Mes collègues et moi sommes fascinés
par la science des « points mobiles ».
Alors, c'est quoi ces points ?
Eh bien, c'est nous tous.
Nous nous déplaçons chez nous,
au bureau, au magasin, en voyage
à travers les villes et
autour du monde.
Ça ne serait pas génial si on pouvait
comprendre tous ces mouvements ?
Si on pouvait trouver des schémas,
leur sens et mieux les comprendre ?
Nous avons la chance de vivre à une époque
où nous excellons à capturer
des informations sur nous-mêmes.
Donc que ce soit par des capteurs,
des vidéos ou des applications,
on peut suivre nos mouvements
d'une façon incroyablement détaillée.
En fait, un des secteurs dans lequel
nous avons les meilleures données
sur le mouvement est le sport.
Que ce soit le basket, le baseball,
le foot ou le football américain,
nous équipons nos stades et nos joueurs
afin de suivre leurs mouvements
à chaque fraction de seconde.
En fait nous transformons
nos athlètes en –
vous avez surement deviné,
des points mobiles.
Nous avons donc des tonnes de points
mobiles ; comme toutes les données brutes,
c'est difficile à traiter
et pas vraiment intéressant.
Mais il y a des choses que les entraîneurs
de basket, par exemple, veulent savoir.
Le problème, c'est que pour les obtenir,
il faudrait qu'ils regardent
chaque seconde de chaque match,
s'en rappellent et les analysent.
Personne n'est capable de le faire,
mais une machine le peut.
Le problème, c'est qu'elle ne peut
pas voir avec les yeux de l'entraîneur.
Du moins pas jusqu'à maintenant.
Alors qu'a-t-on appris
à la machine pour qu'elle voie ?
On a commencé simplement.
On lui a d'abord appris des choses comme
les passes, les tirs et les rebonds –
que la plupart des fans
devraient connaître.
Et puis on est passé à des choses
un peu plus compliquées.
Des choses comme des post-ups,
des pick and rolls et des isolements.
Peut-être ne les connaissez-vous pas, mais
la plupart des joueurs les connaissent.
De nos jours, les machines comprennent
des événements complexes
comme orienter et poser des écrans.
Des choses que seuls
les professionnels connaissent.
Nous avons appris à une machine à voir
avec les yeux d'un entraîneur.
Alors, comment y sommes-nous parvenus ?
Si je demandais à un entraîneur
de décrire un pick and roll,
ils me donneraient une description.
Et si je l'encodais en un algorithme,
ce serait très mauvais.
Il se trouve que le pick and roll est
cette danse au basket entre 4 joueurs,
deux à l'attaque et deux à la défense.
Et voilà à peu près comment ça se passe.
Du côté de l'attaque,
il y a ce type sans le ballon
et il se met près du type qui
couvre le type qui a le ballon,
et il reste là
et tous les deux bougent
et le jeu continue,
et voilà : un pick and roll.
(Rires)
C'est aussi un exemple
d'un très mauvais algorithme.
Donc si le joueur interférant,
celui qu'on appelle le garde--
s'approche mais ne s'arrête pas,
il ne s'agit sans doute pas
d'un pick and roll.
Ou bien s'il s'arrête,
mais pas assez près,
il ne s'agit sûrement pas
d'un pick and roll.
Ou, s'il s'approche vraiment
et il s'arrête
mais ça se passe sous le panier,
ce n'est sans doute pas un pick and roll.
Ou alors je me trompe
et tous ces exemples
sont des pick and roll.
Tout dépend du timing,
des distances et des emplacements,
et c'est ça qui est difficile à apprécier.
Mais heureusement, on peut apprendre
aux machines à décrire les choses
qu'on connaît, bien au-delà
de nos capacités.
Alors comment ça marche ?
Eh bien, on utilise des exemples.
On va voir la machine et on lui dit :
« Bonjour, machine.
Voila des exemples de pick and roll,
et voici des choses qui n'en sont pas.
S'il te plaît, trouve un moyen
de faire la différence. »
Il s'agit de trouver les caractéristiques
permettant la séparation.
Alors pour lui enseigner
la différence
entre une pomme et une orange,
pourquoi ne pas utiliser
les couleurs et les formes ?
Et le problème à résoudre c'est,
quelles sont ces choses ?
Quelles sont les caractéristiques
permettant à l'ordinateur de naviguer
dans le monde des points mobiles ?
