Математика хитрых баскетбольных движений
-
0:01 - 0:05Я и мои коллеги восхищены
природой движущихся точек. -
0:05 - 0:06Что такое эти точки?
-
0:06 - 0:07Это мы.
-
0:07 - 0:12Все мы передвигаемся у себя дома,
в офисах, в магазинах и путешествуя -
0:12 - 0:15по своему городу или по миру.
-
0:15 - 0:19Было бы потрясающе, если бы мы могли
понять природу этих движений, -
0:19 - 0:22их закономерности, значение
и то, что скрывается за ними. -
0:22 - 0:25К счастью для нас,
мы живём в такое время, -
0:25 - 0:29когда мы невероятно преуспели
в сборе информации о самих себе. -
0:29 - 0:32С сенсоров, видео или приложений
-
0:32 - 0:36мы можем отследить наше движение
с удивительной точностью. -
0:36 - 0:41Оказывается, одна из областей,
где собраны лучшие данные о движении, — -
0:41 - 0:43это спорт.
-
0:43 - 0:48Будь это баскетбол или бейсбол,
американский футбол или обычный, -
0:48 - 0:51мы оснащаем стадионы и игроков
-
0:51 - 0:54устройствами для отслеживания
движений каждую долю секунды. -
0:54 - 0:58То есть мы превращаем своих атлетов —
-
0:58 - 1:00вы, наверное, уже догадались —
-
1:00 - 1:02в движущиеся точки.
-
1:02 - 1:04Теперь у нас масса движущихся точек.
-
1:04 - 1:07И как с любыми необработанными данными,
-
1:07 - 1:09с ними трудно разобраться,
да и не так это интересно. -
1:09 - 1:13Но есть вещи, о которых, например,
баскетбольные тренеры хотят знать. -
1:13 - 1:15И проблема в том, что они не знают о них,
-
1:15 - 1:18потому что пришлось бы смотреть
каждую секунду каждой игры, -
1:18 - 1:20запоминая и затем обрабатывая.
-
1:20 - 1:22Человек не может сделать этого,
-
1:22 - 1:24но машина может.
-
1:24 - 1:27Но машина не может
смотреть на игры глазами тренера. -
1:27 - 1:30По крайней мере, не могли. До сих пор.
-
1:30 - 1:33Что мы научили машину видеть?
-
1:34 - 1:35Мы начали с простого:
-
1:35 - 1:39научили её таким вещам,
как пассы, броски и отскоки — -
1:39 - 1:42тому, что известно обычным болельщикам.
-
1:42 - 1:45А затем мы перешли к вещам посложнее:
-
1:45 - 1:49таким манёврам, как пост-апы,
пик-н-роллы и изоляции. -
1:49 - 1:53Если вы их не знаете, не страшно.
Большинство игроков, возможно, знает. -
1:53 - 1:59На сегодняшний день машина
понимает сложные манёвры, -
1:59 - 2:02вроде заслона и широких пин-даунов.
-
2:02 - 2:05Такие термины знают только профессионалы.
-
2:05 - 2:10Мы научили машину
«смотреть» глазами тренера. -
2:10 - 2:12Как мы смогли сделать это?
-
2:12 - 2:16Если бы я попросил тренера
описать, например, пик-н-ролл, -
2:16 - 2:17то он дал бы мне описание,
-
2:17 - 2:21и если бы я закодировал это
в алгоритм, то ничего бы не вышло. -
2:21 - 2:25Пик-н-ролл — своего рода танец
в баскетболе между четырьмя игроками, -
2:25 - 2:27двумя в защите и двумя в нападении.
-
2:27 - 2:29Вот как это происходит.
-
2:29 - 2:32Игрок в нападении без мяча
-
2:32 - 2:35идёт рядом, защищает игрока с мячом,
-
2:35 - 2:38остаётся в зоне, они оба перемещаются,
что-то происходит, -
2:38 - 2:40и — та-да! — это и есть пик-н-ролл.
