1
00:00:00,714 --> 00:00:04,877
Meus colegas e eu somos fascinados 
pela ciência dos pontos móveis.

2
00:00:04,877 --> 00:00:06,137
O que são esses pontos?

3
00:00:06,137 --> 00:00:07,438
Bem, somos todos nós.

4
00:00:07,438 --> 00:00:12,411
E nós estamos nos movendo em nossas casas,
escritórios, quando compramos e viajamos

5
00:00:12,411 --> 00:00:14,947
pelas nossas cidades e por todo o mundo.

6
00:00:14,958 --> 00:00:18,868
E não seria ótimo se pudéssemos 
entender todo esse movimento?

7
00:00:18,868 --> 00:00:22,248
Se pudéssemos encontrar padrões, 
sentido e percepções nisso?

8
00:00:22,259 --> 00:00:24,434
Felizmente, vivemos em um tempo

9
00:00:24,434 --> 00:00:28,815
em que somos incrivelmente bons 
em obter informações sobre nós mesmos.

10
00:00:28,815 --> 00:00:32,530
Seja através de sensores, vídeos, 
ou aplicativos,

11
00:00:32,530 --> 00:00:36,103
podemos rastrear nossos movimentos 
com detalhamento incrível.

12
00:00:36,103 --> 00:00:41,098
Acontece que uma das melhores fontes 
de dados sobre movimentos

13
00:00:41,098 --> 00:00:42,696
são os esportes.

14
00:00:42,696 --> 00:00:48,025
Então, seja basquete ou beisebol, 
futebol americano ou o outro futebol,

15
00:00:48,025 --> 00:00:52,465
estamos dando meios aos estádios
e jogadores para rastrear seus movimentos

16
00:00:52,465 --> 00:00:53,868
a cada fração de segundo.

17
00:00:53,868 --> 00:00:58,184
Então, o que estamos fazendo 
é transformar nossos atletas em...

18
00:00:58,208 --> 00:01:00,121
acho que adivinharam,

19
00:01:00,121 --> 00:01:01,897
pontos móveis.

20
00:01:01,897 --> 00:01:03,904
Então, temos montanhas de pontos móveis

21
00:01:03,904 --> 00:01:06,904
e, como a maioria dos dados brutos,

22
00:01:06,904 --> 00:01:09,350
é difícil de lidar e pouco interessante.

23
00:01:09,350 --> 00:01:13,163
Mas há coisas que, por exemplo, 
treinadores de basquete querem saber.

24
00:01:13,163 --> 00:01:17,033
O problema é que não conseguem saber,
porque teriam que observar cada segundo

25
00:01:17,057 --> 00:01:19,806
de cada jogo, lembrá-lo e processá-lo.

26
00:01:19,806 --> 00:01:21,794
E uma pessoa não consegue fazer isso,


27
00:01:21,794 --> 00:01:23,668
mas uma máquina consegue.

28
00:01:23,668 --> 00:01:27,361
O problema é que uma máquina não pode ver
o jogo com os olhos de um treinador.

29
00:01:27,363 --> 00:01:30,214
Pelo menos, não conseguia até agora.

30
00:01:30,228 --> 00:01:33,081
Então, o que ensinamos a máquina a ver?

31
00:01:33,581 --> 00:01:35,436
Começamos de forma simples.

32
00:01:35,436 --> 00:01:39,179
Nós ensinamos coisas como passes, 
arremessos e rebotes.

33
00:01:39,203 --> 00:01:41,784
Coisas que a maioria 
dos fãs ocasionais conhece.

34
00:01:41,784 --> 00:01:44,640
E depois passamos para coisas
um pouco mais complicadas.

35
00:01:44,640 --> 00:01:49,212
Jogar de costas para a cesta, 
fazer corta-luz e isolação.

36
00:01:49,217 --> 00:01:53,530
Se vocês não as conhecem, tudo bem.
Muitos jogadores ocasionais conhecem.

37
00:01:53,530 --> 00:01:55,294
Hoje, chegamos a um ponto

38
00:01:55,294 --> 00:01:58,924
em que a máquina
entende eventos complexos

39
00:01:58,924 --> 00:02:02,077
como bloqueios fora da bola
e até com rotações complexas.

