0:00:00.000,0:00:04.537
Meine Kollegen und ich erforschen[br]die Wissenschaft bewegter Punkte.

0:00:04.927,0:00:06.077
Was sind diese Punkte?

0:00:06.101,0:00:07.388
Wir alle.

0:00:07.412,0:00:12.497
Wir bewegen uns zu Hause,[br]im Büro, während wir in unseren Städten

0:00:12.521,0:00:14.767
und überall auf der Welt[br]einkaufen und reisen.

0:00:14.958,0:00:18.627
Wie toll wäre es, wenn wir diese[br]Bewegung verstehen könnten --

0:00:18.918,0:00:21.808
das Muster, die Bedeutung und[br]Erkenntnisse gewinnen könnten.

0:00:22.283,0:00:24.068
Zum Glück sind wir heute gut darin,

0:00:24.230,0:00:28.727
Informationen über uns selbst zu erfassen.

0:00:28.807,0:00:32.470
Wir nutzen Sensoren, Videos oder Apps,

0:00:32.494,0:00:35.303
um unsere Bewegungen[br]sehr detailliert zu erfassen.

0:00:36.092,0:00:41.124
Ein geeigneter Bereich[br]für diese Datensammlung

0:00:41.148,0:00:42.356
ist Sport.

0:00:42.682,0:00:48.015
Beim Basketball, Baseball,[br]Football oder Fußball

0:00:48.039,0:00:52.441
müssen Stadien und die[br]Spieler Bewegung erfassen --

0:00:52.465,0:00:53.778
jede einzelne Sekunde.

0:00:53.802,0:00:58.184
Unsere Athleten werden also zu --

0:00:58.208,0:01:00.167
Sie ahnen es --

0:01:00.191,0:01:01.587
bewegten Punkten.

0:01:01.946,0:01:05.754
Wir haben eine Fülle an bewegten Punkten.[br]

0:01:05.754,0:01:09.406
Meistens sind Rohdaten aber[br]schwer zu bearbeiten und langweilig.

0:01:09.430,0:01:13.199
Basketball-Trainer z.B. wollen [br]aber bestimmte Dinge wissen.

0:01:13.223,0:01:17.033
Sie können aber nicht jede Sekunde

0:01:17.057,0:01:19.646
des Spiels sehen, merken und verarbeiten.

0:01:19.804,0:01:21.734
Das kann kein Mensch leisten.

0:01:21.758,0:01:23.068
Eine Maschine schon.

0:01:23.661,0:01:27.071
Maschinen sehen das Spiel[br]nicht mit den Augen eines Trainers.

0:01:27.363,0:01:29.624
Bis jetzt zumindest.

0:01:30.228,0:01:32.331
Was haben wir der Maschine beigebracht?

0:01:33.569,0:01:35.356
Wir haben einfach angefangen.

0:01:35.380,0:01:39.179
Mit Pässen, Würfen und Rebounds.

0:01:39.203,0:01:41.744
Was auch Gelegenheitsfans kennen dürften.

0:01:41.768,0:01:44.600
Dann wurde es etwas komplizierter.

0:01:44.624,0:01:49.212
Aufstellen, Pick-and-Roll oder Isolation.

0:01:49.377,0:01:52.920
Sagt Ihnen nichts? Keine Sorge.[br]Den meisten Gelegenheitsspielern schon.

0:01:53.560,0:01:58.900
Heute verstehen Maschinen[br]komplexe Ereignisse,

0:01:58.924,0:02:01.997
wie Down-Screens und Wide-Pins.

0:02:02.021,0:02:04.747
Sachen, die nur Profis kennen.

0:02:04.771,0:02:09.159
Wir brachten einer Maschine bei,[br]mit den Augen eines Trainers zu sehen.

0:02:10.009,0:02:11.866
Wie haben wir das geschafft?

