Математика хитрих баскетбольних рухів

Баскетбол - це динамічна гра, що базується на імпровізації, взаємодії з іншими гравцями і на просторово-часовому розпізнаванні образу. Раджив Махесваран і його колеги аналізують рухи в ключових маневрах, щоб допомогти тренерам і гравцям поєднати інтуїцію з новими даними. Бонус: те, що вони вивчають, може допомогти нам зрозуміти, як люди рухаються всюди.

Ми з колегами захоплюємося
природою рухомих точок.

Що таке ці точки?

Це всі ми.

Всі ми пересуваємося у себе вдома,
в офісах, в магазинах і подорожуємо

по своєму місту або по всьому світу.

Хіба не було б чудово,
якби ми могли зрозуміти ці рухи?

Їх закономірності,
значення і те, що ховається за ними.

На щастя для нас, ми живемо в такий час,

коли ми досягли успіху
в зборі інформації про самих себе.

З сенсорів, відео або додатків

ми можемо відстежити наш рух
з дивовижною точністю.

Виявляється, одна з областей,
де зібрані найкращі дані про рух,

це спорт.

Чи то баскетбол чи бейсбол,
звичайний або інший футбол,

ми оснащуємо стадіони
і гравців пристроями для відстеження рухів

кожну частку секунди.

Тобто ми перетворюємо своїх атлетів

- ви, напевно, вже здогадалися,

- в рухомі точки.

Тепер у нас маса рухомих точок,
і, як з будь-якими необробленими даними,

з ними важко розібратися,
та й не так це цікаво.

Але є речі, про які, наприклад,
баскетбольні тренери хочуть знати.

Проблема в тому, що вони не знають про них,
бо довелося б дивитися кожну секунду

кожної гри, запам'ятовуючи і обробляючи.

Людина не може зробити цього,

але машина може.

Але машина не може дивитися
на гру очима тренера.

Принаймні, вони не могли
до цього часу.

Що ми навчили машину бачити?

Ми почали з простого:

навчили її таким речам, як паси,
кидки і відскоки.

Тому, що відомо звичайним уболівальникам.

А потім ми перейшли до складніших речей.

Таким маневрам, як пост-апи,
пік-н-роли та ізоляції.

Якщо ви їх не знаєте, не страшно.
Більшість гравців, можливо, знає.

На сьогоднішній день
машина розуміє складні маневри

на кшталт заслону і широких пін-даунів.

Такі терміни знають тільки професіонали.

Отже, ми навчили машину «дивитися»
очами тренера.

Як ми змогли зробити це?

Якби я попросив тренера описати,
наприклад, пік-н-рол,

то він дав би мені опис,

і якби я закодував це в алгоритм,
то нічого б не вийшло.

Пік-н-рол - це свого роду танець
в баскетболі між чотирма гравцями,

двоє в захисті і двоє в нападі.

Ось, як це відбувається.

Гравець в нападі без м'яча

йде поруч, захищає гравця з м'ячем,

і залишається в зоні.

Вони переміщаються, щось відбувається,
і -та-та! - це і є пік-н-рол.

(Сміх)

Це також приклад поганого алгоритму.

Якщо гравець, який заважає, -
робить заслону, -

підійде ближче, але не зупиниться,

можливо, це не буде пік-н-рол.

Або якщо він зупиниться,
але буде недостатньо близько,

то це теж, можливо, не пік-н-рол.

Або якщо він підійде близько і зупиниться,

але всі вони виявляться під кошиком,
це, можливо, не пік-н-рол.

Або я помиляюся, може,
і це все пік-н-роли.

На ділі, це залежить від точного часу,
відстані, місця розташування -

ось що робить це таким складним.

На щастя, машина може навчатись,
ми можемо вийти за межі своїх можливостей,

щоб описати те, що знаємо.

Як це працює?
Розглянемо на прикладі.

Отже, ми підходимо до машини і кажемо:
«Доброго ранку, машино.

Ось кілька пік-н-ролів
і кілька маневрів - не пік-н-ролів.

Будь ласка, знайди спосіб відрізнити їх.»

І ключ до всього -
знайти риси, які дозволяють розрізняти їх.

Якби я хотів навчити машину,
яка різниця

між яблуком і апельсином,

я б спитав: "Чому ти не використовуєш
колір і форму?»

