YouTube

Got a YouTube account?

New: enable viewer-created translations and captions on your YouTube channel!

Greek subtitles

← Τα μαθηματικά πίσω από τις πιο έξαλλες κινήσεις του μπάσκετ

Get Embed Code
29 Languages

Showing Revision 12 created 07/18/2019 by Chryssa R. Takahashi.

  1. Οι συνεργάτες μου κι εγώ έχουμε γοητευτεί
    από την επιστήμη των κινούμενων κουκκίδων.

  2. Τι είναι αυτές οι κουκκίδες;
    Βασικά, είμαστε όλοι εμείς.
  3. Κινούμαστε στα σπίτια ή τα γραφεία μας,
    καθώς ψωνίζουμε και ταξιδεύουμε
  4. μέσα στις πόλεις μας
    αλλά και σε όλο τον κόσμο
  5. Δεν θα ήταν καταπληκτικό αν μπορούσαμε
    να κατανοήσουμε όλες αυτές τις κινήσεις;
  6. Αν μπορούσαμε να βρούμε μοτίβα,
    νόημα και επίγνωση σε αυτήν;
  7. Ευτυχώς για μας, ζούμε σε μία εποχή,
  8. στην οποία μπορούμε να μαζεύουμε
    πληροφορίες για τους εαυτούς μας.
  9. Είτε μέσα από αισθητήρες,
    βίντεο ή εφαρμογές
  10. μπορούμε να παρακολουθήσουμε
    τις κινήσεις μας με απίστευτη λεπτομέρεια
  11. Ένα από τα μέρη όπου έχουμε
    τα καλύτερα δεδομένα σχετικά με την κίνηση

  12. είναι τα αθλήματα.
  13. Είτε μπάσκετ, είτε μπέιζμπολ,
    είτε ποδόσφαιρο, είτε το άλλο ποδόσφαιρο,
  14. εξοπλίζουμε τα στάδια και τους παίκτες
    για να καταγράφουμε τις κινήσεις τους
  15. σε κάθε κλάσμα του δευτερολέπτου.
  16. Αυτό που κάνουμε είναι ότι
    μετατρέπουμε τους αθλητές μας σε --
  17. μάλλον το μαντέψατε --
  18. κινούμενες κουκκίδες.
  19. Έχουμε πληθώρα κινούμενων κουκκίδων και
    όπως τα περισσότερα ακατέργαστα δεδομένα,

  20. η επεξεργασία τους είναι δύσκολη
    και όχι πολύ ενδιαφέρουσα.
  21. Αλλά οι προπονητές του μπάσκετ π.χ.
    θέλουν να γνωρίζουν κάποια πράγματα,
  22. αλλά δεν μπορούν, διότι πρέπει
    να παρακολουθούν κάθε δευτερόλεπτο
  23. κάθε παιχνιδιού, να τα θυμούνται
    και να τα επεξεργάζονται.
  24. Αυτό δεν μπορεί να το κάνει ένας άνθρωπος,
    αλλά μπορεί να το κάνει ένας υπολογιστής.
  25. Όμως οι υπολογιστές δεν μπορούν να δουν
    το παιχνίδι όπως ένας προπονητής.
  26. Ή τουλάχιστον, δεν μπορούσαν μέχρι τώρα.
  27. Τι διδάξαμε τους υπολογιστές να βλέπουν;
  28. Ξεκινήσαμε απλά.

  29. Τους μάθαμε τις πάσες,
    τα σουτ και τα ριμπάουντ,
  30. αυτά που γνωρίζουν
    οι περισσότεροι φίλαθλοι.
  31. Μετά περάσαμε σε λίγο
    πιο περίπλοκα πράγματα,
  32. όπως τα ποσταρίσματα, τα πικ εν ρολ
    και το παιχνίδι απομόνωσης.
  33. Αν δεν τα ξέρετε, δεν πειράζει. Όσοι
    παίζουν κάπου-κάπου μάλλον τα γνωρίζουν.
  34. Σήμερα, έχουμε φτάσει στο σημείο όπου
    οι μηχανές καταλαβαίνουν σύνθετα γεγονότα
  35. όπως κάτω σκριν και wide pin,
  36. πράγματα που γνωρίζουν
    μόνον οι επαγγελματίες.
  37. Μάθαμε, δηλαδή, στους υπολογιστές
    να βλέπουν με τα μάτια ενός προπονητή.
  38. Πώς το κάναμε αυτό;

