Meus colegas e eu somos fascinados
pela ciência dos pontos móveis.
O que são esses pontos?
Bem, somos todos nós.
E nós estamos nos movendo em nossas casas,
escritórios, quando compramos e viajamos
pelas nossas cidades e por todo o mundo.
E não seria ótimo se pudéssemos
entender todo esse movimento?
Se pudéssemos encontrar padrões,
sentido e percepções nisso?
Felizmente, vivemos em um tempo
em que somos incrivelmente bons
em obter informações sobre nós mesmos.
Seja através de sensores, vídeos,
ou aplicativos,
podemos rastrear nossos movimentos
com detalhamento incrível.
Acontece que uma das melhores fontes
de dados sobre movimentos
são os esportes.
Então, seja basquete ou beisebol,
futebol americano ou o outro futebol,
estamos dando meios aos estádios
e jogadores para rastrear seus movimentos
a cada fração de segundo.
Então, o que estamos fazendo
é transformar nossos atletas em...
acho que adivinharam,
pontos móveis.
Então, temos montanhas de pontos móveis
e, como a maioria dos dados brutos,
é difícil de lidar e pouco interessante.
Mas há coisas que, por exemplo,
treinadores de basquete querem saber.
O problema é que não conseguem saber,
porque teriam que observar cada segundo
de cada jogo, lembrá-lo e processá-lo.
E uma pessoa não consegue fazer isso,
mas uma máquina consegue.
O problema é que uma máquina não pode ver
o jogo com os olhos de um treinador.
Pelo menos, não conseguia até agora.
Então, o que ensinamos a máquina a ver?
Começamos de forma simples.
Nós ensinamos coisas como passes,
arremessos e rebotes.
Coisas que a maioria
dos fãs ocasionais conhece.
E depois passamos para coisas
um pouco mais complicadas.
Jogar de costas para a cesta,
fazer corta-luz e isolação.
Se vocês não as conhecem, tudo bem.
Muitos jogadores ocasionais conhecem.
Hoje, chegamos a um ponto
em que a máquina
entende eventos complexos
como bloqueios fora da bola
e até com rotações complexas.
Basicamente coisas que só
profissionais conhecem.
Então, nós ensinamos a máquina
a ver com os olhos de um treinador.
Como conseguimos fazer isso?
Se eu pedisse a um treinador
que descrevesse um corta-luz direto,
ele descreveria a jogada,
e se eu a codificasse em um algoritmo,
ele seria muito complicado.
O corta-luz é um “balé” no basquete
entre quatro jogadores,
Dois no ataque e dois na defesa.
É assim que acontece:
um cara no ataque sem a bola
se posiciona ao lado do cara que marca
o que tem a posse da bola,
e ele fica por ali.
Ambos se movem, coisas acontecem,
e...tchan! É um corta-luz.
(Risos)
Isso é um exemplo
de um algoritmo complicado.
Se o jogador que se interpõe,
chamado de bloqueador,
se aproximar, mas não parar,
provavelmente não é um corta-luz.
Mas se parar e não ficar muito próximo,
provavelmente não é um corta-luz.
Ou se ele se aproximar do outro
e realmente parar,
mas parar embaixo da cesta,
provavelmente não é um corta-luz.
Ou posso estar enganado
e tudo pode ser um corta-luz.
Depende realmente de uma boa sincronia,
das distâncias e dos posicionamentos,
e é aí que está a dificuldade.
Felizmente, com o aprendizado de máquina,
podemos ir além
da nossa própria habilidade
de descrever o que conhecemos.
Como isto funciona?
Bem, é por meio de exemplos.
Dizemos para a máquina:
"Bom dia, máquina.
Aqui estão alguns corta-luzes
e coisas que não são corta-luzes.
Por favor, encontre
um jeito de distingui-los."
A chave de tudo é achar características
que permitam separá-los.
Tendo que ensinar à máquina
a diferença entre uma laranja e uma maçã
eu poderia dizer:
"Por que não usa cor ou forma?"
Mas o problema que estamos resolvendo é:
o que são essas coisas?
Quais traços marcantes
possibilitam que um computador
interprete o mundo dos pontos móveis?