Проблема, яку ми вирішуємо:
за якими параметрами відрізняти?

Які ключові риси

дозволяють комп'ютеру орієнтуватися
в світі рухомих точок?

З'ясування всіх цих відносин
між відносним і абсолютним розташуванням,

відстанню, часом, швидкістю -

це і є ключ до природи
рухомих точок, або, як ми їх називаємо,

просторово-тимчасове розпізнання образів.

Адже, у першу чергу,
потрібно назвати це якось складно -

тому що це складно.

Головне для тренерів NBA - знати не те,

чи був пік-н-рол чи ні.

Вони просто хочуть знати, як це сталося.

Чому це так важливо для них?
Так ось є така гіпотеза.

Виявляється, в сучасному баскетболі

цей пік-н-рол -
чи не найважливіший маневр.

Знати, як це відбувається
і як оборонятися від нього,

по суті, запорука виграшу
або поразки в більшості ігор.

Виявляється, у цього танцю безліч варіацій

і визначення цих варіацій -
єдина важлива річ.

І саме тому нам потрібно,
щоб машина з'ясовувала це дуже, дуже точно.

Ось приклад:

є два нападники і два захисники,

готові виконати танець пік-н-рол.

Гравець з м'ячем може або навести
на заслін або відмовитися.

Його товариш по команді може
провалитися або відкритися.

Гравець, який охороняє м'яч,
може прослизнути або обігнути заслін.

Його товариш по команді може допомогти,
зробити обмін або залишитись.

І разом вони можуть
зробити обмін або контратакувати.

Я більшу частину цього не знав,
коли тільки починав.

Було б чудово, якби всі рухалися
згідно з цими стрілками.

Нам було б набагато легше,
але рух - явище досить заплутане.

Люди рухаються багато і визначити
ці варіації

з дуже високою точністю

одночасно точно і по пам'яті,
- складно.

Адже саме це потрібно,
щоб професійний тренер повірив в тебе.

Незважаючи на всі труднощі
з просторово-часовими характеристиками,

ми змогли зробити це.

Тренери вірять в можливості нашої машини
визначати ці варіації.

Ми знаходимося на стадії, коли
практично кожен претендент

на чемпіонат NBA в цьому році

використовує нашу програму,
вбудовану на пристрої, який розуміє,

як рухаються точки в баскетболі.

Крім того, ми дали пораду,
що змінила стратегії,

які допомогли командам виграти
важливі гри.

Це дуже цікаво, адже є навіть
такі тренери, які перебувають в Лізі

30 років, але все ж готові отримати
пораду від машини.

Це дуже цікаво,
навіть більше, ніж пік-н-рол.

Наш комп'ютер починав з простих речей

і вивчав все більше і більше
складних речей,

і тепер знає дуже багато всього.

Чесно кажучи, я не знаю стільки,
скільки він.

І це не дивно, що він знає більше за мене.

Нам було цікаво,
чи може машина знати більше, ніж тренер?

Чи може вона знати більше, ніж людина?

Виявилося, що так.

Тренери хочуть,
щоб гравці виконували гарні кидки.

Якщо я стою біля кошика

і нікого немає поруч зі мною,
це хороший кидок.

Якщо я стою далеко, оточений захисниками,
це, зазвичай, поганий кидок.

Але ми не знали, як оцінити
кількісно «хороші» чи «погані» кидки.

До цього часу.

Використовуючи
просторово-часові характеристики,

ми переглядаємо кожен кидок.

Дізнатися: Звідки він зроблений?
Який кут відносно корзини?

Де стоять захисники?
Яка їхня відстань?

Під якими вони кутами?

Серед захисників ми можемо
побачити, як рухається гравець

і передбачити тип кидка.

Ми можемо обчислити їх швидкості
і побудувати модель, яка передбачить

ймовірність здійснення кидка
при даних обставинах.

Чому це так важливо?

Ми можемо визначити кидок,

який раніше був єдиний
і скласти його в два параметри:

якості кидка і здатності кидаючого.

Ось бульбашкова діаграма.
Який виступ на TED без діаграми?

(Сміх)

Це гравці NBA.

Розмір - це розмір гравців,
а колір - позиція.

На осі Х - ймовірність кидка.

Гравці зліва роблять складні кидки,

праворуч - легкі.