  39. Αν ζητούσα από έναν προπονητή
    να μου περιγράψει κάτι σαν το πικ εν ρολ,
  40. θα μου έδινε μια περιγραφή,
  41. και αν προσπαθούσα να τη μετατρέψω σε
    αλγόριθμο, το αποτέλεσμα θα ήταν τραγικό.
  42. Το πικ εν ρολ είναι ένα είδος χορογραφίας
    ανάμεσα σε τέσσερις παίκτες,
  43. δύο επιτιθέμενους και δύο αμυνόμενους.
  44. Είναι κάπως έτσι.
  45. Αυτός είναι ο επιθετικός χωρίς την μπάλα
  46. και πηγαίνει δίπλα στον παίκτη,
    που μαρκάρει τον παίκτη με την μπάλα
  47. και μένει εκεί
  48. και κινούνται και οι δύο και συμβαίνουν
    διάφορα και αυτό είναι το πικ εν ρολ.
  49. (Γέλια)

  50. Επίσης είναι ένα παράδειγμα
    άθλιου αλγορίθμου.

  51. Αν ο παίκτης που παρεμβάλλεται
    -- ονομάζεται σκρίνερ --
  52. πλησιάζει, αλλά δεν σταματά,
  53. μάλλον δεν είναι πικ εν ρολ.
  54. Ή αν σταματά, αλλά
    δεν σταματά αρκετά κοντά,
  55. μάλλον δεν είναι πικ εν ρολ.
  56. Ή αν πλησιάζει αρκετά και σταματά,
  57. αλλά το κάνει κάτω από το καλάθι,
    μάλλον δεν είναι πικ εν ρολ.
  58. Ή ίσως κάνω λάθος,
    ίσως όλα αυτά είναι πικ εν ρολ.
  59. Εξαρτάται από τον ακριβή χρονισμό,
    τις αποστάσεις, τις θέσεις
  60. και αυτό είναι που το κάνει δύσκολο.
  61. Ευτυχώς με τη μηχανική μάθηση,
    μπορούμε να υπερβούμε την ικανότητά μας
  62. να περιγράφουμε πράγματα που γνωρίζουμε.
  63. Πώς δουλεύει; Είναι πολύ απλό.

  64. Πηγαίνουμε σε έναν υπολογιστή
    και λέμε «Καλημέρα, υπολογιστή.
  65. Ορίστε μερικά πικ εν ρολ
    και κάποια πράγματα που δεν είναι.
  66. Σε παρακαλώ βρες
    έναν τρόπο να τα ξεχωρίζεις».
  67. Το κλειδί είναι να βρει χαρακτηριστικά,
    που το βοηθούν να τα ξεχωρίσει.
  68. Έτσι, αν προσπαθούσα
    να του μάθω τη διαφορά
  69. ανάμεσα σε ένα μήλο και ένα πορτοκάλι,
  70. θα του έλεγα «Χρησιμοποίησε
    το χρώμα ή το σχήμα».
  71. Στο πρόβλημα που λύνουμε,
    ποια είναι αυτά τα χαρακτηριστικά;
  72. Ποια είναι τα χαρακτηριστικά
  73. που επιτρέπουν σε έναν ΗΥ να πλοηγείται
    στον κόσμο των κινούμενων κουκκίδων;
  74. Συνεπώς ο υπολογισμός των σχέσεων
    ανάμεσα στη σχετική και απόλυτη θέση,
  75. την απόσταση, τον χρονισμό, τις ταχύτητες,
  76. αυτό είναι το κλειδί της επιστήμης
    των κινούμενων κουκκίδων ή όπως την λέμε
  77. στην ακαδημαϊκή διάλεκτο,
    χωροχρονική αναγνώριση προτύπων.
  78. Επειδή κατ' αρχάς πρέπει να
    το κάνουμε να ακούγεται δύσκολο --
  79. διότι είναι δύσκολο.
  80. Για τους προπονητές του NBA,
    το σημαντικό δεν είναι να γνωρίζουν

  81. αν έγινε ή δεν έγινε ένα πικ εν ρολ,
  82. αλλά να γνωρίζουν πώς έγινε.
  83. Και γιατί αυτό είναι τόσο σημαντικό;
  84. Θα σας πω μια πληροφορία εκ των έσω.
  85. Στο σύγχρονο μπάσκετ το πικ εν ρολ
    είναι ίσως η πιο σημαντική κίνηση.
  86. Το να ξέρουμε πώς να το κάνουμε
    και πώς να το αντιμετωπίζουμε,
  87. είναι το κλειδί για να νικήσουμε
    τα περισσότερα παιχνίδια.
  88. Αποδεικνύεται ότι αυτός ο χορός
    έχει πολλές σημαντικές παραλλαγές
  89. και η αναγνώριση των παραλλαγών
    είναι πραγματικά αυτό που έχει σημασία
  90. και γι' αυτό πρέπει να
    την κάνουμε πάρα πολύ καλά.
  91. Ορίστε ένα παράδειγμα.

