Matematyka najbardziej szalonych zagrań w koszykówce
-
0:01 - 0:05Ja i moi koledzy fascynujemy się
nauką o punktach w ruchu. -
0:05 - 0:06Czym są te punkty?
-
0:06 - 0:07Każdym z nas.
-
0:07 - 0:12Przemieszczamy się w domach,
biurach, podczas zakupów i podróży, -
0:13 - 0:15w miastach i dookoła świata.
-
0:15 - 0:19Czy nie byłoby świetnie
zrozumieć ten ruch? -
0:19 - 0:22Poznać jego schematy i głębszy sens?
-
0:22 - 0:24Na szczęście żyjemy w czasach,
-
0:24 - 0:29w których łatwo można
rejestrować informacje o sobie. -
0:29 - 0:32Dzięki sensorom, filmom czy aplikacjom
-
0:32 - 0:35można śledzić ruch
z bardzo dużą dokładnością. -
0:36 - 0:41Okazuje się, że dziedziną,
w której mamy najwięcej danych o ruchu, -
0:41 - 0:42jest sport.
-
0:43 - 0:48Czy to koszykówka, baseball,
piłka nożna czy inny sport, -
0:48 - 0:52montujemy na stadionach i graczach
urządzenia do rejestracji ruchu -
0:52 - 0:54w każdym ułamku sekundy.
-
0:54 - 0:58Zamieniamy więc sportowców w...
-
0:58 - 1:00...już pewnie wiecie...
-
1:00 - 1:02...ruchome punkty.
-
1:02 - 1:07Mnóstwo ruchomych punktów,
jak większość surowych danych, -
1:07 - 1:09jest mało interesujące
i trudno je zrozumieć. -
1:09 - 1:13Niektóre przydałyby się na przykład
trenerowi koszykówki, -
1:13 - 1:17ale musiałby wtedy obejrzeć
każdą sekundę każdej gry, -
1:17 - 1:20zapamiętać ją i opracować.
-
1:20 - 1:22Człowiek tego nie potrafi,
-
1:22 - 1:23ale maszyna może.
-
1:24 - 1:27Niestety maszyna nie może
oglądać gry okiem trenera. -
1:27 - 1:30Przynajmniej tak było dotychczas.
-
1:30 - 1:32Jak nauczyliśmy maszynę widzieć?
-
1:34 - 1:35Zaczęliśmy banalnie.
-
1:35 - 1:39Nauczyliśmy ją podań, rzutów i zbiórek.
-
1:39 - 1:42Rzeczy, które zna większość fanów.
-
1:42 - 1:45Następnie przeszliśmy do rzeczy
bardziej skomplikowanych. -
1:45 - 1:49Podań pod kosz, zasłon i odcięć.
-
1:49 - 1:53Jeśli ich nie znasz, nie szkodzi.
Większość graczy je kojarzy. -
1:54 - 1:59Dzisiejsza maszyna
rozumie złożone zagrania, -
1:59 - 2:02na przykład szerokie zasłony
przy liniach końcowych. -
2:02 - 2:05Rzeczy znane tylko profesjonalistom.
-
2:05 - 2:09Nauczyliśmy maszynę
patrzeć oczami trenera. -
2:10 - 2:12Jak to zrobiliśmy?
-
2:13 - 2:16Poproszony o wyjaśnienie zasłony
-
2:16 - 2:17trener podałby mi opis,
-
2:17 - 2:20z którego powstałby
raczej mizerny algorytm. -
2:21 - 2:25Zasłona w koszykówce to taniec
między czterema graczami, -
2:25 - 2:27dwoma w ataku i dwoma w obronie.
-
2:27 - 2:29Tak to mniej więcej wygląda.
-
2:29 - 2:32Mamy atakującego bez piłki,
-
2:32 - 2:35który podbiega do gracza
kryjącego gracza z piłką -
2:35 - 2:36i tam się zatrzymuje,
-
2:36 - 2:40obaj się ruszają, coś się dzieje
i - ta-dam! - mamy zasłonę. -
2:40 - 2:42(Śmiech)
-
2:42 - 2:44To jest właśnie przykład
mizernego algorytmu. -
2:45 - 2:49Jeśli blokujący gracz
nazywany zasłaniającym -
2:49 - 2:52zbliża się do obrońcy,
ale się nie zatrzymuje, -
2:52 - 2:54to pewnie nie jest zasłona.