Compreender todas essas relações
entre posição relativa e absoluta,
distância, sincronia, velocidades,
que são realmente a chave da ciência
dos pontos móveis
ou como gostamos de chamá-la,
reconhecimento de padrões espaçotemporais,
em linguagem acadêmica.
É importante dar um nome difícil
porque é difícil mesmo.
Para treinadores da NBA,
o principal não é saber
se um corta-luz aconteceu ou não,
mas sim como aconteceu.
E por que isso é tão importante para eles?
Perceba o porquê.
Acontece que, no basquete moderno,
o corta-luz talvez seja
a jogada mais importante.
Saber como executá-la
e como se defender dela,
é o que decide o resultado
da maioria dos jogos.
Essa dança tem muitas variações,
e identificá-las é o mais importante.
Por isso precisamos
que esse programa seja muito bom.
Eis um exemplo:
dois atacantes e dois defensores
estão prestes a executar
o balé do corta-luz.
O cara com a posse da bola,
pode usar ou não o bloqueio.
Seu companheiro pode girar para o garrafão
ou abrir para receber o passe.
Quem marca o jogador que tem a bola
pode avançar ou recuar.
Seu companheiro pode avançar,
marcar ou apenas acompanhar,
e juntos podem trocar
ou dobrar a marcação.
Eu desconhecia quase tudo isso
quando comecei,
e seria ótimo se todos se movessem
como aquelas flechas indicam.
Facilitaria muito as nossas vidas,
mas o movimento é muito confuso.
Há muita movimentação e com rapidez,
o que torna difícil identificar
e reconstituir as variações com precisão,
pois isso é o que faz um treinador
profissional acreditar em você.
Apesar das dificuldades
com os aspectos espaçotemporais corretos
conseguimos realizá-lo.
Treinadores confiam na capacidade
da nossa máquina
de identificar as variações.
Chegamos no ponto
em que quase toda equipe
da NBA este ano
usa nosso software,
instalado em uma máquina
que compreende os pontos
que se movimentam, em basquetebol.
Mais do que isto.
Nós demos conselhos
que têm mudado estratégias,
as quais ajudaram equipes
a vencer jogos muito importantes,
o que é muito estimulante,
porque existem treinadores
que estão há 30 anos na liga
e que desejam um conselho
dado por uma máquina.
É muito empolgante,
é muito mais do que o corta-luz.
Nosso computador começou
com coisas simples,
aprendeu coisas mais complexas,
e agora sabe bastante coisas.
Francamente, eu não entendo
muito do que ele faz,
e embora não seja tão especial
ser mais inteligente que eu,
nos perguntamos: “Uma máquina
pode saber mais do que um treinador?
Mais do que uma pessoa pode saber?”
A resposta é sim.
Treinadores desejam
que os jogadores façam bons arremessos.
Se eu estiver perto da cesta,
e sem marcação, é um bom arremesso.
Se eu estiver distante,
cercado por defensores,
geralmente é um mau arremesso.
Mas nunca soubemos quantitativamente
os significados de “bom” ou “mau”.
Até agora.
Usando características espaçotemporais,
analisamos todos os arremessos.
De onde foi o arremesso?
Qual o ângulo em relação à cesta?
E as posições dos defensores?
E suas distâncias?
Quais são seus ângulos?
Com vários defensores, analisamos
como os jogadores se movimentam
e prevemos o tipo de arremesso.
Podemos analisar suas velocidades
e construir um modelo
que prevê a probabilidade de um arremesso
ser convertido em tais circunstâncias?
Por que é tão importante?
Podemos transformar o que era arremessar
em duas outras coisas:
a qualidade do arremesso
e a qualidade do arremessador.
Eis um gráfico de bolas.
O que seria do TED
sem um gráfico de bolas?
(Risos)
Esses são jogadores da NBA.
O tamanho da bola é o tamanho do jogador,
a cor é a posição.
No eixo x, temos
a probabilidade do arremesso.
À esquerda, estão os arremessos difíceis,
à direita, os arremessos fáceis.
No eixo y está a habilidade de arremessar.