0:02:12.511,0:02:15.629
Sollte mir ein Trainer[br]Pick-and-Roll erklären,

0:02:15.653,0:02:17.293
würde er es mir beschreiben.

0:02:17.317,0:02:20.173
Hätte ich das als Algorithmus kodiert,[br]wäre es fürchterlich.

0:02:21.026,0:02:25.304
Pick-and-Roll ist ein Tanz [br]zwischen zwei Offensiv-Spielern

0:02:25.328,0:02:27.240
und zwei Defensiv-Spielern.

0:02:27.486,0:02:29.104
Das funktioniert ungefähr so:

0:02:29.128,0:02:31.661
Es gibt einen Spieler[br]in der Offensive ohne Ball.

0:02:31.685,0:02:34.894
Er bewegt sich zum[br]Gegenspieler des Ballführenden

0:02:34.918,0:02:36.175
und bleibt da.

0:02:36.199,0:02:39.516
Es kommt Bewegung ins Spiel[br]und plötzlich ist es Pick-and-Roll.

0:02:39.540,0:02:41.755
(Lachen)

0:02:41.779,0:02:44.287
Das ist auch ein schlechter Algorithmus.

0:02:44.913,0:02:49.117
Ist der Spieler, der sich dem Gegenspieler[br]in den Weg stellt -- der Blocksteller --

0:02:49.278,0:02:52.150
nah dran, stoppt aber nicht,

0:02:52.174,0:02:53.939
ist es kein Pick-and-Roll.

0:02:54.560,0:02:58.505
Wenn er stoppt, aber nicht nah genug,

0:02:58.529,0:03:00.290
ist es kein Pick-and-Roll.

0:03:00.642,0:03:03.879
Wenn er nah dran ist und stoppt,

0:03:03.903,0:03:07.227
das aber unter dem Korb passiert,[br]ist es kein Pick-and-Roll.

0:03:07.462,0:03:09.986
Ich könnte mich irren[br]und alles ist Pick-and-Roll.

0:03:10.010,0:03:14.578
Es liegt am Timing, dem Abstand, dem Ort.

0:03:14.602,0:03:16.097
Das macht es so schwer.

0:03:16.579,0:03:21.523
Zum Glück gehen wir beim Maschinen-[br]lernen über unsere Grenzen hinaus,

0:03:21.547,0:03:23.290
bekannte Dinge zu beschreiben.

0:03:23.314,0:03:25.594
Wir funktioniert das? Mit Beispielen.

0:03:25.759,0:03:28.589
Wir sagen zur Machine:[br]"Guten Morgen, Maschine.

0:03:29.077,0:03:32.436
Das sind Pick-and-Rolls -- und das nicht.

0:03:32.720,0:03:34.972
Lern den Unterschied."

0:03:35.076,0:03:38.783
Wichtig ist, Merkmale für[br]die Unterscheidung zu finden.

0:03:38.807,0:03:40.916
Soll die Maschine den Unterschied

0:03:40.940,0:03:42.611
zwischen Äpfeln und Orangen lernen,

0:03:42.691,0:03:44.720
sag ich: "Mach es über Farbe und Form."

0:03:44.744,0:03:47.687
Dabei ergründen wir,[br]was das für Dinge sind.

0:03:47.711,0:03:48.958
Welche Kernfaktoren lassen

0:03:48.982,0:03:52.481
einen Computer die Welt[br]der bewegten Punkte steuern?

0:03:52.505,0:03:57.328
Diese Beziehungen mit relativem[br]und absolutem Ort, Abstand, Timing

0:03:57.352,0:03:59.261
und Geschwindigkeit herauszufinden,

0:03:59.440,0:04:04.368
ist der Schlüssel Punkte zu bewegen. Oder[br]wie wir es in akademischer Sprache nennen:

0:04:04.392,0:04:07.736
spatiotemporale Mustererkennung.

0:04:07.925,0:04:10.823
Das Wichtgste ist:[br]Es muss schwierig klingen.

