidi
ya da hitap etmeyi sevdiğimiz şekliyle,
Uzaysal/Zamansal Örüntü Tanımlama,
akademik dilde.
Çünkü ilk olarak kulağa zor gelen
bir şey yapmalısınız--
çünkü öyle.
Kilit şey ise, NBA koçları için,
pick-and-roll olup olmadığını
bilmek istemeleri değil.
Nasıl olduğunu bilmek istemeleri.
Neden onlar için bu kadar önemli?
İşte biraz içgörü.
Anlaşılan o ki modern basketbolda,
bu pick-and-roll belki de
en önemli oyun olmuş durumda.
Ve nasıl oynandığını bilmek,
nasıl savunulacağını bilmek
aslında çoğu oyunu kazanmanın
ve kaybetmenin anahtarı.
Görünüşe göre bu dans
birçok harika çeşitlemelere sahip
ve asıl önemli olan
çeşitlemeleri tanımlamak,
bu yüzden bunun çok çok iyi
olması gerekiyor.
İşte bir örnek.
İki hücum, iki savunma oyuncusu var,
pick-and-roll dansına hazırlanan.
Pekâlâ, toplu olan adam
alabilir veya geri çevirebilir.
Takım arkadaşı ya devrilebilir
ya da dışarı açılabilir.
Topu koruyan adam ya
üstten geçebilir ya da alttan.
Onun takım arkadaşı show-up
ya da yakın temas
veya soft show-up oynayabilir
ve birlikte switch (değişme)
ya da blitz yapabilirler,
başladığımda bunların çoğunu bilmiyordum
ve herkes bu oklara göre
hareket etseler çok iyi olurdu.
İşlerimizi kolaylaştırırdı ama
görünen o ki hareket oldukça karışık.
İnsanlar fazla hareket ediyor ve
tüm bu değişimleri saptamak,
üstelik yüksek kesinlikte,
hem duyarlılıkta hem de geri almada zor,
çünkü bunların hepsi, koçun size
inanması için gerekenler.
Ve tüm zorluklara rağmen,
doğru uzaysal/zamansal özelliklerle
yapabildik.
Koçlar, bu değişimleri saptamada
makinemizin yeteneğine güvendi.
Şu an olduğumuz nokta,
neredeyse her bir yarışmacı
bu yılki NBA şampiyonluğu için
yazılımımızı kullanıyor, basketbolun
hareketli noktalarını anlayan
makineye kurulmuş olan.
Yalnız bu değil, stratejileri
değiştirecek tavsiyeler de verdik,
takımların çok önemli maçları
yenmelerine yardım eden
ve çok heyecan verici bir şey bu,
çünkü 30 yıldır ligde olan
makineden tavsiye almaya
hevesli koçlar var.
Çok heyecan verici,
pick'n roll'dan çok daha fazla.
Bilgisayarımız basit şeylerle başladı
ve gitgide daha karmaşık şeyler öğrendi
ve artık çok fazla şey biliyor.
Açıkçası, yaptığının çoğunu anlamıyorum
ve benden akıllı olması o kadar da
özel olmamasına rağmen
merak ediyorduk,
bir makine koçtan daha fazla bilebilir mi?
Bir insandan fazlasını bilebilir mi?
Ve görünüşe göre cevap, evet.
Koçlar, oyuncuların iyi sayılar
atmalarını isterler.
Yani, potaya yakın duruyorsam
ve yakınımda kimse yoksa,
bu iyi atıştır.
Savunma oyuncularıyla çevrili ve
uzaktaysam, bu genelde kötü bir atıştır.
Ama iyinin ne kadar "iyi" olduğunu veya
kötününse ne kadar "kötü" olduğunu
nicel olarak bilemeyiz.
Şimdiye kadar.
Yani yapacağımız, tekrardan,
uzaysal/zamansal özellikleri
kullanarak her şuta baktık.
Görebiliyoruz ki: Atış nerede?
Potaya olan açı ne?
Savunma oyuncularının konumları neresi?
Uzaklıkları nasıl?
Açıları nasıl?
Çoklu savunma oyuncuları için
oyuncuların nasıl
hareket ettiklerine bakabilir
ve atış tipini kestirebiliriz.
Hızlarına bakabilir ve
bir model tasarlayabiliriz,
bu şartlar altında yapılan atışın
olabilirliğini tahmin edebilecek.
Peki bu neden önemli?
Atışa ait herhangi bir şeyi alıp
ki bu tek bir şeydi önceden,
bunu iki şeye çevirebiliriz:
Şutun kalitesi ve şut atanın kalitesi.
Ve kabarcık grafiği,
çünkü kabarcık grafiksiz bir TED nedir ki?
(Kahkahalar)
Bunlar NBA oyuncuları.
Büyüklük oyuncuların boyları ve
renkte pozisyon.
X ekseninde atış olasılıkları var.
Soldaki kişiler zor şutları atanlar,
sağdakiler ise kolay şutları atanlar.
Y ekseni ise atış kabiliyetleri.
İyi olan kişiler üstte, kötüler ise altta.
Örneğin, eğer şutlarının
genelde %47'sini atan bir oyuncu varsa,
tek bildiğiniz sadece buydu.
Ama bugün, bu oyuncunun şutu
ortalama bir NBA oyuncusunun
zamanın yüzde 49'u kadar yaptığı
ve yüzde 2 kadar daha az.
Ve önemli olmasının sebebi de
orada bir sürü %47'ler var.
Yani eğer 100 milyon dolar vermeyi
düşündüğünüz 47;
kötü atışlar atan iyi bir şut atan mı
yoksa iyi atışlar atan
kötü bir şut atan mı
olduğunu bilmek gerçekten önemli.
Makine öğrenmesi sadece oyunculara
nasıl baktığımızı değiştirmez
ama oyuna nasıl baktığımızı değiştirir.
NBA finallerinde birkaç yıl önce
çok heyecan verici bir maç vardı.
Miami 3 sayı gerideydi,
20 saniye kalmıştı.
Şampiyonayı kaybetmek üzereydiler.
LeBron James adındaki beyefendi
geldi ve eşitlik için 3'lük denedi.
Kaçırdı.
Takım arkadaşı Chris Bosh ribaund aldı,
diğer takım arkadaşı,
Ray Allen'a pas attı.
Bir 3'lük attı. Maç uzatmaya gitti.
Maçı kazandılar. Şampiyonayı kazandılar.
Basketbolun en heyecanlı
maçlarından biriydi.
Ve her oyuncu için
her saniyede şut olasılığını bilmede
bizim yeteneğimiz ve
her saniyede ribaund
almalarındaki olabilirlik
daha önce olmamış bir şekilde
bu ana ışık tutabilir.
Şimdi maalesef, o videoyu gösteremem.
Ama sizin için, o anı canlandırdık,
haftalık basketbol
maçımızda üç hafta önce.
(Kahkahalar)
Ve içyüzüne ışık tutan
izlemeyi de tekrar canlandırdık.
Ve işte biz.
Burası Los Angeles Çin mahallesinde
her hafta oynadığımız bir park
ve bu da Ray Allen anını ve ilgili
tüm izlemeleri canlandıran bizler.
Ve işte şut.
Size o anı göstereceğim
ve o anın bütün içyüzünü.
Tek fark, profesyonel
oyuncular yerine biz varız
ve profesyonel spiker yerine ben varım.
Bu yüzden, sabredin.
Miami
3 sayı geride.
20 saniye kaldı.
