A matemática por trás dos movimentos mais arrojados do basquetebol.
-
0:01 - 0:05Meus colegas e eu somos fascinados
pela ciência dos pontos móveis. -
0:05 - 0:06O que são esses pontos?
-
0:06 - 0:07Bem, somos todos nós.
-
0:07 - 0:12E nós estamos nos movendo em nossas casas,
escritórios, quando compramos e viajamos -
0:12 - 0:15pelas nossas cidades e por todo o mundo.
-
0:15 - 0:19E não seria ótimo se pudéssemos
entender todo esse movimento? -
0:19 - 0:22Se pudéssemos encontrar padrões,
sentido e percepções nisso? -
0:22 - 0:24Felizmente, vivemos em um tempo
-
0:24 - 0:29em que somos incrivelmente bons
em obter informações sobre nós mesmos. -
0:29 - 0:33Seja através de sensores, vídeos,
ou aplicativos, -
0:33 - 0:36podemos rastrear nossos movimentos
com detalhamento incrível. -
0:36 - 0:41Acontece que uma das melhores fontes
de dados sobre movimentos -
0:41 - 0:43são os esportes.
-
0:43 - 0:48Então, seja basquete ou beisebol,
futebol americano ou o outro futebol, -
0:48 - 0:52estamos dando meios aos estádios
e jogadores para rastrear seus movimentos -
0:52 - 0:54a cada fração de segundo.
-
0:54 - 0:58Então, o que estamos fazendo
é transformar nossos atletas em... -
0:58 - 1:00acho que adivinharam,
-
1:00 - 1:02pontos móveis.
-
1:02 - 1:04Então, temos montanhas de pontos móveis
-
1:04 - 1:07e, como a maioria dos dados brutos,
-
1:07 - 1:09é difícil de lidar e pouco interessante.
-
1:09 - 1:13Mas há coisas que, por exemplo,
treinadores de basquete querem saber. -
1:13 - 1:17O problema é que não conseguem saber,
porque teriam que observar cada segundo -
1:17 - 1:20de cada jogo, lembrá-lo e processá-lo.
-
1:20 - 1:22E uma pessoa não consegue fazer isso,
-
1:22 - 1:24mas uma máquina consegue.
-
1:24 - 1:27O problema é que uma máquina não pode ver
o jogo com os olhos de um treinador. -
1:27 - 1:30Pelo menos, não conseguia até agora.
-
1:30 - 1:33Então, o que ensinamos a máquina a ver?
-
1:34 - 1:35Começamos de forma simples.
-
1:35 - 1:39Nós ensinamos coisas como passes,
arremessos e rebotes. -
1:39 - 1:42Coisas que a maioria
dos fãs ocasionais conhece. -
1:42 - 1:45E depois passamos para coisas
um pouco mais complicadas. -
1:45 - 1:49Jogar de costas para a cesta,
fazer corta-luz e isolação. -
1:49 - 1:54Se vocês não as conhecem, tudo bem.
Muitos jogadores ocasionais conhecem. -
1:54 - 1:55Hoje, chegamos a um ponto
-
1:55 - 1:59em que a máquina
entende eventos complexos -
1:59 - 2:02como bloqueios fora da bola
e até com rotações complexas. -
2:02 - 2:05Basicamente coisas que só
profissionais conhecem. -
2:05 - 2:10Então, nós ensinamos a máquina
a ver com os olhos de um treinador. -
2:10 - 2:13Como conseguimos fazer isso?
-
2:13 - 2:16Se eu pedisse a um treinador
que descrevesse um corta-luz direto, -
2:16 - 2:17ele descreveria a jogada,
-
2:17 - 2:21e se eu a codificasse em um algoritmo,
ele seria muito complicado. -
2:21 - 2:25O corta-luz é um “balé” no basquete
entre quatro jogadores, -
2:25 - 2:27Dois no ataque e dois na defesa.
-
2:27 - 2:29É assim que acontece:
-
2:29 - 2:32um cara no ataque sem a bola
-
2:32 - 2:35se posiciona ao lado do cara que marca
o que tem a posse da bola, -
2:35 - 2:36e ele fica por ali.
