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)