Kollégáimat és engem elbűvöl
a mozgó pontok tudománya.
Miféle pontoké?
Hát, mi vagyunk azok!
Mozgunk otthon, az irodában,
mikor bevásárlunk s utazunk
itthon és szerte a világban.
Nem lenne-e nagyszerű,
ha értenénk e mozgások természetét,
ha mintákat és jelentést
fedezhetnénk fel benne?
Szerencsére olyan korban élünk,
amikor saját adataink gyűjtésének
mestereivé váltunk.
Érzékelőkkel, videóval vagy appokkal
a legapróbb részletekig
nyomon követhetjük a mozgásunkat.
Úgy látszik, az egyik hely, ahonnan
a legjobb mozgásadatokat kaphatjuk
az a sport.
Legyen az kosárlabda, baseball,
amerikai foci, vagy az a másik "foci",
stadionjaink és játékosaink föl vannak
szerelve, hogy követhessük a mozgásukat
minden pillanatban.
Annyit kell csak tennünk,
hogy sportolóinkat
— nyilván már kitalálták —
mozgó pontokká változtatjuk.
Tehát van egy rakás mozgó pontunk,
s mint a legtöbb nyers adattal,
nehéz velük bánni,
és nem is túl érdekes.
De vannak olyan dolgok,
melyekre pl. a kosáredzők kíváncsiak.
De az a bibi, hogy ez nekik nem megy,
mert akkor a játékok minden pillanatát
meg kellene jegyezniük
és föl kellene dolgozniuk.
Az ember erre nem képes.
A gép viszont igen.
Az a bökkenő, hogy a gép nem
az edző szemével látja a játékot.
Legalábbis eddig nem tudta.
Milyen látásmódra tanítottuk a gépet?
Egyszerűen kezdtük.
Megtanítottuk neki a passzokat, dobásokat
és a lepattanásokat.
Ezeket egy átlagos szurkoló ismeri.
Azután sorra vettük
a kissé bonyolultabb dolgokat.
Pl. a pozíciófogást, az elzárás-leválást
és a terület-felszabadítást.
Nem baj, ha ezeket nem ismerik.
A hobbikosarasok ismerik.
Elértünk arra a pontra, ahol a gép
ma már komplex akciókat is megért,
pl az alsó elzárást
és az oldalsó elzárást.
Ezeket többnyire csak a profik ismerik.
Megtanítottuk a gépnek,
hogy miként lásson az edző szemével.
Hogyan voltunk erre képesek?
Ha megkérnék egy edzőt, hogy adjon
leírást egy akcióról,
például az elzárás-leválásról, megtenné,
s ha algoritmusként bekódolnám,
szörnyű lenne.
Az elzárás-leválást a kosárlabdában
négy játékos táncolja,
két támadó- és két védőjátékos.
Valahogy így csinálják.
Van egy labda nélküli támadójátékos,
aki a labdát birtokló támadójátékost
őrző védő mellé lép,
egy kicsit ott marad,
majd mindketten mozdulnak,
és hoppá, ez az elzárás-leválás.
(Nevetés)
Még egy példa egy borzalmas algoritmusra:
ha az akadályozó játékos —
őt hívják elzárónak —
egészen közel megy, de nem áll meg,
ez nyilván nem elzárás-leválás.
Ha viszont megáll, de nem elég közel,
nyilván ez sem elzárás-leválás.
Vagy ha egészen közel megy és megáll,
de ezt a kosár alatt teszik,
nyilván ez sem elzárás-leválás.
Vagy tévedek, s ezek
mind elzárás-leválások.
A dolog a pontos időzítéstől,
távolságtól és a helytől függ,
s ettől olyan bitangul nehéz.
Szerencsére, gépi tanulással
fölülmúlhatjuk az emberi képességeket,
hogy leírhassuk az ismert dolgokat.
Hogy működik ez? Egy példán mutatom be.
Odalépünk a géphez, és megszólítjuk:
"Jó reggelt, gép.
Van itt valami elzárás-leválás,
és még valami, ami nem az.
Kérlek, mondd meg,
mi a különbség közöttük."
Mindennek a nyitja, hogy szétválogatásra
alkalmas jellemzőket találjunk
Ha a gépnek meg akarnám tanítani a narancs
és az alma közti különbséget,
azt tanácsolnám:
"Figyeld a színt és az alakot."
A megoldandó feladat: mik ezek a tényezők?
Mik a döntő jellemzők,
melyekre támaszkodva a gép
eligazodik a mozgó pontok világában?