0:04:10.847,0:04:12.125
Denn das ist es auch.

0:04:12.410,0:04:15.551
NBA-Trainer wollen nicht wissen,

0:04:15.575,0:04:17.497
ob das gerade ein Pick-and-Roll war.

0:04:17.521,0:04:19.597
Sie wollen wissen, wie das passiert ist.

0:04:19.621,0:04:22.607
Warum ist das so wichtig?[br]Hier ein kleiner Einblick:

0:04:22.631,0:04:24.402
Im modernen Basketballspiel

0:04:24.426,0:04:26.965
ist Pick-and-Roll wohl[br]der wichtigste Spielzug.

0:04:27.065,0:04:29.685
Zu wissen, wie man ihn[br]spielt oder verteidigt,

0:04:29.709,0:04:32.379
entscheidet über Gewinnen[br]oder Verlieren eines Spiels.

0:04:32.403,0:04:36.204
Diesen Tanz gibt es also[br]in vielen Variationen.

0:04:36.228,0:04:39.876
Diese Variationen zu erkennen,[br]ist das Entscheidende.

0:04:39.900,0:04:42.429
Deswegen muss es wirklich gut sein.

0:04:43.048,0:04:44.224
Ein Beispiel.

0:04:44.224,0:04:46.603
Zwei Offensiv- und zwei Defensiv-Spieler

0:04:46.603,0:04:48.755
bereiten sich auf den[br]Pick-and-Roll-Tanz vor.

0:04:48.755,0:04:51.438
Der Ballführer kann den Block[br]annehmen oder ablehnen.

0:04:52.086,0:04:55.087
Sein Mitspieler kann zum Korb[br]abrollen oder sich absetzen.

0:04:55.111,0:04:58.097
Der Gegenspieler kann über[br]oder unter dem Block vorbei.

0:04:58.121,0:05:02.686
Sein Mitspieler kann sich zeigen, den[br]Ballführer aggressiv oder soft verteigen.

0:05:02.710,0:05:05.328
Zusammen können sie[br]entweder "switchen" oder "blitzen".

0:05:05.352,0:05:08.011
Am Anfang kannte ich[br]das meiste davon nicht.

0:05:08.035,0:05:11.955
Es wäre so schön, wenn sich alle[br]mit den Pfeilen bewegen könnten.

0:05:11.979,0:05:15.884
Das würde unser Leben erleichtern.[br]Aber Bewegung ist unordentlich.

0:05:16.047,0:05:21.531
Menschen wanken viel.[br]Und das Erkennen dieser Variationen

0:05:21.555,0:05:23.408
mit exakter Präzision und Wiederholung

0:05:23.408,0:05:24.750
ist schwer.

0:05:24.774,0:05:28.392
Das braucht es, damit[br]ein Trainer an einen glaubt.

0:05:28.416,0:05:31.796
Trotz aller Schwierigkeiten mit den[br]richtigen spatiotemporalen Merkmalen

0:05:31.820,0:05:33.294
konnten wir genau das tun.

0:05:33.318,0:05:37.245
Trainer vertrauen darauf, dass unsere[br]Maschine diese Variationen erkennt.

0:05:37.478,0:05:41.011
Inzwischen benutzt fast jeder Anwärter

0:05:41.035,0:05:42.898
für diesjährige NBA-Meisterschaften

0:05:42.898,0:05:47.090
unsere Software, basierend auf[br]einer Maschine, die bewegte Punkte

0:05:47.114,0:05:48.748
im Basketball versteht.

0:05:49.872,0:05:55.025
Unser Rat hat nicht nur[br]Strategien verändert,

0:05:55.049,0:05:58.401
die Teams beim Sieg von[br]wichtigen Spielen verhalfen.

0:05:58.425,0:06:02.157
Sogar Trainer, die seit über[br]30 Jahren in der Liga sind,

0:06:02.181,0:06:05.248
nehmen den Rat einer Maschine an.