Comprendre toutes ces relations
avec des positions relatives et absolues,
la distance, le temps, les vélocités –
c'est vraiment le cœur de la science
des points mobiles,
ou bien, comme on l'appelle :
schéma spatio-temporel de reconnaissance
en langage académique.
Parce que tout d'abord,
il faut que ça sonne compliqué.
Parce que ça l'est.
Mais, pour les entraîneurs,
le problème n'est pas de savoir
s'il s'agit d'un pick and roll ou non.
Ils veulent savoir comment
le pick and roll a pu avoir lieu.
Et pourquoi c'est important
pour eux ? Je vous explique.
Il se trouve que
dans le basketball moderne,
ce pick and roll est peut-être le type
de jeu le plus important.
Savoir comment l'initier
et en assurer sa défense,
est ce qui détermine la plupart
des victoires et des défaites.
Si bien que cette danse a beaucoup
de formes différentes
et pouvoir identifier ces variations
est vraiment ce qui compte,
et c'est pour ça qu'il faut que ce système
soit vraiment bon.
Un exemple :
2 joueurs en attaque,
2 en défense,
prêts à interpréter la danse
du pick and roll.
Celui qui a le ballon peut
prendre ou laisser.
Son coéquipier peut se diriger vers une
zone de terrain libre ou poser un écran.
Celui qui défend le ballon peut passer
au dessus ou en dessous.
Son coéquipier peut se tenir à
distance ou jouer « soft »
et ensemble ils peuvent passer le ballon
ou détruire le pick and roll
et je ne connaissais pas tout ça
quand j'ai commencé.
Ça serait super si tout le monde
pouvait suivre les flêches.
Ça rendrait notre vie bien plus simple,
mais les mouvements sont désordonnés.
Les gens gigotent beaucoup
et identifier ces variations
avec une grande netteté,
quant à la précision et au recalcul,
est difficile
parce que c'est ce qui est nécessaire
pour que l'entraîneur croit en vous.
Malgré toutes les difficultés à trouver
les traits spatiotemporels corrects,
on a réussi.
Les entraineurs font confiance à nos
machines pour identifier les variations.
Nous sommes au point où
presque toutes les équipes
en NBA cette année
utilisent notre logiciel, construit
sur une machine qui comprend
les points mobiles du basketball.
Nous avons même fourni des conseils
qui ont changé les stratégies
qui ont aidé des équipes à gagner
des matchs très importants,
et c'est vraiment passionnant parce qu'il
y a des entraîneurs qui sont en NBA
depuis 30 ans, qui acceptent
les avis d'une machine.
Et c'est passionnant,
c'est bien plus que le pick and roll.
Nos ordinateurs sont partis
de choses simples
et ont appris des choses plus complexes
et maintenant ils savent tant de choses.
Franchement, je ne comprends
pas tout ce qu'il fait,
et bien que ça ne soit pas si
étonnant d'être plus intelligent que moi,
on s'est demandé, est-ce qu'une machine
peut en savoir plus qu'un entraîneur ?
Peut-elle en savoir plus qu'une personne ?
Et il se trouve que la réponse est oui.
On veut que les joueurs
fassent de bons tirs.
Donc si je suis près du panier
et qu'il n'y a personne autour,
c'est un bon tir.
Si je suis loin du panier entouré de
défenseurs, c'est un mauvais tir.
Mais avant, on ne savait pas
quantifier le bon et le mauvais
jusqu'à maintenant.
Donc, ce qu'on peut faire, c'est utiliser
les traits spatio-temporels,
on a étudié tous les tirs.
On peut voir : Où est le tir ?
Quel est l'angle avec le panier ?
Où se tiennent les défenseurs ?
A quelle distance ?
Quels sont leurs angles ?
Quand il y a plusieurs défenseurs, on peut
regarder comment les joueurs se déplacent
et prédire le type de tir.
On peut étudier leur vélocité
et construire un modèle qui prédit
les chances que ce tir réussisse
dans ces circonstances.
Alors, pourquoi c'est important ?
On peut prendre le tir,
qui était une seule chose
et qui en devient deux :
la qualité du tir
et la qualité du tireur.
Voici un graphique à bulles,
indispensable dans une conférence TED.
(Rires)
Voici des joueurs du NBA.
Cette taille est la taille du joueur
et la couleur, sa position.
En abscisse,
on a la probabilité du tir.