Jeff topu getiriyor.
Josh yakaladı, 3'lük deniyor!
[Atış olasılığı hesaplanıyor]
[Atış kalitesi]
[Ribaund olasılığı]
Girmedi!
[Ribaund olasılığı]
Ribaund Noel'de.
Daria'ya geldi.
[Atış kalitesi]
3'lük atışı -- basket!
5 saniye kala eşitlik.
Kalabalık çıldırır.
(Kahkahalar)
Bu kabaca nasıl gerçekleştiğiydi.
(Alkış)
Yaklaşık olarak.
(Alkış)
O an, NBA'de yaklaşık %9
gerçekleşme ihtimaline sahip,
biz bunu biliyoruz ve
daha birçok diğer şeyleri.
Bunun gerçekleşmesinin ne kadar zamanımızı
aldığını söylemeyeceğim.
(Gülüşmeler)
Tamam, söyleyeceğim! Dört kez.
(Gülüşmeler)
Tebrikler Daria.
Ama videoyla ilgili önemli şey
ve her NBA maçının her saniyesinin
bilgilerindeki şey-- bu değil.
Gerçek şu ki, hareketleri izlemek için
profesyonel bir takım olmanıza gerek yok.
Harekete ilişkin bilgiler için
profesyonel bir oyuncu olmanıza gerek yok.
Hatta, spor bile olmasına gerek yok,
çünkü her yere hareket ediyoruz.
Evlerimizde hareket ediyoruz,
ofislerimizde,
alışveriş yaparken ve seyahat ederken,
şehirler boyunca
ve tüm dünyada.
Ne anlayacağız? Ne öğreneceğiz?
Belki de, pick'n rolları
tanımlamak yerine,
bir makine anı
tanımlayabilir ve bana
kızımın ilk adımlarını
haber verebilir.
Ki şu an gerçekten gerçekleşiyor olabilir.
Belki de binalarımızı
daha iyi kullanabilir
ve şehirlerimizi
daha iyi planlayabiliriz.
İnanıyorum ki; hareketli noktalar
biliminin gelişimiyle
daha iyi, daha akıllı ve daha ileri
hareket edeceğiz.
Çok teşekkürler.
(Alkışlar)
Ми з колегами захоплюємося
природою рухомих точок.
Що таке ці точки?
Це всі ми.
Всі ми пересуваємося у себе вдома,
в офісах, в магазинах і подорожуємо
по своєму місту або по всьому світу.
Хіба не було б чудово,
якби ми могли зрозуміти ці рухи?
Їх закономірності,
значення і те, що ховається за ними.
На щастя для нас, ми живемо в такий час,
коли ми досягли успіху
в зборі інформації про самих себе.
З сенсорів, відео або додатків
ми можемо відстежити наш рух
з дивовижною точністю.
Виявляється, одна з областей,
де зібрані найкращі дані про рух,
це спорт.
Чи то баскетбол чи бейсбол,
звичайний або інший футбол,
ми оснащуємо стадіони
і гравців пристроями для відстеження рухів
кожну частку секунди.
Тобто ми перетворюємо своїх атлетів
- ви, напевно, вже здогадалися,
- в рухомі точки.
Тепер у нас маса рухомих точок,
і, як з будь-якими необробленими даними,
з ними важко розібратися,
та й не так це цікаво.
Але є речі, про які, наприклад,
баскетбольні тренери хочуть знати.
Проблема в тому, що вони не знають про них,
бо довелося б дивитися кожну секунду
кожної гри, запам'ятовуючи і обробляючи.
Людина не може зробити цього,
але машина може.
Але машина не може дивитися
на гру очима тренера.
Принаймні, вони не могли
до цього часу.
Що ми навчили машину бачити?
Ми почали з простого:
навчили її таким речам, як паси,
кидки і відскоки.
Тому, що відомо звичайним уболівальникам.
А потім ми перейшли до складніших речей.
Таким маневрам, як пост-апи,
пік-н-роли та ізоляції.
Якщо ви їх не знаєте, не страшно.
Більшість гравців, можливо, знає.
На сьогоднішній день
машина розуміє складні маневри
на кшталт заслону і широких пін-даунів.
Такі терміни знають тільки професіонали.
Отже, ми навчили машину «дивитися»
очами тренера.
Як ми змогли зробити це?
Якби я попросив тренера описати,
наприклад, пік-н-рол,
то він дав би мені опис,
і якби я закодував це в алгоритм,
то нічого б не вийшло.
Пік-н-рол - це свого роду танець
в баскетболі між чотирма гравцями,
двоє в захисті і двоє в нападі.
Ось, як це відбувається.
Гравець в нападі без м'яча
йде поруч, захищає гравця з м'ячем,
і залишається в зоні.
Вони переміщаються, щось відбувається,
і -та-та! - це і є пік-н-рол.
(Сміх)
Це також приклад поганого алгоритму.
Якщо гравець, який заважає, -
робить заслону, -
підійде ближче, але не зупиниться,
можливо, це не буде пік-н-рол.
Або якщо він зупиниться,
але буде недостатньо близько,
то це теж, можливо, не пік-н-рол.
Або якщо він підійде близько і зупиниться,
але всі вони виявляться під кошиком,
це, можливо, не пік-н-рол.
Або я помиляюся, може,
і це все пік-н-роли.
На ділі, це залежить від точного часу,
відстані, місця розташування -
ось що робить це таким складним.
На щастя, машина може навчатись,
ми можемо вийти за межі своїх можливостей,
щоб описати те, що знаємо.
Як це працює?
Розглянемо на прикладі.
Отже, ми підходимо до машини і кажемо:
«Доброго ранку, машино.
Ось кілька пік-н-ролів
і кілька маневрів - не пік-н-ролів.
Будь ласка, знайди спосіб відрізнити їх.»
І ключ до всього -
знайти риси, які дозволяють розрізняти їх.
Якби я хотів навчити машину,
яка різниця
між яблуком і апельсином,
я б спитав: "Чому ти не використовуєш
колір і форму?»
Проблема, яку ми вирішуємо:
за якими параметрами відрізняти?
Які ключові риси
дозволяють комп'ютеру орієнтуватися
в світі рухомих точок?
З'ясування всіх цих відносин
між відносним і абсолютним розташуванням,
відстанню, часом, швидкістю -
це і є ключ до природи
рухомих точок, або, як ми їх називаємо,
просторово-тимчасове розпізнання образів.
Адже, у першу чергу,
потрібно назвати це якось складно -
тому що це складно.
Головне для тренерів NBA - знати не те,
чи був пік-н-рол чи ні.
Вони просто хочуть знати, як це сталося.
Чому це так важливо для них?
Так ось є така гіпотеза.
Виявляється, в сучасному баскетболі
цей пік-н-рол -
чи не найважливіший маневр.
Знати, як це відбувається
і як оборонятися від нього,
по суті, запорука виграшу
або поразки в більшості ігор.
Виявляється, у цього танцю безліч варіацій
і визначення цих варіацій -
єдина важлива річ.
І саме тому нам потрібно,
щоб машина з'ясовувала це дуже, дуже точно.
Ось приклад:
є два нападники і два захисники,
готові виконати танець пік-н-рол.
Гравець з м'ячем може або навести
на заслін або відмовитися.
Його товариш по команді може
провалитися або відкритися.
Гравець, який охороняє м'яч,
може прослизнути або обігнути заслін.
Його товариш по команді може допомогти,
зробити обмін або залишитись.
