Matek a kosárlabdázás legvadabb mozgásainak hátterében

A kosárlabdázás gyors mozgással, rögtönzéssel, érintkezéssel és ... hm — térbeli-időbeli mintafelismeréssel járó játék. Rajiv Maheswaran és munkatársai elemzik a játékban előforduló mozgásokat, hogy ezzel segítsék az edzőket és a játékosokat az ösztönös mozgások és az új adatok kombinálásában. Amit megtanultak, ráadásul még abban is segít bennünket, hogy megismerjük, hogyan mozgunk mi, emberek.

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)