Ha kiderítjük a távolságok, időzítések,
relatív és abszolút helyek
és sebességek közötti összefüggést,
ez a nyitja a mozgó pontok tudományának,
vagy aminek hívni szeretjük
tudományos zsargonban:
térbeli-időbeli mintafölismerés.
Mert ugye, az elnevezés is legyen
ugyanolyan tojásfejű,
mint maga a terület.
Mert az NBA-edzőket
nem az érdekli leginkább,
hogy az akció elzárás-leválás volt-e.
Azt szeretnék tudni, hogyan történt.
Miért olyan fontos nekik?
Egy kicsit ássunk mélyebbre.
Kiderül, hogy a modern kosárlabdában
az elzárás-leválás a legfontosabb játék.
Ha ismerjük a lefolyását,
és a kivédésének módját,
ezzel nyerjük, illetve veszítjük el
a legtöbb meccset.
Kiderül, hogy ennek a táncnak
számtalan változata van,
és a lényeg az, hogy föltérképezzük
a változatokat,
méghozzá nagyon-nagyon pontosan.
Mondok egy példát.
Van két támadó- és két védőjátékosunk,
s készek eljárni
az elzárás-leválás táncot.
A labdás muki vagy megcsinálja vagy nem.
Csapattársa foroghat vagy nekiindulhat.
A labdát birtokló vagy áttör
vagy megkerülheti a lezárást.
Csapattársa segítheti váltáscsellel
vagy azzal, hogy nem mozdul,
és együtt válthatnak vagy lerohanhatnak.
Kezdetben nem ismertem ezeket a dolgokat,
és milyen jó is lenne, ha mindenki
a nyilak szerint mozogna.
Nagyon megkönnyítené az életünket,
de a mozgások nagyon bonyolultak.
A játékosok rengeteget izegnek-mozognak,
s a változatokat igen pontosan végzik.
Nehéz a változatokat
meghatározni, s meg is jegyezni.
Hiszen pont az kell, hogy egy profi edző
bízzon a játékosban.
A tér-időjellemzők minden
nehézsége ellenére
el tudtuk végezni a feladatot.
Az edzők bíznak benne, hogy gépünk
képes a változatokat meghatározni.
Ma ott tartunk, hogy az idei NBA-bajnokság
minden résztvevője
a mi szoftverünket használja,
amelynek alapja
a kosárlabda mozgó pontjait értő gép.
Nem csak tanácsokat adunk,
amely megváltoztatja a stratégiát,
hanem segítettük a csapatokat,
hogy fontos meccseket nyerhessenek.
Ez igen érdekes, mert vannak edzők,
akik 30 éve vannak a Szövetségben,
és mégis hajlandóak megfogadni
egy gép tanácsát.
Ez nagyon lelkesítő, jobban,
mint az elzárás-leválás.
Számítógépünk egyszerű dolgokkal kezdte,
s mind több összetett dolgot tanult meg,
s mára már rengeteg mindent tud.
Őszintén szólva, nem sokat értek abból,
amit művel,
s nem az a különleges benne,
hogy okosabb nálam.
Azon töprengünk, hogy a gép
többet tudhat-e egy edzőnél?
Többet tudhat-e az embernél?
Kiderül, hogy a válasz: igen.
Az edzők jól dobó játékosokat szeretnének.
Ha a kosár közelében állok,
és senki sincs a közelemben, az jó dobás.
Ha messze, védőkkel körülvéve állok,
akkor az általában rossz dobás.
De sohasem tudtuk, hogy mennyiségileg
mennyire jó a jó és rossz a rossz.
Eddig.
Azt tehetjük, ismétlem,
hogy a tér-időjellemzők segítségével
megfigyelünk minden dobást.
S elénk tárul: Honnan dobnak?
Milyen szögben van a kosár?
Hol állnak a védők?
Mennyire vannak egymástól?
Milyen szögben?
Több védőnél megfigyelhetjük,
hogyan mozog a játékos,
megtippelhetjük a dobásfajtát.
Megfigyelhetjük a sebességeket, s olyan
modellt készíthetünk, amely megjósolja,
hogy a dobás beleillik-e
ezekbe a feltételekbe.
Miért fontos ez?
A dobást, amely korábban egy dolog volt,
két részre bonthatjuk:
a dobás minősége és a dobó minősége.
Ez egy buborékdiagram, mert a TED-en
egy tapodtat se diagram nélkül.
(Nevetés)
Ezek az NBA játékosai.
A méret a játékos magassága,
a szín a helyzete.