І разом вони можуть
зробити обмін або контратакувати.
Я більшу частину цього не знав,
коли тільки починав.
Було б чудово, якби всі рухалися
згідно з цими стрілками.
Нам було б набагато легше,
але рух - явище досить заплутане.
Люди рухаються багато і визначити
ці варіації
з дуже високою точністю
одночасно точно і по пам'яті,
- складно.
Адже саме це потрібно,
щоб професійний тренер повірив в тебе.
Незважаючи на всі труднощі
з просторово-часовими характеристиками,
ми змогли зробити це.
Тренери вірять в можливості нашої машини
визначати ці варіації.
Ми знаходимося на стадії, коли
практично кожен претендент
на чемпіонат NBA в цьому році
використовує нашу програму,
вбудовану на пристрої, який розуміє,
як рухаються точки в баскетболі.
Крім того, ми дали пораду,
що змінила стратегії,
які допомогли командам виграти
важливі гри.
Це дуже цікаво, адже є навіть
такі тренери, які перебувають в Лізі
30 років, але все ж готові отримати
пораду від машини.
Це дуже цікаво,
навіть більше, ніж пік-н-рол.
Наш комп'ютер починав з простих речей
і вивчав все більше і більше
складних речей,
і тепер знає дуже багато всього.
Чесно кажучи, я не знаю стільки,
скільки він.
І це не дивно, що він знає більше за мене.
Нам було цікаво,
чи може машина знати більше, ніж тренер?
Чи може вона знати більше, ніж людина?
Виявилося, що так.
Тренери хочуть,
щоб гравці виконували гарні кидки.
Якщо я стою біля кошика
і нікого немає поруч зі мною,
це хороший кидок.
Якщо я стою далеко, оточений захисниками,
це, зазвичай, поганий кидок.
Але ми не знали, як оцінити
кількісно «хороші» чи «погані» кидки.
До цього часу.
Використовуючи
просторово-часові характеристики,
ми переглядаємо кожен кидок.
Дізнатися: Звідки він зроблений?
Який кут відносно корзини?
Де стоять захисники?
Яка їхня відстань?
Під якими вони кутами?
Серед захисників ми можемо
побачити, як рухається гравець
і передбачити тип кидка.
Ми можемо обчислити їх швидкості
і побудувати модель, яка передбачить
ймовірність здійснення кидка
при даних обставинах.
Чому це так важливо?
Ми можемо визначити кидок,
який раніше був єдиний
і скласти його в два параметри:
якості кидка і здатності кидаючого.
Ось бульбашкова діаграма.
Який виступ на TED без діаграми?
(Сміх)
Це гравці NBA.
Розмір - це розмір гравців,
а колір - позиція.
На осі Х - ймовірність кидка.
Гравці зліва роблять складні кидки,
праворуч - легкі.
По осі У - їх вміння здійснювати кидки.
Хороші гравці нагорі, а гірші внизу.
Наприклад, якщо раніше був гравець
чия ефективність кидків зазвичай 47%,
це все, що вам було відомо.
Сьогодні я можу сказати вам, що гравець
робить кидки, як середньостатистичний гравець NBA
в 49% випадків,
і що вони на 2% гірші.
Це важливо знати тому,
що є багато гравців з 47%.
Дуже важливо знати,
чи з тих 47% гравець, в якого ви плануєте
вкласти 100 мільйонів доларів,
є хорошим бомбардиром,
який робить погані кидки,
чи поганим бомбардиром,
що виконує хороші кидки.
Машинний аналіз змінює не тільки те,
як ми розглядаємо гравців,
але і те, як ми бачимо гру.
Кілька років тому відбулася дуже
захоплююча гра в фіналі NBA .
«Miami» відставало на 3 очки,
залишалось 20 секунд.
Вони були на межі програшу чемпіонату.
Джентльмен на ім'я Леброн Джеймс
кинув триочковий, щоб зрівняти рахунок.
Він промахнувся.
Його товариш Кріс Бош підібрав м'яч,
і передав іншому гравцю в
команді, Рею Аллену.
Він закинув триочковий.
Гра продовжилась в овертаймі.
Вони виграли гру і чемпіонат.
Це була одна з найбільш захоплюючих
ігор в баскетболі.
Наша здатність передбачати
ймовірність кидка для кожного гравця
кожну секунду
і можливість відбору м'яча кожної секунди
може пролити світло на цей момент
так, як ніколи раніше.
На жаль,
я не можу показати вам запис тієї гри.
Але для вас ми відтворили цей момент
на нашій щотижневій грі в баскетбол
3 тижні тому.
(Сміх)
Ми відтворили їх дії,
що призвело до прозріння.
Ось ми.
Це Китайський квартал в Лос-Анджелесі,
парк, де ми граємо щотижня,
і це ми відтворюємо момент Рея Аллена
і відстежуємо рухи.
Ось кидок.
Я збираюся показати вам той момент
і всі деталі того моменту.
Єдина різниця: замість
професійних гравців граємо ми,
а замість професійного коментатора
буду я.
Будьте до мене поблажливі.
«Miami».
Розрив в три очки.
Залишилось 20 секунд.
Джефф передає м'яч.
Джош його ловить і кидає триочковий.
[Обчислюється ймовірність кидка]
[Якість кидка]
[Можливість відскоку]
Промах!
[Можливість відскоку]
Ноель ловить м'яч.
Передає його Дарії.
[Якість кидка]
Триочковий - ура!
Ми зрівняли рахунок,
і залишається ще 5 секунд.
Натовп божеволіє.
(Сміх)
Приблизно ось так
все це сталося.
(Оплески)
Приблизно.
(Оплески)
Імовірність цього моменту в грі NBA - 9%,
і ми знаємо це і ще безліч інших речей.
Не буду розповідати, скільки разів
нам довелося перегравати цей момент.
(Сміх)
Гаразд, я скажу - 4 рази.
(Сміх)
Молодець, Дарія!
Але головне в цьому відео
і знаннях, які ми маємо по кожній секунді
кожної гри NBA - не в цьому.
Головне те, що не потрібно бути
професійною командою, щоб відстежувати рух;
Тобі не потрібно бути професійним
гравцем, щоб зрозуміти всі деталі рухів.
Навіть не обов'язково застосовувати
це до спорту, адже ми рухаємося постійно.
Ми рухаємося в будинку,
в нашому офісі,
коли ходимо за покупками або подорожуємо
по місту
і по всьому світу.
Що ми дізнаємося? Чому ми навчимось?
Можливо, замість визначення пік-н-ролів
машина зможе визначити
момент і дозволить мені дізнатися,
коли моя дочка зробить свої перші кроки.
Що буквально може статися
в будь-який момент.
Можливо, ми зможемо навчитися
краще проектувати наші будівлі, міста.
Я вірю, що з розвитком науки,
що займається вивченням рухомих точок,
ми будемо рухатися краще, будемо
рухатися розумніше, будемо рухатися вперед.
Щиро вдячний.
(Оплески)
Khoa học chuyển động điểm là ngành
tôi và các đồng nghiệp rất say mê.
Vậy những chuyển động điểm đó là gì?
Đó đơn giản là con người.
Con người di chuyển trong nhà,
ở văn phòng, khi đi shopping, đi du lịch
khắp nơi mình sống và khắp thế giới.
Nếu có thể hiểu được những chuyển động ấy
chẳng phải sẽ vô cùng thú vị sao?
Hiểu được những hình thái, ý nghĩa
và bản chất của nó là gì.