-
2:40 - 2:42(Смех)
-
2:42 - 2:45Это также пример плохого алгоритма.
-
2:45 - 2:49Если игрок, который мешает —
его называют заслоняющим, — -
2:49 - 2:52подойдёт ближе, но не остановится,
-
2:52 - 2:54возможно, это не будет пик-н-ролл.
-
2:54 - 2:58Или если он остановится,
но будет недостаточно близко, -
2:58 - 3:01то это тоже, возможно, не пик-н-ролл.
-
3:01 - 3:04Или если он подойдёт близко
и остановится, -
3:04 - 3:07но все они окажутся под корзиной,
это, возможно, не пик-н-ролл. -
3:07 - 3:10Или я ошибаюсь —
может, все они и есть пик-н-роллы. -
3:10 - 3:14На деле, это зависит от точного
времени, расстояния, местоположения — -
3:14 - 3:17вот что делает это таким сложным.
-
3:17 - 3:19К счастью, машина может обучаться,
-
3:19 - 3:22и мы можем выйти
за пределы своих возможностей, -
3:22 - 3:23чтобы описать то, что знаем.
-
3:23 - 3:26Как это работает?
Рассмотрим на примере. -
3:26 - 3:29Итак, мы подходим к машине
и говорим: «Доброе утро, машина. -
3:29 - 3:32Вот несколько пик-н-роллов
и несколько манёвров — не пик-н-роллов. -
3:32 - 3:35Пожалуйста, найди способ отличить их».
-
3:35 - 3:39И ключ ко всему — найти черты,
которые позволяют различать их. -
3:39 - 3:42Если бы я хотел обучить машину разнице
между яблоком и апельсином, -
3:42 - 3:45я бы сказал: «Почему бы тебе
не использовать цвет и форму?» -
3:45 - 3:48Проблема, которую мы решаем:
по каким параметрам отличать? -
3:48 - 3:52Какие ключевые черты позволяют компьютеру
ориентироваться в мире движущихся точек? -
3:52 - 3:54Выяснение всех этих отношений
-
3:54 - 3:57между относительным
и абсолютным местоположением, -
3:57 - 3:59расстоянием, временем, скоростью —
-
3:59 - 4:03это и есть ключ
к природе движущихся точек, -
4:03 - 4:05или, как мы любим её называть,
говоря научным языком, -
4:05 - 4:08пространственно-временным
распознаванием образов. -
4:08 - 4:11Ведь первым делом
нужно назвать это как-то сложно — -
4:11 - 4:12потому что это сложно.
-
4:12 - 4:15Главное для тренеров NBA —
-
4:15 - 4:17знать не то, был ли пик-н-ролл или нет, —
-
4:18 - 4:20они просто хотят знать, как это произошло.
-
4:20 - 4:22Почему это так важно для них?
-
4:22 - 4:24Есть такая догадка:
оказывается, в современном баскетболе -
4:24 - 4:27этот пик-н-ролл —
чуть ли не самый важный манёвр. -
4:27 - 4:30Знать, как это происходит,
как обороняться от него, — -
4:30 - 4:32по сути, залог выигрыша
или поражения в большинстве игр. -
4:32 - 4:36Оказалось, у этого танца
великое множество вариаций, -
4:36 - 4:40и определение этих вариаций —
единственная важная вещь, -
4:40 - 4:43поэтому нам нужно, чтобы машина
выясняла это очень, очень точно. -
4:43 - 4:46Вот пример: есть два нападающих
и два защитника, -
4:46 - 4:48готовых исполнить танец пик-н-ролла.