Les gens sur la gauche
font des tirs difficiles
sur la droite, des tirs faciles.
En ordonnée, on trouve
leur habileté au tir.
Ceux qui sont bons sont en haut
et les mauvais en bas.
Par exemple, s'il y avait un joueur
qui réussissait généralement
47% de ses tirs,
c'était tout ce qu'on savait avant.
Mais maintenant, ce joueur fait des tirs
qu'un joueur du NBA moyen
réussirait 49% du temps,
donc il est moins bon de 2 points.
La raison pour laquelle c'est important:
il y a beaucoup de 47 sur le marché.
Donc, c'est vraiment important de savoir
si le 47 à qui vous envisagez de donner
100 millions de dollars
est un bon tireur qui fait de mauvais tirs
ou un mauvais tireur qui fait
de bons tirs.
La compréhension de la machine ne change
pas comment nous voyons les joueurs,
ça change la manière de voir le jeu.
Il y a deux ans, il y a eu
une finale passionnante.
Miami perdait par trois points
et il restait 20 secondes.
Ils étaient sur le point de perdre
le titre de champion.
Un homme nommé Lebron James a tiré
pour essayer d'égaliser le score.
Il a manqué.
Son coéquipier Chris Bosh a eu le rebond,
l'a passé à un autre coéquipier,
Ray Allen.
Il a marqué 3 points.
Il y a eu prolongation.
Ils ont gagné le match et le championnat.
C'était un des meilleurs matchs
de l'histoire du basketball.
Et notre capacité à connaître la
probabilité des tirs
pour chaque joueur à chaque seconde,
et les chances qu'ils ont d'avoir
un rebond à chaque seconde
peut éclairer ce moment comme
jamais auparavant.
Malheureusement, je ne peux pas
vous montrer cette vidéo.
Mais nous avons reconstruit
ce moment pour vous
lors de notre match hebdomadaire
il y a 3 semaines.
(Rires)
Et nous avons recréé
ce moment de révélation.
Alors, nous voilà.
Nous sommes à Chinatown à Los Angeles,
dans un parc où nous jouons
toutes les semaines,
et nous voilà recréant
le moment de Ray Allen
et tout le pistage qui va avec.
Voilà le tir.
Je vais vous montrer cette partie
et les coulisses de ce moment.
La seule différence : au lieu de joueurs
professionnels, c'est nous,
et à la place d'un commentateur
professionnel, c'est moi.
Alors accrochez-vous.
Miami.
Trois points de retard.
20 secondes restantes.
Jeff apporte le ballon.
Josh l'attrape, et marque 3 points.
(Calcul de probabilité du tir)
(Qualité du tir)
(Probabilité de rebond)
Il ne rentre pas !
(Probabilité de rebond)
Rebond, Noel.
Passe à Daria.
(Qualité de tir)
Trois points !
Égalité à 5 secondes de la fin !
La foule est en délire.
(Rires)
C'est à peu près comment
ça s'est passé.
A peu près.
(Applaudissements)
Cet instant avait à peu près 9%
de chance d'arriver pendant la finale,
et on sait ça et
beaucoup d'autres choses.
Je ne vous dirai pas combien
d'essais il nous a fallu pour y arriver.
(Rires)
Bon d'accord ! Quatre.
(Rires)
Bravo Daria.
Mais ce qui est important dans cette vidéo
et les connaissances qu'elle apporte sur
chaque seconde du match -- n'est pas ça.
C'est le fait qu'on puisse suivre les
déplacements de toutes sortes d'équipes.
Il n'est pas nécessaire d'être un joueur
professionnel pour étudier les mouvements.
En fait, la technologie s'adapte hors
du sport parce qu'on se déplace partout.
On bouge dans nos maisons,
dans nos bureaux,
quand on fait des courses,
quand on voyage
dans les villes
et autour du monde.
Qu'est-ce qu'on va apprendre
à connaître ?
Peut-être qu'au lieu d'identifier des
pick and rolls,
une machine peut identifier
le moment et me dire
quand ma fille commence à marcher.
Ce qui pourrait d'ailleurs arriver
sous peu.
On pourrait apprendre à mieux utiliser
nos immeubles, mieux planifier nos villes.
Je crois qu'avec le développement
de la science des points mobiles,
on se déplacera mieux,
plus intelligemment, on ira de l'avant.
Merci beaucoup.
(Applaudissements)