May thay, công nghệ ngày nay
đã cho phép ghi lại những số liệu
về con người một cách rất tuyệt vời.
Nào là các thiết bị cảm ứng,
camera, rồi các ứng dụng,
đã cho phép ghi lại những chuyển động
của con người một cách cực kỳ chi tiết.
Và một nơi lý tưởng nhất để ghi lại
chuyển động của con người
đó là ở các trận đấu thể thao.
Thế là từ bóng rổ, bóng chày,
bóng bầu dục đến bóng đá,
chúng tôi lắp thiết bị khắp sân vận động
và trên cơ thể vận động viên
để ghi lại từng tích tắc chuyển động một.
Đến đây chắc các bạn cũng đoán được
công việc của chúng tôi rồi
đó là nghiên cứu những vận động viên
như những chuyển động điểm.
Chúng tôi thu được cả núi chuyển động điểm
nhưng những dữ liệu thô ấy
rẩt khó nghiên cứu
và không đáng quan tâm lắm.
Cái có giá trị trong đó, là những điều
huấn luyện viên luôn muốn biết,
mà không thể biết được vì
họ không thể theo dõi các trận đấu
từng giây một, không thể
nhớ được hết và xử lý hết.
Bởi vì con người không thể
làm được điều đó.
Nhưng máy móc thì có thể.
Vấn đề ở chỗ máy móc không thể hiểu được
trận đấu như một huấn luyện viên,
ít nhất cho đến nay là chưa.
Vậy chúng tôi đã dạy máy móc
hiểu được những gì?
Đầu tiên là những thứ đơn giản trước.
Ví dụ như chuyền bóng,
ném bóng, rồi bắt bóng bật bảng,
những kiến thức cơ bản nhất đã.
Sau đó chúng tôi tiếp tục đến
những thứ phức tạp hơn,
ví dụ như đè chiếm vị trí,
phối hợp yểm trợ, rồi cô lập.
Nếu bạn không biết thì cũng không sao,
người chơi nghiệp dư là đã biết rồi.
Đến nay thiết bị của chúng tôi
đã hiểu được những hành động phức tạp
như di chuyển tạo khoảng trống, wide pin,
những kỹ thuật của dân nhà nghề.
Vậy là thiết bị của chúng tôi đã hiểu được
trận đấu như một huấn luyện viên rồi.
Vậy chúng tôi đã làm thế nào?
Nếu hỏi một huấn luyện viên
phối hợp yểm trợ là gì,
rồi lấy những gì họ mô tả
đem mã hoá như một thuật toán,
kết quả chắc kinh khủng luôn.
Bởi vì họ sẽ bảo, phối hợp yểm trợ là
một điệu khiêu vũ giữa 4 cầu thủ
hai người tấn công,
và hai người phòng thủ.
Cơ bản nó là như thế này.
Một trong hai cầu thủ tấn công
sẽ không giữ bóng.
Cầu thủ đó sẽ ở bên cạnh
để yểm trợ cho cầu thủ có bóng.
Và cầu thủ đó sẽ ở vị trí này.
Cả hai cầu thủ sẽ cùng di chuyển đến rổ.
Đấy, chỉ có thế thôi.
(Khán giả cười)
Đó là một ví dụ về một thuật toán tồi.
Nếu cầu thủ yểm trợ,
từ chuyên môn là cầu thủ cản
di chuyển gần cầu thủ có bóng,
nhưng không dừng lại,
thì có thể không phải là
phối hợp yểm trợ.
Hoặc cầu thủ đó có dừng lại,
nhưng quá xa cầu thủ có bóng,
thì có thể cũng không phải là
phối hợp yểm trợ.
Hoặc cầu thủ đó ở gần, và có dừng lại,
nhưng hai cầu thủ đó ở vị trí dưới rổ,
thì cũng không phải là phối hợp yểm trợ.
Nhưng tất cả những cái đó
rất dễ đánh giá sai.
Bởi vì khoảng thời gian,
khoảng cách, và vị trí của cầu thủ
phải xác định cực kỳ chính xác.
May thay, nhờ có máy móc, chúng ta
có thể mô tả những gì đã biết
một cách phi thường.
Thiết bị này làm việc như thế nào,
bằng việc ghi lại các mẫu có sẵn.
Chúng tôi đến chỗ bạn thiết bị,
bảo bạn ấy rằng,
"Nhé, thế này là phối hợp yểm trợ,
còn thế này là không phải.
Nó khác nhau ở chỗ nào nào?"
Mấu chốt là ở chỗ tìm được đặc điểm
để phân biệt được một cách rõ ràng.
Nếu tôi phải dạy cho thiết bị
cách để phân biệt
quả táo và quả cam chẳng hạn.
Có lẽ tôi sẽ bảo nó hãy dựa vào
màu sắc và hình dạng.
Còn đối với trường hợp này
thì nên dựa vào cái gì?
Đặc điểm mấu chốt nào
giúp thiết bị có thể định vị được
một biển các chuyển động điểm?
Vì thế, việc tìm ra mối liên hệ giữa
vị trí tương đối và tuyệt đối,
khoảng cách, thời gian và vận tốc
là chìa khoá của ngành chuyển động điểm,
hay gọi cho đúng ra
theo tên chuyên ngành, là
nhận thức hình thái không gian-thời gian.
Nghe có vẻ phức tạp,
nhưng thực ra là nó phức tạp thật.
Vấn đề là ở chỗ,
các huấn luyện viên không cần biết
đó có phải là phối hợp yểm trợ hay không.
mà họ muốn biết cầu thủ của họ
đã chơi như thế nào.
Vì sao họ muốn biết điều đó? Tôi xin
tiết lộ một bí quyết nhà nghề của họ.
Trong ngành bóng rổ hiện đại,
hầu như trận đấu nào
cũng sử dụng kỹ thuật này.
Việc thuần thục kỹ thuật
phối hợp yểm trợ
là mấu chốt quyết định thắng bại.
Nhưng kỹ thuật này
có rất nhiều biến thể
và việc xác định các biến thể của nó
là vô cùng quan trọng.
Đó là lý do họ cần
một thiết bị thật tốt.
Tôi xin đưa ra một ví dụ.
Hai cầu thủ tấn công
và hai cầu thủ phòng vệ.
đang chuẩn bị thực hiện
kỹ thuật phối hợp yểm trợ.
Cầu thủ có bóng có thể tiếp nhận
hoặc không tiếp nhận phối hợp.
Người đồng đội có thể lật hoặc giật.
Cầu thủ bảo vệ bóng có thể
di chuyển phía trên hoặc phía dưới.
Người đồng đội có thể show
hoặc play up to touch, hoặc play soft.
Và cùng nhau họ có thể
đổi chỗ hoặc tấn công chớp nhoáng.
Mới đầu tôi thậm chí còn
không hiểu gì về những điều đó.
Và nếu các cầu thủ
di chuyển đúng như thế,
chúng tôi sẽ dễ thở hơn nhiều,
nhưng thực tế lại còn khó khăn hơn thế.
Các cầu thủ dao động rất nhiều,
khiến cho việc xác định những biến thể
với độ chính xác cao,
cả về tính chính xác,
và khả năng truy vấn,
trở nên rất khó khăn
nhưng có thế các huấn luyện viên
mới có thể tin tưởng chúng tôi được.
Nhưng cho dù những đặc điểm
không gian-thời gian có khó khăn đến đâu
chúng tôi đã vượt qua hết.