-
2:36 - 2:40Ambos se movem, coisas acontecem,
e...tchan! É um corta-luz. -
2:40 - 2:42(Risos)
-
2:42 - 2:45Isso é um exemplo
de um algoritmo complicado. -
2:45 - 2:49Se o jogador que se interpõe,
chamado de bloqueador, -
2:49 - 2:52se aproximar, mas não parar,
-
2:52 - 2:55provavelmente não é um corta-luz.
-
2:55 - 2:59Mas se parar e não ficar muito próximo,
-
2:59 - 3:01provavelmente não é um corta-luz.
-
3:01 - 3:04Ou se ele se aproximar do outro
e realmente parar, -
3:04 - 3:07mas parar embaixo da cesta,
provavelmente não é um corta-luz. -
3:07 - 3:10Ou posso estar enganado
e tudo pode ser um corta-luz. -
3:10 - 3:15Depende realmente de uma boa sincronia,
das distâncias e dos posicionamentos, -
3:15 - 3:17e é aí que está a dificuldade.
-
3:17 - 3:19Felizmente, com o aprendizado de máquina,
-
3:19 - 3:22podemos ir além
da nossa própria habilidade -
3:22 - 3:23de descrever o que conhecemos.
-
3:23 - 3:26Como isto funciona?
Bem, é por meio de exemplos. -
3:26 - 3:29Dizemos para a máquina:
"Bom dia, máquina. -
3:29 - 3:33Aqui estão alguns corta-luzes
e coisas que não são corta-luzes. -
3:33 - 3:35Por favor, encontre
um jeito de distingui-los." -
3:35 - 3:39A chave de tudo é achar características
que permitam separá-los. -
3:39 - 3:42Tendo que ensinar à máquina
a diferença entre uma laranja e uma maçã -
3:42 - 3:45eu poderia dizer:
"Por que não usa cor ou forma?" -
3:45 - 3:48Mas o problema que estamos resolvendo é:
o que são essas coisas? -
3:48 - 3:49Quais traços marcantes
-
3:49 - 3:52possibilitam que um computador
interprete o mundo dos pontos móveis? -
3:52 - 3:57Compreender todas essas relações
entre posição relativa e absoluta, -
3:57 - 3:59distância, sincronia, velocidades,
-
3:59 - 4:03que são realmente a chave da ciência
dos pontos móveis -
4:03 - 4:05ou como gostamos de chamá-la,
-
4:05 - 4:07reconhecimento de padrões espaçotemporais,
-
4:07 - 4:08em linguagem acadêmica.
-
4:08 - 4:11É importante dar um nome difícil
-
4:11 - 4:12porque é difícil mesmo.
-
4:12 - 4:16Para treinadores da NBA,
o principal não é saber -
4:16 - 4:17se um corta-luz aconteceu ou não,
-
4:18 - 4:20mas sim como aconteceu.
-
4:20 - 4:23E por que isso é tão importante para eles?
Perceba o porquê. -
4:23 - 4:24Acontece que, no basquete moderno,
-
4:24 - 4:27o corta-luz talvez seja
a jogada mais importante. -
4:27 - 4:30Saber como executá-la
e como se defender dela, -
4:30 - 4:32é o que decide o resultado
da maioria dos jogos. -
4:32 - 4:36Essa dança tem muitas variações,
-
4:36 - 4:40e identificá-las é o mais importante.