-
2:55 - 2:59Lub jeśli się zatrzymuje,
ale nie dość blisko, -
2:59 - 3:00to też może nie być zasłona.
-
3:01 - 3:04Lub jeśli zatrzymuje się blisko,
-
3:04 - 3:07ale robi to pod koszem,
to raczej też nie zasłona. -
3:07 - 3:10Albo się mylę i to wszystko są zasłony.
-
3:10 - 3:15To zależy od danego momentu w grze,
odległości, pozycji graczy -
3:15 - 3:16i dlatego jest to takie trudne.
-
3:17 - 3:22Na szczęście uczenie maszynowe pozwala
-
3:22 - 3:23lepiej opisywać znane nam rzeczy.
-
3:23 - 3:26Jak to działa? Dam wam przykład.
-
3:26 - 3:29Znajdujemy maszynę i mówimy:
"Dzień dobry maszyno. -
3:29 - 3:32To są zasłony, a to nie.
-
3:33 - 3:35Naucz się je rozróżniać".
-
3:35 - 3:39Najważniejsze są tu właściwości
umożliwiające rozróżnienie. -
3:39 - 3:40Jeśli miałbym nauczyć maszynę
-
3:40 - 3:42różnicy między jabłkiem, a pomarańczą
-
3:42 - 3:45powiedziałbym: "Skup się
na kolorze i kształcie". -
3:45 - 3:48Naszym zadaniem jest
odnalezienie takich właściwości. -
3:48 - 3:49Które z nich
-
3:49 - 3:52ułatwią maszynie zrozumienie
świata poruszających się punktów? -
3:53 - 3:57Poznanie zależności między względnymi
i bezwzględnymi pozycjami, -
3:57 - 3:59odległościami, czasem i prędkością
-
3:59 - 4:04jest kluczowe w nauce o punktach w ruchu,
nazywanej przez nas w języku akademickim -
4:04 - 4:08rozpoznawaniem schematów
czasoprzestrzennych. -
4:08 - 4:11Nazwa musi być skomplikowana,
bo sama dziedzina -
4:11 - 4:12jest właśnie taka.
-
4:12 - 4:16Trenerzy NBA nie chcą wiedzieć,
czy dane zagranie -
4:16 - 4:17to była zasłona czy nie.
-
4:18 - 4:20Chcą wiedzieć, jak do zagrania doszło.
-
4:20 - 4:23Dlaczego to dla nich takie ważne?
Podpowiem wam. -
4:23 - 4:24W dzisiejszej w koszykówce
-
4:24 - 4:27zasłona to jedno z najważniejszych zagrań.
-
4:27 - 4:30Wiedza, jak je wykonać
i jak się przed nim bronić, -
4:30 - 4:32decyduje w zasadzie o wygranej.
-
4:32 - 4:36Okazuje się, że ten taniec
ma wiele odmian -
4:36 - 4:40i rozróżnianie tych odmian
jest bardzo istotne, -
4:40 - 4:42dlatego musimy być bardzo dokładni.
-
4:43 - 4:44Oto przykład.
-
4:44 - 4:47Dwóch zawodników w ataku
i dwóch w obronie -
4:47 - 4:49przygotowuje się do tańca pick-and-roll.
-
4:49 - 4:52Gracz z piłką może
skorzystać z zasłony lub nie. -
4:52 - 4:55Jego kolega może wbiec pod kosz
lub rzucić z dystansu. -
4:55 - 4:58Kryjący piłkę może
ruszyć przed lub za zasłonę. -
4:58 - 5:03Jego kolega może zachować dystans,
pozostać w kontakcie lub wycofać się, -
5:03 - 5:05a razem mogą podwoić
albo zamienić się w obronie. -
5:05 - 5:08Nie wiedziałem
tego wszystkiego z początku, -
5:08 - 5:12a byłoby świetnie, gdyby wszyscy
ruszali się zgodnie ze strzałkami. -
5:12 - 5:16Byłoby nam łatwiej, ale ruch to chaos.