Az x-tengelyen van a dobás valószínűsége.
a bal oldali játékosok nehéz,
a jobb oldaliak könnyű dobásokat végeznek.
Az y-tengelyen van a dobóképesség.
Fenn vannak a jó játékosok,
lenn a rosszak.
Pl. Itt egy játékosunk. A dobásai
47%-ban általában sikeresek.
Eddig csak ezt tudtuk róla.
De most már azt is, hogy ő úgy dob,
mint az esetek 49%-ában
egy átlagos NBA-játékos,
s ő 2%-kal gyengébb.
S ez azért lényeges, mert sok 47%-os van,
és tudnunk kell,
hogy a 47%-os muki,
akinek 100 millió dollárt kellene adni,
jó dobó-e, aki rosszakat dob,
vagy rossz dobó, aki jókat dob.
A gépi értelem nemcsak a játékosok
megítélését változtatja meg,
hanem a játék megítélését is.
Volt egy nagyon izgalmas meccs
pár éve az NBA döntőjében.
A Miami hárompontos hátrányban volt,
20 másodperc volt hátra.
Úgy látszott, elvesztik a bajnokságot.
Beállt LeBron James, és dobott
egy hármast, hogy egyenlítsen.
Elhibázta.
Társa, Chris Bosh a lepattanó labdát
csapattársának, Ray Allennek passzolta,
ő meg bedobta a hármast. Hosszabbítás!
Megnyerték a meccset és a bajnokságot is.
Minden idők egyik legizgalmasabb
kosármeccse volt.
Az a képességünk, hogy minden játékosról
ismertük a dobás valószínűségét
minden pillanatban,
és a lepattanó labda elkapásáét is
minden pillanatban,
a korábbiakhoz képest más
megvilágításba helyezte ezt a pillanatot.
Sajnos, nem tudom levetíteni a videót.
De az önök kedvéért
felidéztük a pillanatot
3 hete a heti kosarazásunkkor.
(Nevetés)
Újra előállítottuk az útvonalat,
amelyből eredményeink származtak.
Ezek itt mi vagyunk.
Ez a Chinatown Los Angelesben.
E parkban játszunk hetente,
itt meg újra előállítjuk
Ray Allen akcióját
és az akcióval kapcsolatos útvonalat.
Ez itt a dobás.
Meg fogom mutatni azt a pillanatot,
és az eredményeinket.
A különbség, hogy nem profik,
hanem mi játszunk,
és profi bemondó helyett én beszélek.
Viseljenek el.
Miami.
Hárompontos hátrány
20 másodperc van hátra.
Jeff hozza föl a labdát.
Josh elcsípi, s dob egy hármast.
[Dobás valószínűségének számolása]
[Dobásminőség]
[Lepattanás valószínűsége]
Nem fog menni!
[Lepattanás valószínűsége]
Lepattan, Noel.
Vissza Dariának,
[Dobásminőség]
A hárompontosa — puff!
Döntetlen, és 5 másodperc van hátra.
A tömeg bevadul.
(Nevetés)
Kb. így történt.
(Taps)
Körülbelül.
(Taps)
9%-os volt az esély, hogy az NBA-ben
az a pillanat bekövetkezik:
ezt tudjuk, és egy csomó mást is.
Inkább nem mondom meg,
hányszor próbáltuk el, míg végül sikerült.
(Nevetés)
Na jó, megmondom: négyszer.
(Nevetés)
Bravó, Daria.
De a videóval és az NBA-meccsek
minden pillanatáról meglévő
részletekkel kapcsolatban
a fontos — nem ez.
Tény, hogy nem kell profi csapatnak
lennünk, hogy kövessük a mozgásokat.
Profi játékosnak sem, hogy tájékozódjunk
a mozgások részleteiről.
Még csak nem is kell ennek sportnak
lennie, hiszen mindenfelé mozgunk.
Mozgunk otthon,
az irodában,
vásárlás közben, miközben utazgatunk
a városokban
és a világban.
Mit fogunk megtudni? Mit tanulunk meg?
Talán az elzárás-leválás
azonosítása helyett
azonosíthatja a pillanatot,
és tudtomra adhatja,
hogy kislányom mikor kezd járni.
Ez pedig most bármely
pillanatban megtörténhet.
Tán megtanuljuk, hogy jobban
használjuk épületeinket,
jobban tervezzük városainkat.
A mozgó pontok tudományának fejlesztésével
jobban és okosabban fogunk mozogni,
s előbbre haladunk.
Nagyon köszönöm.
(Taps)