-
4:40 - 4:43Por isso precisamos
que esse programa seja muito bom. -
4:43 - 4:44Eis um exemplo:
-
4:44 - 4:46dois atacantes e dois defensores
-
4:46 - 4:48estão prestes a executar
o balé do corta-luz. -
4:48 - 4:52O cara com a posse da bola,
pode usar ou não o bloqueio. -
4:52 - 4:55Seu companheiro pode girar para o garrafão
ou abrir para receber o passe. -
4:55 - 4:58Quem marca o jogador que tem a bola
pode avançar ou recuar. -
4:58 - 5:03Seu companheiro pode avançar,
marcar ou apenas acompanhar, -
5:03 - 5:05e juntos podem trocar
ou dobrar a marcação. -
5:05 - 5:08Eu desconhecia quase tudo isso
quando comecei, -
5:08 - 5:12e seria ótimo se todos se movessem
como aquelas flechas indicam. -
5:12 - 5:16Facilitaria muito as nossas vidas,
mas o movimento é muito confuso. -
5:16 - 5:19Há muita movimentação e com rapidez,
-
5:19 - 5:25o que torna difícil identificar
e reconstituir as variações com precisão, -
5:25 - 5:28pois isso é o que faz um treinador
profissional acreditar em você. -
5:28 - 5:31Apesar das dificuldades
com os aspectos espaçotemporais corretos -
5:31 - 5:33conseguimos realizá-lo.
-
5:33 - 5:35Treinadores confiam na capacidade
da nossa máquina -
5:35 - 5:37de identificar as variações.
-
5:37 - 5:41Chegamos no ponto
em que quase toda equipe -
5:41 - 5:43da NBA este ano
-
5:43 - 5:46usa nosso software,
instalado em uma máquina -
5:46 - 5:50que compreende os pontos
que se movimentam, em basquetebol. -
5:50 - 5:52Mais do que isto.
-
5:52 - 5:55Nós demos conselhos
que têm mudado estratégias, -
5:55 - 5:58as quais ajudaram equipes
a vencer jogos muito importantes, -
5:58 - 6:00o que é muito estimulante,
-
6:00 - 6:02porque existem treinadores
que estão há 30 anos na liga -
6:02 - 6:06e que desejam um conselho
dado por uma máquina. -
6:06 - 6:08É muito empolgante,
é muito mais do que o corta-luz. -
6:08 - 6:10Nosso computador começou
com coisas simples, -
6:10 - 6:12aprendeu coisas mais complexas,
-
6:12 - 6:14e agora sabe bastante coisas.
-
6:14 - 6:17Francamente, eu não entendo
muito do que ele faz, -
6:17 - 6:21e embora não seja tão especial
ser mais inteligente que eu, -
6:21 - 6:25nos perguntamos: “Uma máquina
pode saber mais do que um treinador? -
6:25 - 6:27Mais do que uma pessoa pode saber?”
-
6:27 - 6:29A resposta é sim.
-
6:29 - 6:31Treinadores desejam
que os jogadores façam bons arremessos. -
6:31 - 6:33Se eu estiver perto da cesta,
-
6:33 - 6:35e sem marcação, é um bom arremesso.
-
6:35 - 6:37Se eu estiver distante,
cercado por defensores, -
6:37 - 6:39geralmente é um mau arremesso.
-
6:39 - 6:44Mas nunca soubemos quantitativamente
os significados de “bom” ou “mau”. -
6:44 - 6:46Até agora.
-
6:46 - 6:49Usando características espaçotemporais,
-
6:49 - 6:50analisamos todos os arremessos.
-
6:50 - 6:53De onde foi o arremesso?
Qual o ângulo em relação à cesta? -
6:53 - 6:56E as posições dos defensores?
E suas distâncias? -
6:56 - 6:57Quais são seus ângulos?
-
6:57 - 7:00Com vários defensores, analisamos
como os jogadores se movimentam -
7:00 - 7:02e prevemos o tipo de arremesso.
-
7:02 - 7:05Podemos analisar suas velocidades
e construir um modelo -
7:05 - 7:10que prevê a probabilidade de um arremesso
ser convertido em tais circunstâncias? -
7:10 - 7:12Por que é tão importante?
-
7:12 - 7:15Podemos transformar o que era arremessar
-
7:15 - 7:17em duas outras coisas:
-
7:17 - 7:21a qualidade do arremesso
e a qualidade do arremessador. -
7:21 - 7:23Eis um gráfico de bolas.
-
7:23 - 7:25O que seria do TED
sem um gráfico de bolas? -
7:25 - 7:26(Risos)
-
7:26 - 7:27Esses são jogadores da NBA.
