Die Formeln hinter den kompliziertesten Spielzügen im Basketball

Basketball ist ein schnelles Spiel voller Improvisation, Kontakt und, ähem, spatiotemporaler Mustererkennung. Rajiv Maheswaran und seine Kollegen analysieren die Bewegung hinter den wichtigsten Spielzügen. Damit ermöglichen sie Trainern sowie Spielern, Intuition mit neuen Daten zu verknüpfen. Pluspunkt: Ihre Erkenntnisse daraus helfen uns zu verstehen, wie sich Menschen überall auf der Welt bewegen.

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)