Com boa habilidade em cima,
má habilidade, embaixo.
Por exemplo, se houver um jogador
que geralmente acerta 47% dos arremessos,
era tudo o que se sabia antes.
Mas hoje, posso dizer que aquele jogador
executa arremessos
que um jogador da NBA, em média,
acertaria 49% das vezes,
e que seriam 2% ruins.
Isto é importante porque há
uma enorme diversidade de 47%.
E assim é realmente importante saber
se os 47% a quem se está considerando
dar US$ 100 milhões
é um bom arremessador
que executa maus arremessos,
ou um mau arremessador
que faz bons arremessos.
O aprendizado da máquina não muda
apenas como analisamos os jogadores,
ele muda como analisamos o jogo.
Houve um jogo emocionante
há alguns anos, nas finais da NBA.
O Miami perdia por três pontos,
faltavam 20 segundos para o final,
eles estavam
prestes a perder o campeonato.
Um senhor chamado LeBron James
tentou um arremesso de três.
Ele errou.
Seu companheiro Chris Bosh
pegou um rebote,
passou para o companheiro Ray Allen.
Ele marcou três pontos.
O jogo foi para a prorrogação.
O Miami ganhou o jogo e o campeonato.
Foi um dos mais emocionantes
jogos de basquetebol.
E nossa capacidade de saber
a probabilidade de arremessar
de cada jogador, a cada segundo,
e a possibilidade de pegar
um rebote a cada segundo
pode iluminar esse momento
como nunca foi possível.
Infelizmente, não posso
mostrar esse vídeo a vocês.
Mas recriamos aquele momento para vocês
no nosso jogo semanal de basquete,
há umas três semanas.
(Risos)
Refizemos a trilha
que nos levou à percepção dos fatos
Aqui estamos.
Esta é Chinatown em Los Angeles,
um parque onde jogamos toda semana,
e aqui estamos nós
recriando o momento de Ray Allen
e todo o caminho associado a ele.
Eis o arremesso.
Vou mostrar-lhes aquele momento,
e todas as suas percepções.
A única diferença é que somos nós,
em vez de jogadores profissionais,
E sou eu,
em vez de um locutor profissional.
Tenham paciência comigo.
Miami.
Perde por três pontos.
Faltam 20 segundos.
Jeff conduz a bola.
Josh recebe, marca três pontos!
[Calculando a probabilidade de arremesso]
[Qualidade do arremesso]
[Probabilidade de rebote]
Não vai dar certo!
[Probabilidade de rebote]
Rebote, Noel.
Devolve ao Daria.
[Qualidade do arremesso]
Arremesso de três pontos...pimba!
Restam cinco segundos.
A plateia vai à loucura.
(Risos)
Aconteceu mais ou menos assim.
(Aplausos)
Mais ou menos.
Aquele momento tinha cerca de 9%
de probabilidade de acontecer na NBA;
sabemos disso e de muitas outras coisas.
Não direi a vocês quantas vezes precisamos
jogar para que isso acontecesse.
(Risos)
Tá bom. Contarei. Foram quatro vezes.
(Risos)
Muito bem, Daria.
Porém a coisa mais importante do vídeo
e o que percebemos em cada segundo
de todo jogo da NBA, não é isso.
É o fato de que não é preciso
que seja um time profissional
para rastrear a movimentação.
Não precisa ser um jogador profissional
para entender a movimentação.
Na verdade, nem precisa ser sobre esportes
porque nos movimentamos por toda parte.
Nos movemos em casa,
no escritório,
quando fazemos compras e viajamos
pelas cidades
e pelo mundo.
O que iremos saber? O que aprenderemos?
Talvez, em vez de identificar corta-luzes,
a máquina possa identificar o momento
e avisar-me, quando milha filha
der os primeiros passos.
O que poderia acontecer
a qualquer segundo, literalmente.
Talvez possamos aprender a usar melhor
os edifícios e planejar melhor as cidades.
Creio que com o desenvolvimento
da ciência dos pontos em movimento
vamos nos mover melhor,
de modos mais inteligentes. Avançaremos.
Muito obrigado.
(Aplausos)