40
00:02:02,077 --> 00:02:04,711
Basicamente coisas que só 
profissionais conhecem.

41
00:02:04,711 --> 00:02:10,009
Então, nós ensinamos a máquina 
a ver com os olhos de um treinador.

42
00:02:10,009 --> 00:02:12,506
Como conseguimos fazer isso?

43
00:02:12,511 --> 00:02:15,599
Se eu pedisse a um treinador
que descrevesse um corta-luz direto,

44
00:02:15,599 --> 00:02:17,403
ele descreveria a jogada,

45
00:02:17,403 --> 00:02:21,023
e se eu a codificasse em um algoritmo,
ele seria muito complicado.

46
00:02:21,026 --> 00:02:25,258
O corta-luz é um “balé” no basquete
entre quatro jogadores,

47
00:02:25,258 --> 00:02:27,480
Dois no ataque e dois na defesa.

48
00:02:27,486 --> 00:02:29,068
É assim que acontece:

49
00:02:29,068 --> 00:02:31,661
um cara no ataque sem a bola

50
00:02:31,685 --> 00:02:34,858
se posiciona ao lado do cara que marca
o que tem a posse da bola,

51
00:02:34,858 --> 00:02:36,175
e ele fica por ali.

52
00:02:36,179 --> 00:02:39,516
Ambos se movem, coisas acontecem,
e...tchan! É um corta-luz.

53
00:02:39,540 --> 00:02:41,719
(Risos)

54
00:02:41,719 --> 00:02:44,907
Isso é um exemplo
de um algoritmo complicado.

55
00:02:44,913 --> 00:02:49,228
Se o jogador que se interpõe,
chamado de bloqueador,

56
00:02:49,228 --> 00:02:52,150
se aproximar, mas não parar,

57
00:02:52,174 --> 00:02:54,510
provavelmente não é um corta-luz.

58
00:02:54,510 --> 00:02:58,535
Mas se parar e não ficar muito próximo,

59
00:02:58,535 --> 00:03:00,630
provavelmente não é um corta-luz.

60
00:03:00,630 --> 00:03:03,879
Ou se ele se aproximar do outro
e realmente parar,

61
00:03:03,903 --> 00:03:07,447
mas parar embaixo da cesta,
provavelmente não é um corta-luz.

62
00:03:07,462 --> 00:03:09,986
Ou posso estar enganado
e tudo pode ser um corta-luz.

63
00:03:10,010 --> 00:03:14,558
Depende realmente de uma boa sincronia,
das distâncias e dos posicionamentos,

64
00:03:14,558 --> 00:03:16,577
e é aí que está a dificuldade.

65
00:03:16,577 --> 00:03:19,297
Felizmente, com o aprendizado de máquina,

66
00:03:19,297 --> 00:03:21,547
podemos ir além
da nossa própria habilidade

67
00:03:21,547 --> 00:03:23,290
de descrever o que conhecemos.

68
00:03:23,314 --> 00:03:25,764
Como isto funciona?
Bem, é por meio de exemplos.

69
00:03:25,764 --> 00:03:29,019
Dizemos para a máquina: 
"Bom dia, máquina.

70
00:03:29,019 --> 00:03:32,716
Aqui estão alguns corta-luzes
e coisas que não são corta-luzes.

71
00:03:32,720 --> 00:03:35,072
Por favor, encontre 
um jeito de distingui-los."

72
00:03:35,076 --> 00:03:38,583
A chave de tudo é achar características
que permitam separá-los.

73
00:03:38,583 --> 00:03:41,890
Tendo que ensinar à máquina
a diferença entre uma laranja e uma maçã

74
00:03:41,890 --> 00:03:44,530
eu poderia dizer: 
"Por que não usa cor ou forma?"

75
00:03:44,530 --> 00:03:47,557
Mas o problema que estamos resolvendo é:
o que são essas coisas?

76
00:03:47,557 --> 00:03:48,912
Quais traços marcantes

77
00:03:48,912 --> 00:03:52,415
possibilitam que um computador
interprete o mundo dos pontos móveis?