-
7:27 - 7:30O tamanho da bola é o tamanho do jogador,
a cor é a posição. -
7:30 - 7:33No eixo x, temos
a probabilidade do arremesso. -
7:33 - 7:35À esquerda, estão os arremessos difíceis,
-
7:35 - 7:37à direita, os arremessos fáceis.
-
7:37 - 7:39No eixo y está a habilidade de arremessar.
-
7:39 - 7:42Com boa habilidade em cima,
má habilidade, embaixo. -
7:42 - 7:44Por exemplo, se houver um jogador
-
7:44 - 7:46que geralmente acerta 47% dos arremessos,
-
7:46 - 7:47era tudo o que se sabia antes.
-
7:47 - 7:51Mas hoje, posso dizer que aquele jogador
executa arremessos -
7:51 - 7:54que um jogador da NBA, em média,
acertaria 49% das vezes, -
7:54 - 7:56e que seriam 2% ruins.
-
7:56 - 8:01Isto é importante porque há
uma enorme diversidade de 47%. -
8:02 - 8:04E assim é realmente importante saber
-
8:04 - 8:08se os 47% a quem se está considerando
dar US$ 100 milhões -
8:08 - 8:11é um bom arremessador
que executa maus arremessos, -
8:11 - 8:14ou um mau arremessador
que faz bons arremessos. -
8:15 - 8:18O aprendizado da máquina não muda
apenas como analisamos os jogadores, -
8:18 - 8:20ele muda como analisamos o jogo.
-
8:20 - 8:24Houve um jogo emocionante
há alguns anos, nas finais da NBA. -
8:24 - 8:27O Miami perdia por três pontos,
faltavam 20 segundos para o final, -
8:27 - 8:29eles estavam
prestes a perder o campeonato. -
8:29 - 8:33Um senhor chamado LeBron James
tentou um arremesso de três. -
8:33 - 8:34Ele errou.
-
8:34 - 8:36Seu companheiro Chris Bosh
pegou um rebote, -
8:36 - 8:38passou para o companheiro Ray Allen.
-
8:38 - 8:40Ele marcou três pontos.
O jogo foi para a prorrogação. -
8:40 - 8:42O Miami ganhou o jogo e o campeonato.
-
8:42 - 8:45Foi um dos mais emocionantes
jogos de basquetebol. -
8:45 - 8:47E nossa capacidade de saber
-
8:47 - 8:50a probabilidade de arremessar
de cada jogador, a cada segundo, -
8:50 - 8:52e a possibilidade de pegar
um rebote a cada segundo -
8:52 - 8:57pode iluminar esse momento
como nunca foi possível. -
8:58 - 9:00Infelizmente, não posso
mostrar esse vídeo a vocês. -
9:00 - 9:05Mas recriamos aquele momento para vocês
-
9:05 - 9:08no nosso jogo semanal de basquete,
há umas três semanas. -
9:08 - 9:10(Risos)
-
9:10 - 9:13Refizemos a trilha
que nos levou à percepção dos fatos -
9:13 - 9:17Aqui estamos.
Esta é Chinatown em Los Angeles, -
9:17 - 9:19um parque onde jogamos toda semana,
-
9:19 - 9:21e aqui estamos nós
-
9:21 - 9:24recriando o momento de Ray Allen
e todo o caminho associado a ele. -
9:25 - 9:26Eis o arremesso.
-
9:26 - 9:29Vou mostrar-lhes aquele momento,
-
9:29 - 9:31e todas as suas percepções.
-
9:31 - 9:35A única diferença é que somos nós,
em vez de jogadores profissionais, -
9:35 - 9:38E sou eu,
em vez de um locutor profissional. -
9:38 - 9:40Tenham paciência comigo.
-
9:41 - 9:43Miami.
-
9:43 - 9:44Perde por três pontos.
-
9:44 - 9:46Faltam 20 segundos.
-
9:47 - 9:49Jeff conduz a bola.
-
9:51 - 9:52Josh recebe, marca três pontos!
-
9:53 - 9:55
[Calculando a probabilidade de arremesso] -
9:55 - 9:57[Qualidade do arremesso]
-
9:57 - 9:59[Probabilidade de rebote]
-
10:00 - 10:02Não vai dar certo!