0:06:05.874,0:06:08.780
Und es geht um mehr als Pick-and-Roll.

0:06:08.804,0:06:10.880
Unser Computer begann[br]mit einfachen Dingen,

0:06:10.904,0:06:12.968
hat immer komplexere Sachen gelernt

0:06:12.992,0:06:14.553
und weiß jetzt sehr viel.

0:06:14.577,0:06:17.412
Ich verstehe, ehrlich gesagt,[br]das meiste davon nicht.

0:06:17.436,0:06:21.151
Es ist kein Kunststück[br]klüger zu sein als ich.

0:06:21.175,0:06:24.819
Aber wir fragen uns: Kann eine[br]Maschine mehr wissen als ein Trainer?

0:06:24.843,0:06:26.898
Mehr als ein Mensch?

0:06:26.922,0:06:28.667
Die verblüffende Antwort ist ja.

0:06:28.691,0:06:31.248
Trainer fordern gute[br]Würfe von den Spielern.

0:06:31.272,0:06:32.923
Wenn ich neben dem Korb stehe

0:06:32.947,0:06:35.113
und alleine bin,[br]ist es ein guter Wurf.

0:06:35.137,0:06:39.077
Wenn ich weit weg bin, umringt von[br]Verteidigern, ist das ein schlechter Wurf.

0:06:39.101,0:06:43.977
Quantitativ wussten wir aber nicht,[br]wie gut oder schlecht etwas wirklich war.

0:06:44.209,0:06:45.359
Bis jetzt.

0:06:45.771,0:06:48.829
Wir nutzten spatiotemporale Merkmale

0:06:48.853,0:06:50.227
und analysierten jeden Wurf.

0:06:50.251,0:06:53.256
Von wo wird geworfen?[br]Was ist der Winkel zum Korb?

0:06:53.280,0:06:56.042
Wo stehen die Verteigier?[br]In welcher Entfernung?

0:06:56.066,0:06:57.397
In welchen Winkeln?

0:06:57.421,0:07:00.398
Bei mehreren Verteidern sehen[br]wir die Bewegung der Spieler

0:07:00.422,0:07:01.855
und bestimmen die Wurfart.

0:07:01.879,0:07:05.953
Wir analysieren die Geschwindigkeit[br]und berechnen die Wahrscheinlichkeit,

0:07:05.977,0:07:10.029
dass der Ball unter diesen[br]Umständen reingeht.

0:07:10.188,0:07:11.688
Wozu das alles?

0:07:12.102,0:07:14.905
Wir sehen uns den Werfer an.

0:07:14.929,0:07:17.609
Und aus einer Sache werden zwei:

0:07:17.633,0:07:20.284
die Qualität des Wurfs[br]und die des Werfers.

0:07:21.680,0:07:24.942
Hier ein Blasendiagramm, das [br]ja zu jedem TED-Vortrag gehört.

0:07:24.966,0:07:25.980
(Lachen)

0:07:26.004,0:07:27.315
Das sind NBA-Spieler.

0:07:27.339,0:07:30.459
Die Größe ist die Größe des[br]Spielers und die Farbe die Position.

0:07:30.483,0:07:32.615
Die X-Achse zeigt die[br]Wurfwahrscheinlichkeit.

0:07:32.639,0:07:34.592
Spieler links machen schwierige Würfe,

0:07:34.616,0:07:36.845
rechts leichte.

0:07:37.194,0:07:39.251
Die Y-Achse zeigt ihre Wurffähigkeit.

0:07:39.275,0:07:41.837
Gute Spieler sind oben, schlechte unten.

0:07:41.861,0:07:43.621
Früher wusste man z. B. nur,

0:07:43.621,0:07:45.718
dass ein Spieler 47 % seiner Würfe macht.

0:07:45.718,0:07:47.107
Mehr nicht.