78
00:03:52,415 --> 00:03:57,292
Compreender todas essas relações
entre posição relativa e absoluta,

79
00:03:57,292 --> 00:03:59,441
distância, sincronia, velocidades,

80
00:03:59,441 --> 00:04:02,732
que são realmente a chave da ciência
dos pontos móveis

81
00:04:02,732 --> 00:04:04,592
ou como gostamos de chamá-la,


82
00:04:04,592 --> 00:04:06,722
reconhecimento de padrões espaçotemporais,

83
00:04:06,722 --> 00:04:07,885
em linguagem acadêmica.

84
00:04:07,885 --> 00:04:10,843
É importante dar um nome difícil

85
00:04:10,847 --> 00:04:12,425
porque é difícil mesmo.

86
00:04:12,425 --> 00:04:15,525
Para treinadores da NBA,
o principal não é saber

87
00:04:15,525 --> 00:04:17,497
se um corta-luz aconteceu ou não,

88
00:04:17,521 --> 00:04:19,557
mas sim como aconteceu.

89
00:04:19,557 --> 00:04:22,571
E por que isso é tão importante para eles?
Perceba o porquê.

90
00:04:22,571 --> 00:04:24,442
Acontece que, no basquete moderno,

91
00:04:24,442 --> 00:04:27,065
o corta-luz talvez seja
a jogada mais importante.

92
00:04:27,065 --> 00:04:29,685
Saber como executá-la
e como se defender dela,

93
00:04:29,709 --> 00:04:32,379
é o que decide o resultado 
da maioria dos jogos.

94
00:04:32,403 --> 00:04:36,204
Essa dança tem muitas variações,

95
00:04:36,208 --> 00:04:39,850
e identificá-las é o mais importante.

96
00:04:39,850 --> 00:04:42,969
Por isso precisamos 
que esse programa seja muito bom.

97
00:04:42,969 --> 00:04:44,358
Eis um exemplo:

98
00:04:44,358 --> 00:04:46,007
dois atacantes e dois defensores

99
00:04:46,007 --> 00:04:48,377
estão prestes a executar 
o balé do corta-luz.

100
00:04:48,377 --> 00:04:51,726
O cara com a posse da bola,
pode usar ou não o bloqueio.

101
00:04:51,726 --> 00:04:55,221
Seu companheiro pode girar para o garrafão
ou abrir para receber o passe.

102
00:04:55,231 --> 00:04:58,097
Quem marca o jogador que tem a bola
pode avançar ou recuar.

103
00:04:58,121 --> 00:05:02,670
Seu companheiro pode avançar, 
marcar ou apenas acompanhar,

104
00:05:02,670 --> 00:05:05,262
e juntos podem trocar
ou dobrar a marcação.

105
00:05:05,262 --> 00:05:07,955
Eu desconhecia quase tudo isso
quando comecei,

106
00:05:07,955 --> 00:05:11,909
e seria ótimo se todos se movessem
como aquelas flechas indicam.

107
00:05:11,909 --> 00:05:16,054
Facilitaria muito as nossas vidas,
mas o movimento é muito confuso.

108
00:05:16,054 --> 00:05:19,245
Há muita movimentação e com rapidez,

109
00:05:19,245 --> 00:05:24,594
o que torna difícil identificar
e reconstituir as variações com precisão,

110
00:05:24,594 --> 00:05:28,156
pois isso é o que faz um treinador 
profissional acreditar em você.

111
00:05:28,156 --> 00:05:31,360
Apesar das dificuldades
com os aspectos espaçotemporais corretos

112
00:05:31,360 --> 00:05:32,908
conseguimos realizá-lo.

113
00:05:32,908 --> 00:05:35,418
Treinadores confiam na capacidade
da nossa máquina

114
00:05:35,418 --> 00:05:37,358
de identificar as variações.

115
00:05:37,358 --> 00:05:41,021
Chegamos no ponto
em que quase toda equipe

116
00:05:41,021 --> 00:05:42,688
da NBA este ano

117
00:05:42,688 --> 00:05:46,484
usa nosso software, 
instalado em uma máquina

118
00:05:46,484 --> 00:05:49,888
que compreende os pontos
que se movimentam, em basquetebol.

119
00:05:49,888 --> 00:05:52,029
Mais do que isto.