  92. Υπάρχουν δύο επιτιθέμενοι
    και δύο αμυνόμενοι παίκτες
  93. ετοιμάζονται να χορέψουν
    στον ρυθμό του πικ εν ρολ.
  94. Ο παίκτης με την μπάλα, μπορεί
    να το χρησιμοποιήσει ή όχι
  95. Ο συμπαίκτης του μπορεί
    είτε να ρολάρει, είτε να βγει έξω.
  96. Ο αμυνόμενος που μαρκάρει την μπάλα
    μπορεί να πάει πάνω ή κάτω.
  97. Ο συμπαίκτης του μπορεί είτε να
    παίξει εξ επαφής, είτε από μακριά
  98. και οι δυο τους μπορούν είτε
    να αλλάξουν παίκτη είτε όχι.
  99. Δεν ήξερα τα περισσότερα
    από αυτά όταν ξεκίνησα
  100. και θα ήταν υπέροχα αν όλοι
    κινούνταν σύμφωνα με αυτά τα βέλη.
  101. Θα έκανε τις ζωές μας ευκολότερες, αλλά
    τελικά οι κινήσεις είναι πολύ μπερδεμένες.
  102. Οι παίκτες κινούνται πέρα δώθε και
    η αναγνώριση αυτών των κινήσεων
  103. με πολύ μεγάλη επιτυχία
  104. και στην ακρίβεια και
    στην ανάκληση είναι δύσκολη
  105. διότι αυτό απαιτείται για να σας
    εμπιστευτεί ένας επαγγελματίας κόουτς.
  106. Παρόλες τις δυσκολίες με τα κατάλληλα
    χωροχρονικά χαρακτηριστικά
  107. τα καταφέραμε.
  108. Οι προπονητές εμπιστεύονται την ικανότητα
    της μηχανής να αναγνωρίζει τις κινήσεις.

  109. Βρισκόμαστε σε ένα σημείο,
    όπου σχεδόν κάθε διεκδικητής
  110. του πρωταθλήματος του NBA φέτος
  111. χρησιμοποιεί το λογισμικό μας κάνει
    έναν υπολογιστή να καταλαβαίνει
  112. τις κινούμενες κουκκίδες του μπάσκετ.
  113. Και όχι μόνο αυτό, αλλά έχουμε δώσει
    συμβουλές που έχουν αλλάξει στρατηγικές,
  114. που έχουν βοηθήσει ομάδες
    να κερδίσουν πολύ σημαντικά παιχνίδια
  115. και είναι πολύ συναρπαστικό,
    διότι στο πρωτάθλημα υπάρχουν κόουτς
  116. με εμπειρία 30 ετών και είναι πρόθυμοι
    να πάρουν συμβουλές από μία μηχανή.
  117. Και είναι πολύ συναρπαστικό,
    δεν είναι μόνο το πικ εν ρολ.
  118. Ο υπολογιστής μας ξεκίνησε
    με απλά πράγματα
  119. και έμαθε περισσότερα
    και πιο πολύπλοκα πράγματα
  120. και τώρα γνωρίζει πάρα πολλά.
  121. Στα αλήθεια, δεν καταλαβαίνω
    πολλά από όσα κάνει
  122. και παρότι δεν είναι τίποτα το ιδιαίτερο
    κάποιος να είναι πιο έξυπνος από εμένα,
  123. αναρωτιόμασταν αν ένα μηχάνημα μπορεί
    να γνωρίζει πιο πολλά από έναν προπονητή.
  124. Μπορεί να γνωρίζει
    περισσότερα από έναν άνθρωπο;
  125. Η απάντηση είναι ναι.
  126. Οι προπονητές θέλουν οι παίκτες τους
    να κάνουν καλά σουτ.