Các huấn luyện viên đã tin tưởng chúng tôi
trong việc xác định những biến thể ấy.
Chúng tôi đã tiến đến mức
hầu như tất cả các ứng cử viên
tham gia vào giải NBA năm nay
đều sử dụng phần mềm của chúng tôi,
được cài đặt trên một thiết bị
hiểu được những chuyển động của bóng rổ.
Không chỉ có vậy, chúng tôi đã có thể
đưa ra những lời khuyên về chiến thuật
giúp đội bóng chiến thắng
các trận đấu quan trọng.
Cảm giác được một huấn luyện viên
đã 30 năm trong nghề
hỏi ý kiến thiết bị của chúng tôi
thật sự rất tự hào.
Không chỉ có phối hợp yểm trợ,
nó còn biết nhiều hơn thế.
Lúc đầu nó chỉ hiểu được
những thứ đơn giản,
nhưng dần dần đã hiểu được
những thứ phức tạp hơn.
Giờ đây nó đã biết rất nhiều thứ rồi.
Nói thẳng tôi thậm chí còn không hiểu
mấy những cái nó làm
Tất nhiên đôi khi máy móc có thể
thông minh hơn con người,
chúng tôi vẫn băn khoăn, liệu nó có thể
biết nhiều hơn cả huấn luyện viên không?
Liệu nó có biết nhiều
hơn cả con người không?
Hoá ra là có.
Huấn luyện viên luôn muốn cầu thủ
có được những cú ném tốt.
Nếu cầu thủ đang ở gần rổ
mà không có đối thủ nào xung quanh
thì quá đơn giản.
Nhưng nếu cầu thủ ở quá xa rổ, lại bị
nhiều đối thủ kèm thì khó mà ném tốt được.
Nhưng về định tính, chưa ai xác định được
tình huống tốt/không tốt đến mức nào.
Cho đến khi thiết bị này ra đời.
Điều mà chúng tôi làm được, là sử dụng
các đặc điểm không gian-thời gian
Chúng tôi quan sát từng cú ném một.
Chúng tôi có thể quan sát được
từ vị trí của cú ném, góc hướng rổ,
đến vị trí của các đối thủ phòng vệ,
khoảng cách của họ,
góc đứng của họ.
Nếu có nhiều đối thủ, chúng tôi
quan sát được họ di chuyển như thế nào
và dự đoán được loại ném.
Chúng tôi dựa vào vận tốc của họ
để xây dựng một mô hình dự đoán
khả năng ghi điểm của cú ném đó.
Vì sao điều này lại quan trọng?
Nếu trước đây cú ném chỉ là cú ném thôi
thì bây giờ chúng tôi
phân tích nó thành hai yếu tố
chất lượng của cú ném
và chất lượng của cầu thủ
Đây là một biểu đồ bong bóng. Đã là TED
thì phải có biểu đồ bong bóng chứ.
(Khán giả cười)
Đây là các cầu thủ NBA.
Kích cỡ của bong bóng là kích cỡ
của cầu thủ, và màu sắc là vị trí.
Trục X thể hiện
khả năng ghi điểm của cú ném.
Các cầu thủ bên trái
thực hiện các cú ném khó,
Các cầu thủ bên phải
thực hiện các cú ném dễ.
Trục Y thể hiện
năng lực của cầu thủ.
Các cầu thủ giỏi ở phía trên,
cầu thủ kém ở phía dưới.
Ví dụ, trước đây bạn chỉ biết
một cầu thủ nào đó
đã thực hiện cú ném
có 47% khả năng ghi điểm
bạn chỉ biết được có thế.
Nhưng hôm nay, tôi có thể cho bạn biết
cầu thủ đó đã thực hiện một cú ném
mà một cầu thủ NBA bình thường
có thể đạt được 49%
và anh ta ném kém hơn 2%.
Điều này rất quan trọng bởi vì
có rất nhiều những cú ném kém như vậy.
nên cần phải biết được
cú ném của cầu thủ mà bạn đang định
ký hợp đồng 100tr đôla đó
là cú ném tồi của một cầu thủ giỏi
hay cú ném tốt của một cầu thủ kém.
Thiết bị này không thay đổi cách
chúng ta nhìn nhận cầu thủ
nhưng thay đổi cách chúng ta
nhìn nhận trận đấu.
Xin kể một câu chuyện, cách đây vài năm
trong một trận chung kết giải NBA
Đội Miami đang thua 3 điểm
mà chỉ còn 20 giây
Họ sắp vuột mất chức vô địch đến nơi.
Một anh bạn trẻ tên là LeBron James
xông lên thực hiện cú ném 3 điểm
Ném không trúng.
Đồng đội của anh ta, Chris Bosh
đã bắt bóng bật bảng
chuyền cho một cầu thủ khác là Ray Allen.
Anh ta ghi 3 điểm. Rồi họ chơi bù giờ.
Đội Miami thắng trận đó
và giành chức vô địch.
Đó là một trong những trận đấu
hay nhất trong lịch sử bóng rổ.
Việc tính toán được
khả năng ghi điểm của mỗi cầu thủ
trong từng giây một
và khả năng họ bắt được
bóng bật bảng từng giây một
sẽ lý giải khoảnh khắc ấy bằng
một phương pháp trước kia chưa từng có.
Rất tiếc tôi không được phép
sử dụng đoạn băng đó ở đây.
Nhưng để các bạn hình dung được,
chúng tôi đã đóng lại tình huống ấy
trong trận bóng của công ty
khoảng 3 tuần trước.
(Khán giả cười)
Chúng tôi đã dựng lại các phân tích
dẫn đến các chỉ đạo trong tình huống đó.
Đây, đây là đội bóng công ty chúng tôi.
Đây là Chinatown ở Los Angeles,
ở công viên mà chúng tôi
hay chơi vào cuối tuần.
Chúng tôi đang dựng lại
khoảnh khắc của Ray Allen hồi ấy
và các phân tích mà thiết bị đã làm.
Và đây là cú ném huyền thoại ấy.
Tôi sẽ cho các bạn xem khoảnh khắc ấy
và tất cả những chỉ đạo
của huấn luyện viên.
Chỉ khác đây là chúng tôi,
thay vì là cầu thủ chuyên nghiệp,
và tôi sẽ là bình luận viên.
Các bạn chịu khó nhé.
Đây là đội Miami.
Đang bị dẫn 3 điểm.
Còn 20 giây.
Jeff chuyền bóng.
Josh đã bắt được, chuẩn bị ném cú 3 điểm!
(Thiết bị tính toán khả năng ghi điểm)
(Chất lượng ném)
(Khả năng bắt bóng bật bảng)
Không trúng!
(Khả năng bắt bóng bật bảng)
Noel bắt đi.
Chuyền cho Daria.
(Chất lượng ném)
Cú 3 điểm - xong!
Trận hoà với 5 giây còn lại.
Đám đông cuồng lên.
(Khán giả cười)
Đại loại khoảnh khắc đó là như vậy.
(Khán giả vỗ tay)
Đại loại thôi.
(Khán giả vỗ tay)
Trong các giải NBA có khoảng 9%
khả năng xảy ra những khoảnh khắc như vậy.
Chúng tôi tính toán được
và còn tính toán được nhiều thứ nữa.
Nhưng tôi không nói cho các bạn chúng tôi
đã phải đóng lại mấy lần mới đạt đâu.
(Khán giả cười)
Thôi được tôi nói. 4 lần .
