Basketbolun en çılgın hareketlerinin ardındaki matematik

Basketbol doğaçlamanın, temasın ve Uzaysal/Zamansal Örüntü Tanımlamanın hızlı bir oyunu. Rajiv Maheswaran ve meslektaşları, yeni verilerle sezgiyi birleştirerek koçlara ve oyunculara yardım etmek için maçların kilit oyunlarının ardındaki hareketleri analiz ediyor. Bonus: Öğrendikleri insanların hareketlerini anlamamızda bize yardım edebilir.

Çalışma arkadaşlarım ve ben; hareketli
nokta bilimi tarafından büyülendik.

Bu hareketli noktalar nedir?

O noktalar biziz.

Tüm dünyada ve şehirler boyunca
evlerimizde, ofislerimizde

alışveriş yaparken ve seyahat
ederken yer değiştiriyoruz.

Tüm bu hareketleri anlayabilseydik
harika olmaz mıydı?

Tüm bunların örüntüsünü, anlamını ve
içyüzünü bulabilsek.

Şansımıza kendimiz hakkında bilgileri

yakalamada iyi olduğumuz bir zamandayız.

İster video, uygulama, isterse
sensörler aracılığıyla

çok ince ayrıntılarda
hareketleri izleyebiliyoruz.

Ve görünen o ki en iyi hareket
verilerinin alındığı alan

spor branşları.

Basketbol ya da beyzbol olsun veya
futbol ya da diğer futbolda

hareketlerini izleyebilmek için

oyuncularımızı ve
stadyumları kullanıyoruz,

saniyenin her parçası için.

Tam olarak yaptığımız ise
atletlerimizi dönüştürüyoruz --

muhtemelen tahmin ettiniz --

hareketli noktalara.

Böylelikle dağlar kadar hareket eden
noktamız var ve çoğunluğu işlenmemiş veri,

uğraşması zor ve
o kadar da ilgi çekici değiller.

Ama bazı şeyler var ki örneğin,
basketbol koçlarının bilmek istediği.

Problem ise bunları bilemezler, çünkü
hatırlamak ve işlemek için her oyunun

her saniyesini izlemeleri gerekir.

Bir insan bunu yapamaz

ama bir makine yapabilir.

Problem ise; makine oyunu koçun
gözünden yorumlayamaz.

En azından şimdiye kadar öyleydi.

Peki, makineye görmesi için ne öğrettik?

Basitten başladık.

Paslar, atışlar ve ribaundlar
gibi şeyleri öğrettik.

Çoğu hayranın bildiği şeyler.

Daha sonra biraz daha
karmaşıklarına yöneldik.

Post-up, pick-and-roll
(perdele ve yuvarlan)

gibi hücumlar ve isolation gibi.

Bunları bilmiyorsanız sorun yok.
Çoğu oyuncu muhtemelen bilir.

Şu an geldiğimiz nokta,
makine karmaşık olayları anlıyor;

down screen ve wide pin gibi.

Genelde profesyonellerin bildiği şeyler.

Yani makineye koçun gözüyle
yorumlamasını öğrettik.

Peki bunu nasıl yapabildik?

Bir koçtan pick-and-roll hücumu
gibi bir şeyi anlatmasını istesem

bana bir tanım verecektir

ve eğer onu algoritmaya çevirirsem
korkunç olacaktır.

Pick-and-roll; basketbolda 4 oyuncu,
2 savunma ve 2 hücum, arasında

olan bir dans gibidir.

İşte nasıl olduğu.

Hücumda topa sahip olmayan adam,

topa sahip olanı
koruyanın yanına gider,

orada durur

ve hepsi de hareket eder, olaylar gelişir
ve işte pick-and-roll!

(Gülüşmeler)

Ayrıca bu berbat bir
algoritmanın da bir örneğiydi.

Eğer müdahale eden (perdeleme yapan)
oyuncu -- screener denilir --

yakınından gider ama durmazsa

bu muhtemelen pick-and-roll değildir.

Eğer durur ama yeteri
kadar yakın durmazsa,

muhtemelen pick-and-roll değildir.

Veya yakın gider ve durur

ama potanın altında yaparlarsa,
muhtemelen pick-and-roll değildir.

Ya da yanılabilirim,
hepsi de pick-and-roll olabilir.

Zamanlamaya, uzaklıklara,
konumlara dayanıyor

ve zorlaştıran da bunlar zaten.

Neyse ki, makine öğrenmesiyle
yeteneklerimizin ötesine gidebiliriz

bildiklerimizi betimlemek için.

Peki, bu nasıl oluyor? Örnekle.

Makineye gidiyoruz ve diyoruz ki,
"Günaydın makine.

Burada birkaç pick-and-roll olan
ve olmayan şeyler var.

Lütfen farkı söylemek için bir yol bul."

Tüm bunların anahtarı ise
ayrıştırabilecek özellikleri bulmakta.

Yani eğer bir elma ile portakal arasındaki

farkı öğreteceksem:

"Neden renk veya şekli
kullanmıyorsun?" diyebilirim.