  127. Αν στέκομαι δίπλα στο καλάθι
  128. και δεν είναι κανείς δίπλα μου,
    το σουτ είναι καλό.
  129. Αν είμαι μακριά και περικυκλωμένος από
    αμυνόμενους, αυτό είναι γενικά κακό σουτ.
  130. Αλλά ποτέ δεν ξέραμε πόσο καλό είναι το
    καλό ή πόσο κακό είναι το κακό ποσοτικά.
  131. Μέχρι τώρα.
  132. Αυτό που κάναμε, πάλι χρησιμοποιώντας
    χωροχρονικά χαρακτηριστικά

  133. ήταν να δούμε κάθε σουτ.
  134. Μπορούμε να δούμε πού είναι το σουτ.
    Ποια η γωνία του ως προς το καλάθι;
  135. Πού βρίσκονται οι αμυνόμενοι; Πόσο μακριά;
  136. Σε τι γωνίες;
  137. Από το πώς κινείται ένας παίκτης
    απέναντι σε πολλούς αμυντικούς
  138. μπορούμε να προβλέψουμε το είδος του σουτ.
  139. Μπορούμε από τις ταχύτητές τους να
    φτιάξουμε ένα μοντέλο που προβλέπει
  140. την πιθανότητα να μπει το σουτ
    κάτω από τις δεδομένες συνθήκες.
  141. Γιατί είναι αυτό σημαντικό;
  142. Μπορούμε να πάρουμε π.χ. το σουτ,
  143. που προηγουμένως ήταν ένα πράγμα
    και να το κάνουμε δύο:
  144. την ποιότητα του σουτ
    και την ποιότητα του σουτέρ.
  145. Ορίστε ένα διάγραμμα φυσαλίδων -- δεν
    θα ήταν TED χωρίς διάγραμμα φυσαλίδων --
  146. (Γέλιο)

  147. Αυτοί είναι παίκτες του NBA.

  148. Το μέγεθος είναι το ύψος
    του παίκτη και το χρώμα είναι η θέση.
  149. Στον άξονα χ έχουμε
    την πιθανότητα ευστοχίας.
  150. Οι παίκτες στα αριστερά
    κάνουν δύσκολα σουτ,
  151. στα δεξιά κάνουν εύκολα σουτ.
  152. Στον [άξονα ψ] είναι
    η ικανότητα στο σουτ.
  153. Όσοι είναι καλοί είναι ψηλά,
    οι κακοί είναι χαμηλά.
  154. Για παράδειγμα, αν υπήρχε ένας παίκτης
  155. που γενικά είχε ευστοχία 47%,
  156. αυτό ήταν το μόνο που γνωρίζαμε παλιά.
  157. Σήμερα μπορώ να σας πω ότι αυτός ο παίκτης
    κάνει σουτ, που ένας μέσος παίκτης του NBA
  158. θα έκανε με ευστοχία 49%
  159. και είναι λιγότερο εύστοχος κατά 2%.
  160. Αυτό είναι σημαντικό διότι
    υπάρχουν πολλοί 47άρηδες.
  161. Άρα είναι σημαντικό να γνωρίζουμε
  162. αν ο 47άρης στον οποίο σκέφτεστε
    να δώσετε 100 εκατομμύρια δολάρια
  163. είναι ένας καλός σουτέρ,
    που κάνει δύσκολα σουτ
  164. ή ένας κακός σουτέρ που κάνει εύκολα σουτ.
  165. Η μηχανική κατανόηση δεν αλλάζει
    απλά το πώς βλέπουμε τους παίκτες,
  166. αλλάζει το πώς βλέπουμε το παιχνίδι.
  167. Πριν από δύο χρόνια, είχε γίνει εκείνος
    ο συναρπαστικός τελικός του NBA.

  168. Το Μαϊάμι έχανε 3 πόντους
    και είχαν απομείνει 20 δευτερόλεπτα.
  169. Θα έχαναν το πρωτάθλημα.
  170. Ένας κύριος, ονόματι Λεμπρόν Τζέιμς,
    σούταρε τρίποντο για να ισοφαρίσει.
  171. Αστόχησε.
  172. Ένας συμπαίκτης του,
    ο Κρις Μπος, πήρε το ρημπάουντ
  173. και πάσαρε στον Ρέι Άλεν,
  174. αυτός έβαλε τρίποντο
    και πήγαν στην παράταση.
  175. Κέρδισαν το παιχνίδι και το πρωτάθλημα.
  176. Ήταν ένα από τα πιο συναρπαστικά
    παιχνίδια μπάσκετ.
  177. Η ικανότητά μας να γνωρίζουμε
    την πιθανότητα ευστοχίας κάθε παίχτη
  178. σε κάθε δευτερόλεπτο
  179. και την πιθανότητα να πάρουν
    ένα ρημπάουντ κάθε δευτερόλεπτο
  180. μπορούν να διαφωτίσουν αυτήν τη φάση όπως
    δεν μπορούσε να γίνει ποτέ στο παρελθόν.
  181. Δυστυχώς δεν μπορώ να
    σας δείξω εκείνο το βίντεο.
  182. Αλλά ειδικά για σας
    αναπαράξαμε εκείνη τη φάση
  183. στο εβδομαδιαίο μας παιχνίδι
    μπάσκετ πριν από 3 εβδομάδες.
  184. (Γέλια)

  185. Και αναπαράξαμε όλη τη φάση,
    που οδήγησε σε αυτές τις πληροφορίες.