-
4:48 - 4:51Игрок с мячом может либо
навестись на заслон, либо отказаться. -
4:51 - 4:55Его товарищ по команде может либо
«провалиться» под кольцо, либо открыться. -
4:55 - 4:58Игрок, опекающий мяч, может
либо проскользнуть, либо обогнуть заслон. -
4:58 - 5:03Его товарищ по команде может либо помочь,
либо сделать ложный размен или остаться. -
5:03 - 5:05И оба они могут либо сделать размен,
либо контратаковать. -
5:05 - 5:08Я бóльшую часть этого не знал,
кода только начинал. -
5:09 - 5:12Было бы чудесно, если бы все
двигались согласно этим стрелочкам. -
5:12 - 5:16Нам было бы куда легче, но движение —
явление довольно запутанное. -
5:16 - 5:18Люди движутся не монотонно.
-
5:18 - 5:22Определить эти вариации
с очень высокой точностью, -
5:22 - 5:25одновременно точно и по памяти, — сложно,
-
5:25 - 5:28ведь именно это нужно, чтобы
профессиональный тренер поверил в тебя. -
5:28 - 5:32Несмотря на сложности с пространственно-
временными характеристиками, -
5:32 - 5:33мы смогли сделать это.
-
5:33 - 5:37Тренеры верят в возможности
нашей машины определять эти вариации. -
5:37 - 5:40Мы находимся на стадии,
-
5:40 - 5:43когда практически каждый претендент
на чемпионат NBA в этом году -
5:43 - 5:46использует нашу программу,
разработанную для устройства, -
5:46 - 5:49которое понимает,
как движутся точки в баскетболе. -
5:51 - 5:55Кроме того, мы дали совет,
изменивший стратегии, -
5:55 - 5:58которые помогли командам
выиграть важные игры. -
5:58 - 6:01Это очень волнующе,
ведь есть даже такие тренеры, -
6:01 - 6:05которые состоят в Лиге 30 лет,
но всё же готовы получить совет от машины. -
6:06 - 6:08Это очень волнующе,
даже больше, чем пик-н-ролл. -
6:08 - 6:12Наш компьютер начинал с простых вещей,
стал учиться всё более и более сложным, -
6:12 - 6:17а сейчас знает так много, что, по правде,
я не знаю столько, сколько он. -
6:17 - 6:21И не удивительно,
что он знает больше меня. -
6:21 - 6:25Неужели машина может
знать больше, чем тренер? -
6:25 - 6:27Может ли она знать больше, чем человек?
-
6:27 - 6:29Оказалось, что да.
-
6:29 - 6:31Тренеры хотят, чтобы игроки
делали хорошие броски. -
6:31 - 6:34Если я стою здесь, у корзины,
и никого нет рядом со мной, — -
6:34 - 6:35это хороший бросок.
-
6:35 - 6:39Если я стою далеко, окружённый
защитниками, — обычно это плохой бросок. -
6:39 - 6:44Но мы не знали, как оценить количественно
«хороший» или «плохой» бросок. -
6:44 - 6:46До сих пор.
-
6:46 - 6:48Используя пространственно-
временные характеристики, -
6:48 - 6:50мы можем просмотреть каждый бросок,
-
6:50 - 6:53узнать, откуда он сделан,
какой угол по отношению к корзине, -
6:53 - 6:57где стоят защитники, каково их расстояние,
под какими они углами. -
6:57 - 7:01Среди нескольких защитников мы можем
увидеть, как двигается определённый игрок -
7:01 - 7:02и предугадать тип броска.
-
7:02 - 7:06Мы можем вычислить их скорости
и построить модель, которая предскажет -
7:06 - 7:10вероятность осуществления броска
при данных обстоятельствах. -
7:10 - 7:12Почему это так важно?
-
7:12 - 7:15Мы можем определить бросок,
-
7:15 - 7:18который раньше был един,
как состоящий из двух параметров: -
7:18 - 7:21качество броска и уровень бросающего.
-
7:22 - 7:25Вот пузырьковая диаграмма.
Какое это выступление TED без диаграммы? -
7:25 - 7:26(Смех)
-
7:26 - 7:27Это игроки NBA.
-
7:27 - 7:30Размер — это размер игроков,
а цвет — позиция. -
7:30 - 7:33По оси Х — вероятность броска.