0:07:47.345,0:07:52.195
Jetzt weiß man, dass dieser Spieler[br]Würfe macht, die ein durchschnittlicher

0:07:52.219,0:07:54.180
NBA-Spieler zu 49 % machen würde.

0:07:54.204,0:07:55.888
Er ist um 2 % schlechter.

0:07:56.266,0:08:00.781
Aber es gibt viele 47er da draußen.

0:08:01.714,0:08:04.263
Man muss also wissen,

0:08:04.287,0:08:08.243
ob die 47, in die man eventuell[br]100 Millionen Dollar investieren möchte,

0:08:08.267,0:08:11.322
ein guter Spieler mit schlechten Würfen

0:08:11.346,0:08:13.743
oder ein schlechter Spieler[br]mit guten Würfen ist.

0:08:15.130,0:08:18.463
Maschinenverständnis ändert[br]unsere Sicht auf Spieler

0:08:18.487,0:08:20.345
und das Spiel.

0:08:20.369,0:08:24.124
Es gab in den NBA-Finals[br]ein sehr spannendes Spiel.

0:08:24.148,0:08:27.355
Miami lag mit 3 Punkten zurück;[br]noch 20 Sekunden zu spielen.

0:08:27.388,0:08:28.578
Es sah schlecht aus.

0:08:28.968,0:08:32.583
LeBron James nahm den Dreier

0:08:32.593,0:08:33.791
und traf nicht.

0:08:33.875,0:08:35.712
Chris Bosh holte einen Rebound

0:08:35.876,0:08:37.885
und spielte zu Ray Allen.

0:08:37.889,0:08:39.808
Er versenkte einen Dreier. Verlängerung.

0:08:40.002,0:08:42.098
Sie gewannen das Spiel[br]und die Meisterschaft.

0:08:42.122,0:08:44.566
Es war eines der[br]spannendsten Basektballspiele.

0:08:45.438,0:08:48.867
Das Wissen um die Wurfwahrscheinlichkeit[br]eines jeden Spielers

0:08:48.891,0:08:50.079
in jeder Sekunde

0:08:50.103,0:08:51.973
und die Wahrscheinlichkeit

0:08:51.973,0:08:56.526
eines erfolgreichen Rebounds kann den[br]Moment auf ungeahnte Weise beleuchten.

0:08:57.618,0:09:00.286
Leider kann ich Ihnen[br]das Video nicht zeigen.

0:09:00.310,0:09:04.803
Jedoch haben wir den Moment nachgestellt –

0:09:04.827,0:09:07.163
bei unserem wöchentlichen[br]Spiel vor 3 Wochen.

0:09:07.279,0:09:09.446
(Lachen)

0:09:09.573,0:09:12.983
Wir haben die Bewegungen nachgestellt[br]und erhielten folgende Einblicke.

0:09:13.199,0:09:17.454
Das sind wir in Chinatown,[br]Los Angeles, der Park,

0:09:17.478,0:09:19.042
in dem wir jede Woche spielen.

0:09:19.066,0:09:21.297
Hier kommt der Ray-Allen-Moment,

0:09:21.321,0:09:23.550
mit der Schrittfolge.

0:09:24.772,0:09:26.289
Hier kommt der Wurf.

0:09:26.313,0:09:28.829
Ich zeige Ihnen den Moment

0:09:28.853,0:09:31.440
und alle Erkenntnisse daraus.

0:09:31.464,0:09:35.194
Nur sind es keine Profis, sondern wir.

0:09:35.218,0:09:37.836
Und kein Profi-Sprecher, sondern ich.

0:09:37.860,0:09:39.337
Haben Sie Nachsicht.

0:09:41.153,0:09:42.303
Miami.

0:09:42.671,0:09:43.821
3 Punkte zurück.

0:09:44.107,0:09:45.257
Noch 20 Skeunden.

0:09:47.385,0:09:48.583
Jeff dribbelt nach vorn.