-
5:16 - 5:21Ludzie wciąż się kręcą
i rozróżnienie tych wszystkich odmian -
5:21 - 5:23z zachowaniem wysokiej dokładności
-
5:23 - 5:25i możliwości odtworzenia
-
5:25 - 5:28jest trudne, ale konieczne,
by przekonać trenerów. -
5:28 - 5:32Pomimo tak wielu
czasoprzestrzennych zależności -
5:32 - 5:33udało się nam.
-
5:33 - 5:37Trenerzy wierzą, że nasze maszyny
rozróżniają wszystkie odmiany zagrań. -
5:37 - 5:40Dzisiaj prawie każda drużyna
-
5:40 - 5:43licząca się w walce o mistrzostwo NBA
-
5:43 - 5:47używa naszych rozwiązań,
opartych na maszynie -
5:47 - 5:49rozumiejącej punkty w ruchu w koszykówce.
-
5:50 - 5:55Dzięki naszym radom drużyny
zmieniają strategie gry -
5:55 - 5:58i wygrywają ważne spotkania.
-
5:58 - 6:02Co ciekawe, nawet trenerzy,
którzy są w lidze od 30 lat, -
6:02 - 6:05są skłonni słuchać rad maszyny.
-
6:06 - 6:09To naprawdę pasjonujące
i nie chodzi tylko o pick-and-roll. -
6:09 - 6:11Nasz komputer zaczynał od rzeczy prostych
-
6:11 - 6:13i przez coraz bardziej skomplikowane
-
6:13 - 6:15nauczył się bardzo wiele.
-
6:15 - 6:17Ja sam nie bardzo to rozumiem.
-
6:17 - 6:21To żadna sztuka być mądrzejszym ode mnie,
-
6:21 - 6:25ale czy maszyna może być
mądrzejsza od trenera? -
6:25 - 6:27Wiedzieć więcej niż człowiek?
-
6:27 - 6:29Okazało się, że tak.
-
6:29 - 6:31Trenerzy chcą, by gracze dobrze rzucali.
-
6:31 - 6:33Jeśli stoję pod koszem
-
6:33 - 6:35i nikt mnie nie kryje, można rzucać.
-
6:35 - 6:39Ale rzucanie z dystansu spośród obrońców
to już nie najlepszy pomysł. -
6:39 - 6:44Wcześniej nie umieliśmy wyliczyć,
jak dobra, czy jak zła jest decyzja. -
6:44 - 6:45Aż dotąd.
-
6:46 - 6:49Używając zależności czasoprzestrzennych
-
6:49 - 6:50badamy każdy rzut.
-
6:50 - 6:53Sprawdzamy, jaki to rzut,
pod jakim kątem do kosza. -
6:53 - 6:56Gdzie są obrońcy. Jak są daleko.
-
6:56 - 6:57Pod jakim kątem stoją.
-
6:57 - 7:00Przy wielu obrońcach umiemy
przyjrzeć się ruchom gracza -
7:00 - 7:02i przewidzieć rodzaj rzutu.
-
7:02 - 7:06Tworzymy model na podstawie ich prędkości,
-
7:06 - 7:10żeby w danej sytuacji
przewidzieć celność rzutu. -
7:10 - 7:12Czemu to takie ważne?
-
7:12 - 7:16Rzucanie było uważane za jedną czynność,
-
7:16 - 7:18ale dziś można je rozbić na dwie:
-
7:18 - 7:20właściwości rzutu
i umiejętności rzucającego. -
7:22 - 7:25Oto wykres bąbelkowy, bo co to za TED
bez wykresu bąbelkowego? -
7:25 - 7:26(Śmiech)
-
7:26 - 7:27To są gracze NBA.
-
7:27 - 7:30Rozmiar to wzrost zawodnika,
kolor to pozycja. -
7:30 - 7:33Oś X to prawdopodobieństwo rzutu.