-
7:33 - 7:35Игроки слева делают сложные броски,
-
7:35 - 7:37справа — лёгкие.
-
7:37 - 7:39По оси У — их умение совершать броски.
-
7:39 - 7:42Хорошие игроки наверху,
кто хуже бросает — внизу. -
7:42 - 7:46Например, если раньше был игрок,
чья эффективность бросков 47%, -
7:46 - 7:47это всё, что вам было известно.
-
7:47 - 7:51Но сегодня я могу сказать вам,
что этот игрок делает броски, -
7:51 - 7:54как в 49% случаев их делает
среднестатистический игрок NBA, -
7:54 - 7:56что на 2% хуже.
-
7:56 - 8:01Это важно знать потому,
что есть много игроков с 47%. -
8:02 - 8:06Поэтому очень важно знать,
является ли тот игрок с 47%, -
8:06 - 8:08в которого вы планируете
вложить 100 миллионов долларов, -
8:08 - 8:11хорошим бомбардиром,
который иногда делает плохие броски, -
8:11 - 8:14или плохим бомбардиром,
совершающим хорошие броски. -
8:15 - 8:19Машинный анализ меняет не только то,
как мы рассматриваем игроков, -
8:19 - 8:20но и то, как мы видим игру.
-
8:20 - 8:24Пару лет назад состоялась
очень захватывающая игра в финале NBA. -
8:24 - 8:27«Майами» отставал на 3 очка.
Оставалось 20 секунд. -
8:27 - 8:29Они были на грани проигрыша чемпионата.
-
8:29 - 8:33Джентльмен по имени Леброн Джеймс
бросил трёхочковый, чтобы сравнять счёт, -
8:33 - 8:34но промахнулся.
-
8:34 - 8:36Его товарищ Крис Бош подобрал мяч,
-
8:36 - 8:38передал его другому игроку
в команде — Рею Аллену. -
8:38 - 8:41Тот забросил трёхочковый.
Игра продолжилась в овертайме. -
8:41 - 8:42Они выиграли игру и чемпионат.
-
8:42 - 8:45Это была одна из самых
захватывающих игр в баскетболе. -
8:45 - 8:47Наша способность предугадывать
-
8:47 - 8:50вероятность броска
для каждого игрока каждую секунду -
8:50 - 8:52и вероятность подбора мяча каждую секунду
-
8:52 - 8:57может пролить свет на этот момент
так, как никогда раньше. -
8:58 - 9:00К несчастью, я не могу
показать вам запись той игры. -
9:00 - 9:04Но для вас мы воссоздали этот момент
-
9:04 - 9:07на нашей еженедельной игре
в баскетбол около трёх недель назад. -
9:07 - 9:10(Смех)
-
9:10 - 9:13Мы воссоздали их действия,
что привело к озарению. -
9:13 - 9:19Вот мы. Это Чайна-таун в Лос-Анджелесе;
парк, где мы играем каждую неделю. -
9:19 - 9:24Мы воссоздаём момент Рэя Аллена
и отслеживаем движения. -
9:25 - 9:26Вот бросок.
-
9:26 - 9:29Я собираюсь показать вам тот момент
-
9:29 - 9:31и все детали того момента.
-
9:31 - 9:35Единственная разница: вместо
профессиональных игроков играем мы, -
9:35 - 9:38а вместо профессионального
комментатора буду я. -
9:38 - 9:40Будьте ко мне снисходительны.
-
9:41 - 9:43«Майами».
-
9:43 - 9:44Разрыв в три очка.
-
9:44 - 9:46Осталось 20 секунд.
-
9:47 - 9:49Джефф передаёт мяч.
-
9:51 - 9:53Джош его ловит и бросает трёхочковый.
-
9:53 - 9:54[Вычисляется вероятность броска]
-
9:55 - 9:57[Качество броска]
-
9:57 - 9:59[Возможность отскока]
-
10:00 - 10:02Промах!