Ve burada çözdüğümüz problem ise,
bu şeyler ne?

Ana unsurlar nedir,

bilgisayarın hareketli noktalar
dünyasını yönlendirebileceği?

Tüm bu göreli ve mutlak konum,
uzaklık, zamanlama, hızlar

ilişkilerini çözmek --

hareketli noktalar biliminin kilidi
ya da hitap etmeyi sevdiğimiz şekliyle,

Uzaysal/Zamansal Örüntü Tanımlama,
akademik dilde.

Çünkü ilk olarak kulağa zor gelen
bir şey yapmalısınız--

çünkü öyle.

Kilit şey ise, NBA koçları için,
pick-and-roll olup olmadığını

bilmek istemeleri değil.

Nasıl olduğunu bilmek istemeleri.

Neden onlar için bu kadar önemli?
İşte biraz içgörü.

Anlaşılan o ki modern basketbolda,

bu pick-and-roll belki de
en önemli oyun olmuş durumda.

Ve nasıl oynandığını bilmek,
nasıl savunulacağını bilmek

aslında çoğu oyunu kazanmanın
ve kaybetmenin anahtarı.

Görünüşe göre bu dans
birçok harika çeşitlemelere sahip

ve asıl önemli olan
çeşitlemeleri tanımlamak,

bu yüzden bunun çok çok iyi
olması gerekiyor.

İşte bir örnek.

İki hücum, iki savunma oyuncusu var,

pick-and-roll dansına hazırlanan.

Pekâlâ, toplu olan adam
alabilir veya geri çevirebilir.

Takım arkadaşı ya devrilebilir
ya da dışarı açılabilir.

Topu koruyan adam ya
üstten geçebilir ya da alttan.

Onun takım arkadaşı show-up
ya da yakın temas

veya soft show-up oynayabilir

ve birlikte switch (değişme)
ya da blitz yapabilirler,

başladığımda bunların çoğunu bilmiyordum

ve herkes bu oklara göre
hareket etseler çok iyi olurdu.

İşlerimizi kolaylaştırırdı ama
görünen o ki hareket oldukça karışık.

İnsanlar fazla hareket ediyor ve
tüm bu değişimleri saptamak,

üstelik yüksek kesinlikte,

hem duyarlılıkta hem de geri almada zor,

çünkü bunların hepsi, koçun size
inanması için gerekenler.

Ve tüm zorluklara rağmen,
doğru uzaysal/zamansal özelliklerle

yapabildik.

Koçlar, bu değişimleri saptamada
makinemizin yeteneğine güvendi.

Şu an olduğumuz nokta,
neredeyse her bir yarışmacı

bu yılki NBA şampiyonluğu için

yazılımımızı kullanıyor, basketbolun
hareketli noktalarını anlayan

makineye kurulmuş olan.

Yalnız bu değil, stratejileri
değiştirecek tavsiyeler de verdik,

takımların çok önemli maçları
yenmelerine yardım eden

ve çok heyecan verici bir şey bu,
çünkü 30 yıldır ligde olan

makineden tavsiye almaya
hevesli koçlar var.

Çok heyecan verici,
pick'n roll'dan çok daha fazla.

Bilgisayarımız basit şeylerle başladı

ve gitgide daha karmaşık şeyler öğrendi

ve artık çok fazla şey biliyor.

Açıkçası, yaptığının çoğunu anlamıyorum

ve benden akıllı olması o kadar da
özel olmamasına rağmen

merak ediyorduk,
bir makine koçtan daha fazla bilebilir mi?

Bir insandan fazlasını bilebilir mi?

Ve görünüşe göre cevap, evet.

Koçlar, oyuncuların iyi sayılar
atmalarını isterler.

Yani, potaya yakın duruyorsam

ve yakınımda kimse yoksa,
bu iyi atıştır.

Savunma oyuncularıyla çevrili ve
uzaktaysam, bu genelde kötü bir atıştır.

Ama iyinin ne kadar "iyi" olduğunu veya

kötününse ne kadar "kötü" olduğunu
nicel olarak bilemeyiz.

Şimdiye kadar.

Yani yapacağımız, tekrardan,
uzaysal/zamansal özellikleri

kullanarak her şuta baktık.

Görebiliyoruz ki: Atış nerede?
Potaya olan açı ne?

Savunma oyuncularının konumları neresi?
Uzaklıkları nasıl?

Açıları nasıl?

Çoklu savunma oyuncuları için

oyuncuların nasıl
hareket ettiklerine bakabilir

ve atış tipini kestirebiliriz.

Hızlarına bakabilir ve
bir model tasarlayabiliriz,

bu şartlar altında yapılan atışın
olabilirliğini tahmin edebilecek.

Peki bu neden önemli?

Atışa ait herhangi bir şeyi alıp

ki bu tek bir şeydi önceden,
bunu iki şeye çevirebiliriz:

Şutun kalitesi ve şut atanın kalitesi.

Ve kabarcık grafiği,
çünkü kabarcık grafiksiz bir TED nedir ki?