По осі У - їх вміння здійснювати кидки.

Хороші гравці нагорі, а гірші внизу.

Наприклад, якщо раніше був гравець

чия ефективність кидків зазвичай 47%,

це все, що вам було відомо.

Сьогодні я можу сказати вам, що гравець
робить кидки, як середньостатистичний гравець NBA

в 49% випадків,

і що вони на 2% гірші.

Це важливо знати тому,
що є багато гравців з 47%.

Дуже важливо знати,

чи з тих 47% гравець, в якого ви плануєте
вкласти 100 мільйонів доларів,

є хорошим бомбардиром,
який робить погані кидки,

чи поганим бомбардиром,
що виконує хороші кидки.

Машинний аналіз змінює не тільки те,
як ми розглядаємо гравців,

але і те, як ми бачимо гру.

Кілька років тому відбулася дуже
захоплююча гра в фіналі NBA .

«Miami» відставало на 3 очки,
залишалось 20 секунд.

Вони були на межі програшу чемпіонату.

Джентльмен на ім'я Леброн Джеймс
кинув триочковий, щоб зрівняти рахунок.

Він промахнувся.

Його товариш Кріс Бош підібрав м'яч,

і передав іншому гравцю в
команді, Рею Аллену.

Він закинув триочковий.
Гра продовжилась в овертаймі.

Вони виграли гру і чемпіонат.

Це була одна з найбільш захоплюючих
ігор в баскетболі.

Наша здатність передбачати
ймовірність кидка для кожного гравця

кожну секунду

і можливість відбору м'яча кожної секунди

може пролити світло на цей момент
так, як ніколи раніше.

На жаль,
я не можу показати вам запис тієї гри.

Але для вас ми відтворили цей момент

на нашій щотижневій грі в баскетбол
3 тижні тому.

(Сміх)

Ми відтворили їх дії,
що призвело до прозріння.

Ось ми.
Це Китайський квартал в Лос-Анджелесі,

парк, де ми граємо щотижня,

і це ми відтворюємо момент Рея Аллена

і відстежуємо рухи.

Ось кидок.

Я збираюся показати вам той момент

і всі деталі того моменту.

Єдина різниця: замість
професійних гравців граємо ми,

а замість професійного коментатора
буду я.

Будьте до мене поблажливі.

«Miami».

Розрив в три очки.

Залишилось 20 секунд.

Джефф передає м'яч.

Джош його ловить і кидає триочковий.

[Обчислюється ймовірність кидка]

[Якість кидка]

[Можливість відскоку]

Промах!

[Можливість відскоку]

Ноель ловить м'яч.

Передає його Дарії.

[Якість кидка]

Триочковий - ура!

Ми зрівняли рахунок,
і залишається ще 5 секунд.

Натовп божеволіє.

(Сміх)

Приблизно ось так
все це сталося.

(Оплески)

Приблизно.

(Оплески)

Імовірність цього моменту в грі NBA - 9%,

і ми знаємо це і ще безліч інших речей.

Не буду розповідати, скільки разів
нам довелося перегравати цей момент.

(Сміх)

Гаразд, я скажу - 4 рази.

(Сміх)

Молодець, Дарія!

Але головне в цьому відео

і знаннях, які ми маємо по кожній секунді
кожної гри NBA - не в цьому.

Головне те, що не потрібно бути
професійною командою, щоб відстежувати рух;

Тобі не потрібно бути професійним
гравцем, щоб зрозуміти всі деталі рухів.

Навіть не обов'язково застосовувати
це до спорту, адже ми рухаємося постійно.

Ми рухаємося в будинку,

в нашому офісі,

коли ходимо за покупками або подорожуємо

по місту

і по всьому світу.

Що ми дізнаємося? Чому ми навчимось?

Можливо, замість визначення пік-н-ролів

машина зможе визначити
момент і дозволить мені дізнатися,

коли моя дочка зробить свої перші кроки.

Що буквально може статися
в будь-який момент.

Можливо, ми зможемо навчитися
краще проектувати наші будівлі, міста.

Я вірю, що з розвитком науки,
що займається вивченням рухомих точок,

ми будемо рухатися краще, будемо
рухатися розумніше, будемо рухатися вперед.

Щиро вдячний.

(Оплески)