  186. Να το. Είναι στην Τσάινα Τάουν
    του Λος Άντζελες,
  187. ένα πάρκο όπου παίζουμε κάθε εβδομάδα
  188. να κι εμείς, που αναπαράγουμε
    τη στιγμή του Ρέι Άλεν
  189. και όλη τη φάση, που προηγείται.
  190. Να και το σουτ
  191. Θα σας δείξω αυτήν τη στιγμή
  192. και όλες τις πληροφορίες
    αυτής της στιγμής.
  193. Η μόνη διαφορά είναι ότι αντί
    για επαγγελματίες παίκτες, παίζουμε εμείς
  194. και αντί για επαγγελματία
    εκφωνητή, θα μιλάω εγώ.
  195. Υποστείτε με λιγάκι.
  196. Μαϊάμι.

  197. Χάνουν με τρεις.
  198. Απομένουν 20''.
  199. Ο Τζεφ επαναφέρει την μπάλα.
  200. Ο Τζος την πιάνει και σουτάρει τρίποντο!
  201. (Υπολογισμός πιθανότητας ευστοχίας)

  202. (Ποιότητα σουτ)

  203. (Υπολογισμός πιθανότητας ριμπάουντ)

  204. Δεν μπήκε!

  205. (Υπολογισμός πιθανότητας ριμπάουντ)

  206. Ριμπάουντ ο Νοέλ.

  207. Πασάρει στην Ντάρια.
  208. (Ποιότητα σουτ)

  209. Σουτάρει τρίποντο -- μέσα!

  210. Ισοπαλία με 5 δευτερόλεπτα να απομένουν.
  211. Το πλήθος είναι σε παροξυσμό.
  212. (Γέλιο)

  213. Έτσι έγινε περίπου.

  214. (Χειροκρότημα)

  215. Στο περίπου.

  216. (Χειροκρότημα)

  217. Αυτή η στιγμή είχε πιθανότητα
    περίπου 9% να συμβεί στο NBA
  218. και το γνωρίζουμε κι αυτό
    και πολλά άλλα πράγματα.
  219. Δεν θα σας πω πόσες φορές
    προσπαθήσαμε για να το καταφέρουμε.
  220. (Χειροκρότημα)

  221. Εντάξει, θα σας πω. Τέσσερις φορές.

  222. (Χειροκρότημα)

  223. Μπράβο, Ντάρια.

  224. Το σημαντικό για αυτό το βίντεο και
    την επίγνωση που έχουμε

  225. για κάθε δευτερόλεπτο κάθε παιχνιδιού
    του NBA, δεν είναι αυτό.
  226. Είναι ότι δεν χρειάζεται να είστε ομάδα
    του NBA για να παρακολουθείτε την κίνηση
  227. ή να είστε επαγγελματίας παίκτης
    για να έχετε επίγνωση για τις κινήσεις.
  228. Δεν είναι καν απαραίτητο να πρόκειται
    για σπορ, αφού κινούμαστε παντού.

  229. Κινούμαστε στα σπίτια μας,
  230. στα γραφεία μας,
  231. καθώς ψωνίζουμε και ταξιδεύουμε
  232. μέσα στις πόλεις μας
  233. και σε όλον τον κόσμο
  234. Τι θα γνωρίζουμε; Τι θα μάθουμε;
  235. Ίσως αντί να αναγνωρίζει τα πικ εν ρολ,
  236. ένας υπολογιστής αναγνωρίσει
    και με ενημερώσει για τη στιγμή,
  237. που η κόρη μου κάνει τα πρώτα της βήματα,
  238. κάτι που είναι κυριολεκτικά πιθανό
    να συμβεί ανά πάσα στιγμή.
  239. Ίσως μάθουμε να χρησιμοποιούμε
    καλύτερα τα κτίριά μας,

  240. να σχεδιάζουμε καλύτερα τις πόλεις μας.
  241. Πιστεύω ότι με την εξέλιξη της επιστήμης
    των κινούμενων κουκκίδων,
  242. θα μπορούμε να κινούμαστε καλύτερα,
    γρηγορότερα, να κινούμαστε προς τα εμπρός.
  243. Σας ευχαριστώ.

  244. (Χειροκρότημα)