(Khán giả cười)
Daria cậu làm tốt lắm.
Nhưng điều quan trọng trong đoạn băng đó
không phải là những chỉ đạo từ cánh gà
của huấn luyện viên.
Bạn không cần là huấn luyện viên mới
theo dõi được các chuyển động.
Bạn không cần là cầu thủ chuyên nghiệp
mới có phân tích các chuyển động của mình.
Thậm chí, bạn không cần phải chơi thể thao
bởi bạn tạo ra chuyển động ở khắp nơi.
Bạn chuyển động trong nhà mình,
trong công sở,
khi đi shopping, khi đi du lịch
khắp nơi bạn sống
và khắp thế giới.
Thiết bị này có thể giúp được gì?
Không phải nhận dạng
kỹ thuật phối hợp yểm trợ nữa,
mà xác định khoảnh khắc
và báo cho tôi biết
khi nào con tôi bước bước đi đầu tiên.
Cháu sắp biết đi rồi đấy các bạn ạ.
Hay giúp chúng ta sử dụng các toà nhà
tốt hơn, quy hoạch thành phố tốt hơn.
Tôi tin rằng với sự phát triển
của khoa học chuyển động điểm,
Chúng ta sẽ chuyển động tốt hơn,
thông minh hơn và sẽ tiến về phía trước.
Xin cám ơn các bạn rất nhiều.
(Khán giả vỗ tay)
我和我的同事对移动圆点
背后的科学非常着迷。
那么这些小圆点是什么呢?
就是我们自己。
我们在家里,办公室里来回走动,
也在世界各地旅行和购物。
如果我们能弄清这些移动,
并从中发现规律,意义并提出见解,
不是一件很棒的事吗?
很幸运的是,
我们生活在这么一个时代,
我们非常擅长捕捉关于自身的信息。
不管是通过传感器,视频,或软件应用,
我们都能详尽地追踪到个人移动的轨迹。
这就让我们发现,
最佳的数据来源之一
就是体育运动。
因此无论是篮球、棒球、橄榄球或足球,
我们都可以在场馆内,
甚至运动员身上装上设备来追踪
他们每个时刻的运动数据。
所以我们要做的
——你们大概已经猜到了——
就是把运动员的移动
转化成圆点的移动。
所以我们收集了不计其数的移动小圆点,
就像多数原始数据一样,
难以处理,也没什么趣味。
但数据里面蕴藏着,
比如篮球教练想知道的事情。
但问题是,除非教练们把每场比赛里
每一秒数据都记下来再去思考,
否则他们没法从中得到想要的信息。
人类大脑无法做到这件事,
但机器没问题。
然而,机器没办法自己
以教练的视角去看一场比赛。
直到现在,我们做到了。
那么,
我们让机器去观察些什么呢?
先从简单的开始。
我们先教会它传球、投篮和篮板球,
这类普通球迷也知道的事。
然后我们开始教它一些
稍复杂点的事情,
比如落位背打、挡拆和拉开单打。
你们如果不了解这些名词,
没关系。打球的人大都了如指掌。
迄今为止,我们已经能够让机器理解
下掩护和无球掩护这类复杂的,
只有专业人士才懂的战术。
于是我们已经教会电脑用
教练的视角去观察数据了。
我们是怎么做到的呢?
如果我让一个教练讲解挡拆,
我会得到一个定义,
如果我把这个定义编码成一个算法
估计会惨不忍睹。
挡拆就是四个球员之间的舞蹈,
两人进攻,两人防守。
大概是这么个过程:
一个没有带球的进攻球员
跑向持球的防守队员,
站在那里待一会儿,
然后他们一起移动(制造机会),
嗒哒,这就是挡拆。
(笑声)
这也是个糟糕的算法实例。
如果那个干扰的球员——
或者叫掩护者——
只是跑过来干扰一下而不停下,
这可能就不是挡拆了。
就算他停下来,
但停的位置不够接近,
那也不算是挡拆。
或者,就算他足够近,而且停下来,
但他是在篮下完成的
那也不算挡拆。
或者我可能错了,
这些都是挡拆。
是否是挡拆要根据发生的时间、
球员间距、位置而定,
这些都很难去界定。
幸运的是,有了机器学习技术,
我们就能超越自身的能力
来描述我们已知的事物。
这个技术要如何实现呢?
举个例子:
我们对机器说,
“早上好,机器。
这儿有些挡拆例子,还有一些不是。
你来找出不同点吧。”
这其中的关键是电脑能找出
区别两者的特征来。
所以如果我要教会机器
辨别苹果和橘子,
我可能会说:
“不妨用颜色和形状来区分吧?”
而目前要解决的问题就是,
要区分事物的特征是什么?
电脑需要掌握的整个
移动圆点世界的关键特征是什么?
搞清楚所有这些相对位置、
绝对位置、距离、时机、
速率之间的关系——
就是移动圆点科学的真正关键所在,
换成专业术语,
我们喜欢称之为:时空模式识别。
因为首先,你要让它听起来
很难懂,很专业——
因为事实的确如此。
对于NBA教练们来说,判断是否是
挡拆并不是关键,
而这个挡拆是怎么发生的
才是他们关注的。
为何教练们如此关心这一点?
这儿我要解释一下。
在现代的篮球比赛中,
挡拆几乎是最重要的战术。
了解如何使用以及怎样防守挡拆,
基本上是比赛输赢的关键。
因此挡拆的步伐多种多样,
能够识别这些不同的形式
是非常重要的,
这就是为什么我们对
机器的智能性要求相当高。
举个例子。
这儿有两个进攻队员和
两个防守队员,
他们准备开始实施挡拆。
那么持球人既可以选择利用挡拆,
也可以放弃挡拆,
他的队友可以拆向篮下,
或撤到一个无人盯防的空位。
防守持球者的人可以上前绕过掩护,
或者从后方绕过掩护。
而他的队友则可以探出补防,或保持
近距离防守,亦或者向后消极防守。
两个防守球员也可以换防,或者包夹。
一开始的时候我也不是很懂这些,
如果每个人都能沿着箭头方向移动,
事情就好办多了。
这会让我们的工作简单很多,
但往往这些移动非常杂乱。
球场上会发生很多突然的变动,
要在查准率和查全率方面
准确识别这些变化
是相当困难的,
但只有这样,
才能让专业教练相信你的技术。
尽管在准确的时空特性识别上
困难重重,
我们还是成功地做到了。
教练相信我们的机器
能够识别这些变化。
目前,我们已经推出了
相关的识别软件,几乎每个
觊觎今年NBA总冠军的球队,
都在使用我们的这款软件,
其功能就是通过机器
识别篮球领域的移动。
不仅如此,
我们还对如何改善战术提供建议,
并帮助球队赢得过重要的比赛。
能够让联盟中执教30年的
老教练愿意听取
机器提供的意见,这太让人激动了。
不仅仅局限于挡拆,
更让我们兴奋的是
我们让电脑从简单的事情着手,
逐渐学会了更复杂的事物,
如今它已经掌握了丰富的知识。
老实说,我不大明白它是怎么做到的,
不过就算比我聪明也没什么特别的,
但我们在想,
机器能否比教练懂得更多呢?
它能比人类懂得更多吗?
事实上,答案是肯定的。
教练想让球员投出好球。
所以如果我站在篮筐旁边,
周围没人,这就是好的投篮时机。
如果我站得远,而且被对方包围住,
通常来讲这球投不进。
但我们无法定量衡量这个“好”有多好,
“差”有多差,
但现在不同了。
同样,我们能做的就是利用时空特性
来分析每次投篮。
我们可以看到:在哪里投篮?