-
10:02 - 10:03[Вероятность отскока]
-
10:04 - 10:05Ноэль ловит мяч,
-
10:05 - 10:07передаёт его Дарии.
-
10:07 - 10:10[Качество броска]
-
10:11 - 10:12Трёхочковый — ура!
-
10:12 - 10:15Мы сравняли счёт, и остаётся ещё 5 секунд.
-
10:15 - 10:16Трибуны ревут.
-
10:16 - 10:18(Смех)
-
10:18 - 10:21Примерно вот так всё это произошло.
(Аплодисменты) Примерно. -
10:21 - 10:24(Аплодисменты)
-
10:24 - 10:30Вероятность этого момента в игре NBA — 9%.
-
10:30 - 10:32Мы знаем это и ещё множество других вещей.
-
10:32 - 10:35Не буду рассказывать, сколько раз
нам пришлось переигрывать этот момент. -
10:35 - 10:37(Смех)
-
10:37 - 10:40Ладно, скажу — 4 раза. (Смех)
-
10:40 - 10:41Молодец, док!
-
10:43 - 10:47Но главное в этом видео и знаниях,
-
10:47 - 10:50которые у нас есть по каждой секунде
каждой игры NBA — не в этом. -
10:50 - 10:53Главное то, что не нужно быть
профессиональной командой, -
10:53 - 10:55чтобы отслеживать движение;
-
10:55 - 10:59не нужно быть профессиональным игроком,
чтобы понять все детали движений. -
10:59 - 11:01Даже не обязательно
применять это к спорту, -
11:01 - 11:03ведь мы двигаемся постоянно.
-
11:04 - 11:06Мы двигаемся дома,
-
11:09 - 11:11в офисе,
-
11:12 - 11:14когда ходим за покупками
-
11:14 - 11:16или путешествуем
-
11:17 - 11:19по городу
-
11:20 - 11:22и по миру.
-
11:23 - 11:26Что мы узнаем? Чему научимся?
-
11:26 - 11:28Может, вместо определения пик-н-роллов,
-
11:28 - 11:31машина сможет определить
и позволит мне узнать момент, -
11:31 - 11:33когда моя дочь сделает свои первые шаги.
-
11:33 - 11:36Что буквально может
произойти в любой момент. -
11:36 - 11:40Возможно, мы можем научиться
лучше планировать здания, города. -
11:40 - 11:44Я верю, что с развитием науки,
занимающейся изучением движущихся точек, -
11:44 - 11:47мы будем двигаться лучше,
мы будем двигаться разумнее, -
11:47 - 11:49мы будем двигаться вперёд.
-
11:49 - 11:50Спасибо большое.
-
11:50 - 11:54(Аплодисменты)
- Title:
- Математика хитрых баскетбольных движений
- Speaker:
- Раджив Махесваран
- Description:
-
Баскетбол — динамичная игра, основанная на импровизации, взаимодействии с другими игроками и на пространственно-временном распознавании образов. Раджив Махесваран и его коллеги анализируют движения в ключевых манёврах, чтобы помочь тренерам и игрокам совместить интуицию с новыми данными. Бонус: то, что они изучают, может помочь нам понять, как люди двигаются.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 12:08
Anna Kotova approved Russian subtitles for The math behind basketball's wildest moves | ||
Anna Kotova edited Russian subtitles for The math behind basketball's wildest moves | ||
Anna Kotova edited Russian subtitles for The math behind basketball's wildest moves | ||
Anna Kotova edited Russian subtitles for The math behind basketball's wildest moves | ||
Alina Siluyanova accepted Russian subtitles for The math behind basketball's wildest moves | ||
Alina Siluyanova edited Russian subtitles for The math behind basketball's wildest moves | ||
Alina Siluyanova edited Russian subtitles for The math behind basketball's wildest moves | ||
Alina Siluyanova edited Russian subtitles for The math behind basketball's wildest moves |