(Kahkahalar)

Bunlar NBA oyuncuları.

Büyüklük oyuncuların boyları ve
renkte pozisyon.

X ekseninde atış olasılıkları var.

Soldaki kişiler zor şutları atanlar,

sağdakiler ise kolay şutları atanlar.

Y ekseni ise atış kabiliyetleri.

İyi olan kişiler üstte, kötüler ise altta.

Örneğin, eğer şutlarının

genelde %47'sini atan bir oyuncu varsa,

tek bildiğiniz sadece buydu.

Ama bugün, bu oyuncunun şutu
ortalama bir NBA oyuncusunun

zamanın yüzde 49'u kadar yaptığı

ve yüzde 2 kadar daha az.

Ve önemli olmasının sebebi de
orada bir sürü %47'ler var.

Yani eğer 100 milyon dolar vermeyi
düşündüğünüz 47;

kötü atışlar atan iyi bir şut atan mı

yoksa iyi atışlar atan
kötü bir şut atan mı

olduğunu bilmek gerçekten önemli.

Makine öğrenmesi sadece oyunculara
nasıl baktığımızı değiştirmez

ama oyuna nasıl baktığımızı değiştirir.

NBA finallerinde birkaç yıl önce
çok heyecan verici bir maç vardı.

Miami 3 sayı gerideydi,
20 saniye kalmıştı.

Şampiyonayı kaybetmek üzereydiler.

LeBron James adındaki beyefendi
geldi ve eşitlik için 3'lük denedi.

Kaçırdı.

Takım arkadaşı Chris Bosh ribaund aldı,

diğer takım arkadaşı,
Ray Allen'a pas attı.

Bir 3'lük attı. Maç uzatmaya gitti.

Maçı kazandılar. Şampiyonayı kazandılar.

Basketbolun en heyecanlı
maçlarından biriydi.

Ve her oyuncu için
her saniyede şut olasılığını bilmede

bizim yeteneğimiz ve

her saniyede ribaund
almalarındaki olabilirlik

daha önce olmamış bir şekilde
bu ana ışık tutabilir.

Şimdi maalesef, o videoyu gösteremem.

Ama sizin için, o anı canlandırdık,

haftalık basketbol
maçımızda üç hafta önce.

(Kahkahalar)

Ve içyüzüne ışık tutan
izlemeyi de tekrar canlandırdık.

Ve işte biz.
Burası Los Angeles Çin mahallesinde

her hafta oynadığımız bir park

ve bu da Ray Allen anını ve ilgili

tüm izlemeleri canlandıran bizler.

Ve işte şut.

Size o anı göstereceğim

ve o anın bütün içyüzünü.

Tek fark, profesyonel
oyuncular yerine biz varız

ve profesyonel spiker yerine ben varım.

Bu yüzden, sabredin.

Miami

3 sayı geride.

20 saniye kaldı.

Jeff topu getiriyor.

Josh yakaladı, 3'lük deniyor!

[Atış olasılığı hesaplanıyor]

[Atış kalitesi]

[Ribaund olasılığı]

Girmedi!

[Ribaund olasılığı]

Ribaund Noel'de.

Daria'ya geldi.

[Atış kalitesi]

3'lük atışı -- basket!

5 saniye kala eşitlik.

Kalabalık çıldırır.

(Kahkahalar)

Bu kabaca nasıl gerçekleştiğiydi.

(Alkış)

Yaklaşık olarak.

(Alkış)

O an, NBA'de yaklaşık %9
gerçekleşme ihtimaline sahip,

biz bunu biliyoruz ve
daha birçok diğer şeyleri.

Bunun gerçekleşmesinin ne kadar zamanımızı
aldığını söylemeyeceğim.

(Gülüşmeler)

Tamam, söyleyeceğim! Dört kez.

(Gülüşmeler)

Tebrikler Daria.

Ama videoyla ilgili önemli şey

ve her NBA maçının her saniyesinin
bilgilerindeki şey-- bu değil.

Gerçek şu ki, hareketleri izlemek için
profesyonel bir takım olmanıza gerek yok.

Harekete ilişkin bilgiler için
profesyonel bir oyuncu olmanıza gerek yok.

Hatta, spor bile olmasına gerek yok,
çünkü her yere hareket ediyoruz.

Evlerimizde hareket ediyoruz,

ofislerimizde,

alışveriş yaparken ve seyahat ederken,

şehirler boyunca

ve tüm dünyada.

Ne anlayacağız? Ne öğreneceğiz?

Belki de, pick'n rolları
tanımlamak yerine,

bir makine anı
tanımlayabilir ve bana

kızımın ilk adımlarını
haber verebilir.

Ki şu an gerçekten gerçekleşiyor olabilir.

Belki de binalarımızı
daha iyi kullanabilir

ve şehirlerimizi
daha iyi planlayabiliriz.

İnanıyorum ki; hareketli noktalar
biliminin gelişimiyle

daha iyi, daha akıllı ve daha ileri
hareket edeceğiz.

Çok teşekkürler.

(Alkışlar)