投篮的角度是多少?
防守方的站位?
他们间的距离,
以及角度如何?
防守球员不止一名的情况下,
我们能够通过观察球员的移动
来预测投篮类型。
我们可以根据他们的速度
建立一个模型,
预测在这些情况下,进球的可能性。
为什么这一点很重要?
因为我们可以通过分析投篮
这一单一行为得到
不同以往的两种信息:
投篮的质量,以及投手的质量。
我们可以看一下这个气泡图,
没有气泡图,还算什么TED呢?
(笑声)
这些气泡都是NBA球员。
大小代表球员的体型,
颜色代表他们的位置。
x轴代表投篮的命中率。
靠左的球员偏向勉强投篮,
靠右的球员会在有空当时才出手。
Y轴代表的是投篮质量。
好投手在上面,较差的在下面。
举个例子,有一个球员的
投篮命中率是47%,
以前你只能知道这么多。
但如今,我能告诉你NBA球员投篮的
平均命中率是49%,
他还低了两个百分点。
因为我们要在众多47%的
球员中选择一个。
那么重点就在于要搞清楚
让你支付了一大笔美金的人
到底是个经常勉强投篮的神投手,
还是一个愿意空位出手的差投手。
机器分析不只改变了
我们对球员的看法,
也改变了我们看待比赛的方式。
几年前有一场很激烈的NBA总决赛,
迈阿密落后三分,只剩20秒了。
他们将要失去总冠军了。
一位叫勒布朗詹姆斯的年轻人
上去想投个三分追平。
但他没投中。
他的队友克里斯波什拿到篮板,
传给另一个队友雷阿伦。
他投中了个三分,比赛进入加时。
最后他们赢了比赛,得了总冠军。
这是篮球比赛中
最激动人心的时刻之一。
而我们能知道每个球员在每一刻的
投篮命中率
以及抢到篮板的可能性,
这种能力是前所未有的。
有点可惜,
我无法给大家展示这个精彩片段。
但为了在座的各位,我们在三周前的
篮球周赛上重塑了那经典一刻。
(笑声)
我们也重新加入了
电脑追踪数据的演示。
这就是我和同事们,
在洛杉矶的唐人街,
我们每周都会去打球的公园,
我们在重塑雷阿伦时刻,
所有的轨迹都与之相关。
就是这个投篮。
你们会看到这一经典时刻,
以及这一刻背后都发生了什么。
唯一的不同就是
我们取代了专业球员,
而我取代了专业讲解员。
大家请见谅。
迈阿密。
落后三分。
还有20秒。
杰夫带球。
约什接球,三分出手!
[计算命中率]
[投篮质量]
[篮板球概率]
进不了!
[篮板球概率]
诺尔的篮板。
传回给达丽亚。
[投篮质量]
球进了——三分!
打平了,还剩5秒。
观众们沸腾了!
(笑声)
真实情况大概就是这样。
(掌声)
差不多。
(掌声)
在NBA有9%的概率
会发生这样的时刻,
我们知道的还有很多。
我是不会告诉你们
我们尝试了多少次才成功的。
(笑声)
好吧,我还是说吧,四次。
(笑声)
达丽亚,三分球还得努力啊。
但那段视频以及我们对
每场NBA比赛的细微观察
并不是重点。
事实上,你无需组建
一个专业团队才能追踪移动。
你也无需成为专业运动员
去理解那些移动。
而且,这不仅限于运动,
因为我们无时不刻不在移动。
我们在家里,
在办公室里来回走动,
我们也在世界各地
各个城市
购物旅行。
我们能发现什么?
我们能学到什么?
或许,除了识别挡拆,
机器还能识别某些时刻,
让我知道我女儿何时
迈出她的第一步。
她现在随时都有可能学会走路。
或许我们能合理地利用我们的建筑物,
更加好地规划我们的城市。
我相信随着移动圆点这一科学的发展,
我们能更好地移动,
更智能地移动,一路向前。
谢谢大家。
(掌声)
我同事和我對移動的點
背後的科學非常著迷。
這些點是什麼?
是我們每一個人。
我們在家、在辦公室裡走動,
在整個城市裡、
甚至世界各地旅遊和購物。
我們若能夠瞭解這些動作,
不是很棒嗎?
如果能從中找出模式、
意義和背後意涵的話。
而我們有幸
活在一個擷取自身資訊
非常容易的時代,
無論透過感應器、影片或應用程式,
我們都能非常精細地追蹤自己的動作。
然後我們發現,最適合
獲取動作資訊的一個地方,
就是運動場。
無論是籃球、棒球、橄欖球或足球,
我們都能在場館裡、甚至球員身上
安裝儀器,追蹤他們的動作 --
每個瞬間的動作。
所以我們要做的
就是把運動員變成──
你們大概已經猜到了──
移動的點。
我們收集了海量的移動的點,
但就像大部分的原始數據一樣,
它們不易處理、也不甚有趣。
但藏在數據裡的是,舉例來說,
籃球教練想知道的事。
而問題是他們無法得知這些事,
因為他們得看著每一秒鐘的比賽,
記住內容並處理它。
沒有任何人能做到這件事,
但機器可以。
問題是,機器無法從
教練的角度觀看比賽,
至少在此之前,它們都做不到。
所以我們教會了機器看些什麼呢?
從簡單的開始。
我們教它判斷傳球、
投籃、搶籃板等動作,
一些大部分普通球迷都知道的事。
然後我們進入稍微複雜一點的動作,
像是低位單打、擋切和清空單打。
如果你不知道這些動作,沒關係。
打球的人大概都清楚。
接著,我們到達今天的地步,
機器已經可以讀出複雜的動作,
例如:向下掩護和無球掩護(wide pin),
一些基本上是專業人士才懂的動作。
我們教會了機器
用教練的角度來看比賽。
我們是怎麼做到的?
如果我請教練形容
某個動作,例如擋切,
他們會給我一段敘述,
如果我把這個敘述寫成
一個演算法,大概會慘不忍睹。
擋切在籃球中,恰如
四個球員之間的舞蹈,
兩個進攻方、兩個防守方。
大概是這樣的過程:
有一個未持球的進攻球員
他跑到持球球員的旁邊幫他掩護,
在原地稍作停留,
然後他們都移動,事情就發生了
——嗒啦——這就是擋拆。
(笑聲)
剛剛我示範了一個差勁的演算法。
如果擋人那名球員──我們稱掩護者──
慢慢靠近,但他並未停留,
這可能就不是擋切。
或是他有停留,但距離不夠近,
這可能也不是擋切。
或是他慢慢靠近、也確實停留,
但這發生在籃下,可能也不是擋切。
也可能我判斷錯誤,這些全都是擋切。
這一切取決於精確的
時機、距離和位置,
這也正是困難的地方。
很幸運地,透過機器學習技術,
我們得以用超越自己的能力,
來描述我們知道的事情。
如何做到這個技術?舉個例。
我們跑到機器面前說:「早安,機器。
這裡有些擋切的例子,
也有些不是的例子。
請找出區分它們的方式。」
而一切的關鍵在於找到
可以進行區別的特徵。
如果我要教它區分
蘋果和橘子的差異,
我可能會說:
「不妨用顏色或形狀來區分?」
而我們要解決的問題是,
類似這樣的特徵是什麼?