-
7:33 - 7:35Gracze z lewej oddają trudne rzuty,
-
7:35 - 7:37ci prawej - łatwe.
-
7:37 - 7:39Oś Y przedstawia celność graczy.
-
7:39 - 7:42Najlepsi są na górze, najgorsi na dole.
-
7:42 - 7:44Dla przykładu, jeśli dawniej gracz
-
7:44 - 7:46miał 47% skuteczności rzutów,
-
7:46 - 7:47to tu się nasza wiedza kończyła.
-
7:47 - 7:52Teraz mogę stwierdzić, że oddaje on rzuty,
które dla przeciętnego gracza NBA -
7:52 - 7:54są celne w 49% przypadków
-
7:54 - 7:56i że jest on słabszy o 2%.
-
7:56 - 8:01To ważne, bo jest wielu graczy
ze skutecznością 47%. -
8:02 - 8:04Warto wiedzieć czy gracz,
-
8:04 - 8:08któremu chcemy zapłacić
100 milinów dolarów, -
8:08 - 8:11to dobry rzucający oddający trudne rzuty,
-
8:11 - 8:14czy słaby rzucający oddający rzuty łatwe.
-
8:15 - 8:18Logika maszynowa zmienia nie tylko
nasze postrzeganie graczy, -
8:18 - 8:20ale też samej gry.
-
8:20 - 8:24Dwa lata temu w finałach NBA mieliśmy
bardzo ekscytujący mecz. -
8:24 - 8:27Miami przegrywało 3 punktami,
zostało 20 sekund. -
8:27 - 8:29Byli o włos od przegrania mistrzostwa.
-
8:29 - 8:33Gracz zwany LeBron James
dostał pikę i rzucił za trzy. -
8:33 - 8:34Spudłował.
-
8:34 - 8:36Jego kolega Chris Bosh zebrał
-
8:36 - 8:38i podał do innego kolegi, Raya Allena.
-
8:38 - 8:40On trafił i potrzebna była dogrywka.
-
8:40 - 8:42Miami wygrało mecz a później mistrzostwo.
-
8:42 - 8:45Był to jeden z najbardziej
pasjonujących meczów. -
8:45 - 8:49A fakt, że znamy prawdopodobieństwo
każdego rzutu, każdego gracza -
8:49 - 8:50w każdej sekundzie
-
8:50 - 8:53i prawdopodobieństwo zbiórki
w każdej sekundzie meczu, -
8:53 - 8:57pozwala nam przeanalizować ten moment
w zupełnie nowy sposób. -
8:58 - 9:00Niestety nie mogę
pokazać wam tamtego meczu. -
9:00 - 9:05Ale odtworzyliśmy dla was tamtą chwilę
-
9:05 - 9:07podczas jednego z naszych meczów
3 tygodnie temu. -
9:07 - 9:09(Śmiech)
-
9:10 - 9:13Odtworzyliśmy też metodę obserwacji.
-
9:13 - 9:17Oto my w Chinatown w Los Angeles,
-
9:17 - 9:19na naszym boisku.
-
9:19 - 9:21Tutaj odtwarzamy rzut Raya Allena
-
9:21 - 9:24i związane z nim obserwacje.
-
9:25 - 9:26Oto rzut.
-
9:26 - 9:29Pokażę wam tę chwilę
-
9:29 - 9:31i to, jak ją analizowaliśmy.
-
9:31 - 9:35Różni się tylko tym,
że zamiast zawodowców gramy my, -
9:35 - 9:38a ja zastępuję
profesjonalnego komentatora. -
9:38 - 9:39Zaczynamy.
-
9:41 - 9:42Miami.
-
9:43 - 9:44Trzy punkty straty.
-
9:44 - 9:45Zostało 20 sekund.
-
9:47 - 9:49Jeff wyrzuca piłkę.
-
9:51 - 9:52Josh łapie i rzuca za trzy!
-
9:53 - 9:54[Prawdopodobieństwo trafienia]
-
9:55 - 9:56[Jakość rzutu]
-
9:57 - 9:59[Prawdopodobieństwo zbiórki]
-
10:00 - 10:02Nie wejdzie!