0:09:50.656,0:09:52.191
Josh fängt, nimmt den Dreier!

0:09:52.631,0:09:54.480
[Wurfwahrscheinlichkeit berechnen]

0:09:55.278,0:09:56.428
[Wurfwahrscheinlichkeit]

0:09:57.048,0:09:58.833
[Rebound-Wahrscheinlichkeit]

0:10:00.373,0:10:01.546
Wird nichts!

0:10:01.570,0:10:03.016
[Rebound-Wahrscheinlichkeit]

0:10:03.777,0:10:05.033
Rebound, Noel.

0:10:05.057,0:10:06.207
Zurück zu Daria.

0:10:06.509,0:10:09.874
[Wurfqualität]

0:10:10.676,0:10:12.296
Ein Dreier -- Peng!

0:10:12.320,0:10:14.517
Unentschieden 5 Sekunden vor Schluss.

0:10:14.880,0:10:16.498
Die Menge tobt.

0:10:16.522,0:10:18.181
(Lachen)

0:10:18.205,0:10:19.752
Ungefähr so war das.

0:10:19.776,0:10:20.701
(Applaus)

0:10:20.701,0:10:21.596
Ungefähr.

0:10:21.600,0:10:23.681
(Applaus)

0:10:24.121,0:10:29.605
Die Wahrscheinlichkeit, dass das[br]in der NBA passiert, lag bei 9 %.

0:10:29.629,0:10:31.890
Das wissen wir und viele andere Dinge.

0:10:31.914,0:10:35.405
Ich sage jetzt nicht, wie oft wir[br]die Szene wiederholen mussten.

0:10:35.429,0:10:37.176
(Lachen)

0:10:37.200,0:10:39.072
Okay, es waren vier.

0:10:39.096,0:10:40.097
(Lachen)

0:10:40.121,0:10:41.286
Sehr gut, Daria.

0:10:41.647,0:10:45.910
Das ist aber nicht der[br]Knackpunkt an diesem Video --

0:10:45.934,0:10:50.502
oder die Einblicke in jede[br]Sekunde jedes NBA-Spiels.

0:10:50.639,0:10:54.568
Sondern, dass man kein Profi-Team[br]sein muss, um Bewegung aufzuzeichnen.

0:10:55.083,0:10:58.740
Man muss kein Profi-Spieler sein,[br]um Einblicke in Bewegung zu erhalten.

0:10:58.764,0:11:02.622
Es muss nicht einmal Sport sein.[br]Wir bewegen uns überall.

0:11:03.654,0:11:06.023
Zu Hause,

0:11:09.428,0:11:10.633
in unseren Büros,

0:11:12.238,0:11:14.928
während des Einkaufens und Reisens

0:11:17.318,0:11:18.571
in unseren Städten

0:11:20.065,0:11:21.683
und durch die ganze Welt.

0:11:23.270,0:11:25.565
Was werden wir erfahren?[br]Was werden wir lernen?

0:11:25.589,0:11:27.894
Statt Pick-and-Rolls

0:11:27.918,0:11:30.928
könnte eine Maschine [br]den Moment identifizieren,

0:11:30.952,0:11:33.361
in dem meine Tochter[br]ihren ersten Schritt macht.

0:11:33.361,0:11:35.571
Was tatsächlich jeden[br]Moment passieren könnte.

0:11:36.140,0:11:39.837
Vielleicht können wir lernen, Gebäude[br]besser zu nutzen oder Städte zu planen.

0:11:40.362,0:11:44.535
Ich glaube, mit der Entwicklung der[br]Wissenschaft der bewegten Punkte

0:11:44.559,0:11:48.202
bewegen wir uns besser, bewegen[br]wir uns klüger, bewegen wir uns vorwärts.

0:11:48.607,0:11:49.796
Vielen Dank.

0:11:49.820,0:11:54.865
(Applaus)