哪些是能讓電腦判讀這些移動的點時,
能暢行無阻的重要特徵?
所以搞清楚每件事情的關聯──
包含相對和絕對位置、
距離、時機、速率──
絕對是研究這些移動的點的重要關鍵,
或者用我們喜歡的稱呼方式:
「時空模式識別」這樣的學術用語。
因為最重要的是,
必須讓它聽起來很難,
因為它真的很難。
重要的是,對NBA教練來說,
他們想知道的
不是擋切是否發生,
而是擋切是怎麼發生的。
為什麼這對他們如此重要?
這裡有一些發現。
原來在現代籃球中,
擋切可能就是最重要的戰術。
知道如何執行、如何防守擋切,
基本上是大部分比賽輸贏的關鍵。
所以結果是,擋切這種舞步變化多端,
真正重要的是要辨別這些變化,
所以我們需要有非常完善的演算法。
這裡有個例子。
兩個進攻球員和兩個防守球員
準備進行擋切的攻防,
持球者可以選擇利用或拒絕擋切,
他的隊友則可以選擇切入或後撤。
防守持球者的球員可選擇
從前繞開、或從後繞開。
他的隊友可選擇上前補防、
隨球盯人或向後消極防守,
他們也可以選擇換防或夾擊。
一開始我並不知道大部分的動作,
覺得如果大家能照那些箭頭
的方向移動就太棒了,
這會讓我們的生活更加容易;
但我們的動作往往非常雜亂。
人的動作有大量扭動,要在精準度和完整度上
精確辨識這些變化,是相當困難的,
因為唯有如此,
才能取得專業教練的信任。
而儘管找到這些正確的
時空特徵困難重重,
我們還是做到了。
教練們信任我們機器
辨識這些變化的能力。
我們已經達到,今年幾乎每一個
爭奪NBA冠軍的隊伍
都在使用我們的軟體,
安裝在可以讀懂籃球場上
移動的點的機器裡。
不只如此,這些隊伍也根據
我們的建議改變一些戰術,
幫助他們贏了一些很重要的比賽,
這令人感到非常興奮,
因為我們讓這些在聯盟裡
打滾了30年的教練,
願意聽一台機器的建議。
不只擋切戰術,更讓我們興奮的是,
我們的電腦從簡單的開始,
學會越來越複雜的動作,
現在它已經有豐富的知識。
老實說,它懂得已經比我多了,
但由於比我聰明也沒什麼特別的,
我們更想知道,
機器有可能懂得比教練還多嗎?
可能懂得比人類還多嗎?
結果答案是:可以。
教練都希望球員掌握好的投籃時機,
如果離籃框很近,
旁邊沒人防守,就是好的投籃時機。
如果我離籃框很遠,又被防守者包圍,
通常就是很差的投籃時機。
但我們從來無法從量化數據得知,
「好」有多好、「差」有多差。
但現在不同了。
所以我們可以,同樣地,
利用時空特徵條件,
檢視每一次投籃。
我們可以得知:投籃位置在哪?
和籃框的角度是幾度?
防守者站在哪裡?距離多少?
角度多大?
防守者不只一個時,
我們可以觀察球員如何移動
來預測投籃類型。
我們可以觀察速率,建立一個可以預測
在此情況下的命中率模型。
為什麼這很重要?
我們可以將投籃
這種過去的單一行為,轉化為兩件事:
投籃動作本身的品質,和投籃者的品質。
這裡有一張泡泡圖,
沒有泡泡圖還像TED嗎?
(笑聲)
這些都是NBA球員。
泡泡大小代表球員體型大小,
顏色代表他打的位置。
X軸是進球的機率,
左邊的球員做了許多勉強的投籃動作,
右邊的球員在有空檔時才會出手。
Y軸是球員的投籃能力,
擅長投籃的球員在上方,
不擅長的在下方。
舉例來說,如果有個球員,
平均命中率大約47%,
這是過去所有你知道的資訊。
但今天,我能告訴你以
這個球員出手投籃的狀況,
NBA球員的平均命中率是49%,
他比平均低了2%。
這之所以重要,是因為
有這麼多47%命中率的球員。
重點就是要搞清楚,
如果你要用100美金
簽下一個47%的球員,
應該要找能投得準但出手時機不佳的,
還是不那麼準但出手時機很好的球員。
機器的理解力不只改變了
我們對球員的看法,
也改變了我們對比賽的看法。
兩年前在NBA總冠軍系列戰,
有一場非常刺激的比賽。
邁阿密熱火隊落後3分,
時間還剩20秒。
他們即將把冠軍拱手讓人。
一位叫勒布朗·詹姆士的先生
出手一顆三分球企圖追平比賽,
球沒進。
他的隊友克里斯·波許搶到籃板,
傳給另一位隊友雷·艾倫。
他命中了一顆三分球,
將比賽帶入延長賽,
最後他們贏了比賽,拿到冠軍。
這是籃球場上最刺激的球賽之一。
而因為我們可以得知每一個球員
在每一秒鐘投進的機率,
以及每一秒鐘他們搶到籃板的機率,
讓我們得以用前所未有的方式
窺見這個時刻的全貌。
很可惜,現在我無法播放那段影片,
但為了各位,我們重建了那個時刻,
就在大約三週前
我們每週例行的籃球比賽裡。
(笑聲)
我們也重建了讓我們窺見
比賽全貌的追蹤數據。
所以,這就是我們,
在洛杉磯的中國城,
我們每週都在這個公園比賽。
我們正在重建雷·艾倫的經典時刻,
以及所有相關的追蹤數據。
這就是那經典的一球。
我將和各位展示那個時刻,
以及那個時刻背後的一切。
唯一的不同是,表演者是我們,
不是那些職業球員。
還有是我在播報,不是職業播報員,
所以請大家見諒。
邁阿密熱火。
3分落後。
剩下20秒。
傑夫帶球過來。
喬許接到了球,三分出手!
[計算命中率]
[投籃品質]
[籃板機率]
球沒進!
[籃板機率]
諾爾搶到籃板。
向後傳給朵莉雅。
[投籃品質]
她三分出手... 球進!
追平比賽,剩下5秒!
觀眾陷入瘋狂。
(笑聲)
事情大概就是這樣發生的。
(掌聲)
大概啦。
(掌聲)
這個時刻發生在NBA
賽場上的機率大約是9%,
我們能算出這件事
和其他許多事的機率。
我絕對不會告訴各位
我們試了幾次才成功。
(笑聲)
好啦,告訴你們,四次。
(笑聲)
幹得不錯,朵莉雅。
但重要的並不是這則影片,
也不是它對NBA每場比賽
每一秒鐘的意涵。
重要的是,不是只有職業球隊
才能追蹤人的動作,
也不是只有職業球員
才需要這些動作背後的意涵。
事實上,它也不是只能應用在運動場上,
因為我們隨時都不斷地在各地移動。
我們在家裡移動、
在辦公室裡移動、
購物和旅遊、
穿梭在我們的城市裡
以及全世界。
我們可以知道什麼?可以學到什麼?
或許,除了辨識擋切戰術之外,
機器還能辨識出感動時刻,讓我知道
我女兒何時踏出她的第一步。
這真的是每一秒鐘都可能發生的事。
或許我們能夠學會更善加
利用建築物、做更好的都市規劃。
我相信藉由移動的點的科學進步,
我們將能更好地移動、更聰明地移動,
並真正向未來移動。
非常感謝各位。
(掌聲)