-
10:02 - 10:03[Prawdopodobieństwo zbiórki]
-
10:04 - 10:05Zbiera Noel.
-
10:05 - 10:06Podaje Darii.
-
10:07 - 10:10[Jakość rzutu]
-
10:11 - 10:12Trójka - tak jest!
-
10:12 - 10:15Remis na pięć sekund przed końcem,
-
10:15 - 10:16Tłumy szaleją.
-
10:17 - 10:18(Śmiech)
-
10:18 - 10:20Mniej więcej tak to było.
-
10:20 - 10:21(Brawa)
-
10:21 - 10:22Mniej więcej.
-
10:22 - 10:24(Brawa)
-
10:24 - 10:30Prawdopodobieństwo tego zdarzenia
w NBA wynosiło około 9%. -
10:30 - 10:32Wiemy to i mnóstwo innych rzeczy.
-
10:32 - 10:35Nie wspomnę, ile razy
próbowaliśmy odtworzyć tę scenę. -
10:35 - 10:37(Śmiech)
-
10:37 - 10:39Dobra, powiem wam. Cztery.
-
10:39 - 10:40(Śmiech)
-
10:40 - 10:41Dobra robota, Daria.
-
10:42 - 10:46Ale w tym materiale
-
10:46 - 10:51i analizie każdej sekundy gry
najważniejsze jest to, -
10:51 - 10:55że nie trzeba grać zawodowo,
by śledzić swoje ruchy. -
10:55 - 10:59Nie tylko zawodowi sportowcy
mogą analizować to, jak się poruszają. -
10:59 - 11:03To w ogóle nie musi dotyczyć sportu,
bo poruszamy się wszędzie. -
11:04 - 11:06W domu
-
11:09 - 11:11i biurze.
-
11:12 - 11:15Robiąc zakupy i podróżując.
-
11:17 - 11:19Przemierzamy miasta
-
11:20 - 11:22i cały świat.
-
11:23 - 11:26Czego można się dowiedzieć i nauczyć?
-
11:26 - 11:28Może zamiast rozpoznawać zagrania,
-
11:28 - 11:31maszyna będzie da mi znać,
-
11:31 - 11:33kiedy moja córka postawi pierwsze kroki.
-
11:33 - 11:36A może się to stać w każdej chwili.
-
11:36 - 11:40Możemy dzięki temu poprawiać
użyteczność budynków i miast. -
11:40 - 11:45Wierzę, że rozwijając naukę
o poruszających się punktach, -
11:45 - 11:49będziemy poruszali się lepiej
i mądrzej kroczyli naprzód. -
11:47 - 11:49Dziękuję bardzo.
-
11:50 - 11:52(Brawa)
- Title:
- Matematyka najbardziej szalonych zagrań w koszykówce
- Speaker:
- Rajiv Maheswaran
- Description:
-
Koszykówka to szybka gra pełna improwizacji, kontaktu i... czasowo-przestrzennego rozpoznawania wzorców. Rajiv Maheswaran i jego koledzy analizują ruchy związane z najważniejszymi zagraniami tej gry, aby pomóc trenerom i graczom połączyć intuicję z nowymi danymi. Bonus: To, czego się dowiedzieli, może pomóc nam zrozumieć, w jaki sposób ludzie się przemieszczają.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 12:08
Rysia Wand approved Polish subtitles for The math behind basketball's wildest moves | ||
Rysia Wand accepted Polish subtitles for The math behind basketball's wildest moves | ||
Rysia Wand edited Polish subtitles for The math behind basketball's wildest moves | ||
Rysia Wand edited Polish subtitles for The math behind basketball's wildest moves | ||
Rysia Wand edited Polish subtitles for The math behind basketball's wildest moves | ||
Michal Czapelka edited Polish subtitles for The math behind basketball's wildest moves | ||
Michal Czapelka edited Polish subtitles for The math behind basketball's wildest moves | ||
Michal Czapelka edited Polish subtitles for The math behind basketball's wildest moves |