-
10:02 - 10:04[Probabilidade de rebote]
-
10:04 - 10:05Rebote, Noel.
-
10:05 - 10:06Devolve ao Daria.
-
10:06 - 10:10[Qualidade do arremesso]
-
10:11 - 10:12Arremesso de três pontos...pimba!
-
10:12 - 10:15Restam cinco segundos.
-
10:15 - 10:17A plateia vai à loucura.
-
10:17 - 10:18(Risos)
-
10:18 - 10:20Aconteceu mais ou menos assim.
-
10:20 - 10:21(Aplausos)
-
10:21 - 10:23Mais ou menos.
-
10:24 - 10:30Aquele momento tinha cerca de 9%
de probabilidade de acontecer na NBA; -
10:30 - 10:32sabemos disso e de muitas outras coisas.
-
10:32 - 10:36Não direi a vocês quantas vezes precisamos
jogar para que isso acontecesse. -
10:36 - 10:37(Risos)
-
10:37 - 10:39Tá bom. Contarei. Foram quatro vezes.
-
10:39 - 10:40(Risos)
-
10:40 - 10:42Muito bem, Daria.
-
10:42 - 10:46Porém a coisa mais importante do vídeo
-
10:46 - 10:50e o que percebemos em cada segundo
de todo jogo da NBA, não é isso. -
10:50 - 10:53É o fato de que não é preciso
que seja um time profissional -
10:53 - 10:55para rastrear a movimentação.
-
10:55 - 10:58Não precisa ser um jogador profissional
para entender a movimentação. -
10:58 - 11:03Na verdade, nem precisa ser sobre esportes
porque nos movimentamos por toda parte. -
11:04 - 11:06Nos movemos em casa,
-
11:09 - 11:11no escritório,
-
11:12 - 11:15quando fazemos compras e viajamos
-
11:17 - 11:19pelas cidades
-
11:20 - 11:22e pelo mundo.
-
11:23 - 11:26O que iremos saber? O que aprenderemos?
-
11:26 - 11:28Talvez, em vez de identificar corta-luzes,
-
11:28 - 11:30a máquina possa identificar o momento
-
11:30 - 11:33e avisar-me, quando milha filha
der os primeiros passos. -
11:33 - 11:36O que poderia acontecer
a qualquer segundo, literalmente. -
11:36 - 11:40Talvez possamos aprender a usar melhor
os edifícios e planejar melhor as cidades. -
11:40 - 11:45Creio que com o desenvolvimento
da ciência dos pontos em movimento -
11:45 - 11:49vamos nos mover melhor,
de modos mais inteligentes. Avançaremos. -
11:49 - 11:50Muito obrigado.
-
11:50 - 11:53
(Aplausos)
- Title:
- A matemática por trás dos movimentos mais arrojados do basquetebol.
- Speaker:
- Rajiv Maheswaran
- Description:
-
O basquetebol é um jogo de movimentação rápida, de improvisação, contato e...Hum!...percepção de padrões espaçotemporais. Raiva Maheswaran e seus colegas estão analisando os movimentos em jogadas decisivas do esporte, para ajudar treinadores e jogadores a combinar intuição com novos dados. Bônus: o que eles estão aprendendo poderia nos ajudar a entender como os humanos se movimentam por toda a parte.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 12:08
Tulio Leao approved Portuguese, Brazilian subtitles for The math behind basketball's wildest moves | ||
Tulio Leao edited Portuguese, Brazilian subtitles for The math behind basketball's wildest moves | ||
Tulio Leao edited Portuguese, Brazilian subtitles for The math behind basketball's wildest moves | ||
Tulio Leao edited Portuguese, Brazilian subtitles for The math behind basketball's wildest moves | ||
Tulio Leao edited Portuguese, Brazilian subtitles for The math behind basketball's wildest moves | ||
Tulio Leao edited Portuguese, Brazilian subtitles for The math behind basketball's wildest moves | ||
Maricene Crus accepted Portuguese, Brazilian subtitles for The math behind basketball's wildest moves | ||
Maricene Crus edited Portuguese, Brazilian subtitles for The math behind basketball's wildest moves |