120
00:05:52,029 --> 00:05:55,029
Nós demos conselhos
que têm mudado estratégias,

121
00:05:55,029 --> 00:05:58,355
as quais ajudaram equipes
a vencer jogos muito importantes,

122
00:05:58,355 --> 00:05:59,701
o que é muito estimulante,

123
00:05:59,701 --> 00:06:02,314
porque existem treinadores
que estão há 30 anos na liga

124
00:06:02,314 --> 00:06:05,874
e que desejam um conselho
dado por uma máquina.

125
00:06:05,874 --> 00:06:08,364
É muito empolgante,
é muito mais do que o corta-luz.

126
00:06:08,374 --> 00:06:10,434
Nosso computador começou
com coisas simples,

127
00:06:10,434 --> 00:06:12,332
aprendeu coisas mais complexas,

128
00:06:12,332 --> 00:06:13,987
e agora sabe bastante coisas.

129
00:06:13,987 --> 00:06:17,412
Francamente, eu não entendo
muito do que ele faz,

130
00:06:17,426 --> 00:06:21,145
e embora não seja tão especial
ser mais inteligente que eu,

131
00:06:21,145 --> 00:06:24,793
nos perguntamos: “Uma máquina
pode saber mais do que um treinador?

132
00:06:24,793 --> 00:06:26,888
Mais do que uma pessoa pode saber?”

133
00:06:26,888 --> 00:06:28,571
A resposta é sim.

134
00:06:28,571 --> 00:06:31,438
Treinadores desejam
que os jogadores façam bons arremessos.

135
00:06:31,438 --> 00:06:32,897
Se eu estiver perto da cesta,

136
00:06:32,897 --> 00:06:34,697
e sem marcação, é um bom arremesso.

137
00:06:34,697 --> 00:06:37,281
Se eu estiver distante,
cercado por defensores,

138
00:06:37,281 --> 00:06:39,479
geralmente é um mau arremesso.

139
00:06:39,479 --> 00:06:44,209
Mas nunca soubemos quantitativamente
os significados de “bom” ou “mau”.

140
00:06:44,209 --> 00:06:45,609
Até agora.

141
00:06:45,609 --> 00:06:48,793
Usando características espaçotemporais,

142
00:06:48,793 --> 00:06:50,341
analisamos todos os arremessos.

143
00:06:50,341 --> 00:06:53,456
De onde foi o arremesso?
Qual o ângulo em relação à cesta?

144
00:06:53,456 --> 00:06:55,702
E as posições dos defensores?
E suas distâncias?

145
00:06:55,702 --> 00:06:57,151
Quais são seus ângulos?

146
00:06:57,151 --> 00:07:00,232
Com vários defensores, analisamos
como os jogadores se movimentam

147
00:07:00,232 --> 00:07:01,855
e prevemos o tipo de arremesso.

148
00:07:01,879 --> 00:07:05,077
Podemos analisar suas velocidades
e construir um modelo

149
00:07:05,077 --> 00:07:10,028
que prevê a probabilidade de um arremesso
ser convertido em tais circunstâncias?

150
00:07:10,028 --> 00:07:12,128
Por que é tão importante?

151
00:07:12,128 --> 00:07:14,869
Podemos transformar o que era arremessar

152
00:07:14,869 --> 00:07:17,453
em duas outras coisas:

153
00:07:17,453 --> 00:07:20,664
a qualidade do arremesso
e a qualidade do arremessador.

154
00:07:21,200 --> 00:07:22,710
Eis um gráfico de bolas.

155
00:07:22,710 --> 00:07:24,972
O que seria do TED
sem um gráfico de bolas?

156
00:07:24,972 --> 00:07:25,970
(Risos)

157
00:07:25,970 --> 00:07:27,485
Esses são jogadores da NBA.

158
00:07:27,485 --> 00:07:30,303
O tamanho da bola é o tamanho do jogador,
a cor é a posição.

159
00:07:30,303 --> 00:07:32,589
No eixo x, temos 
a probabilidade do arremesso.

160
00:07:32,589 --> 00:07:34,636
À esquerda, estão os arremessos difíceis,

161
00:07:34,636 --> 00:07:37,044
à direita, os arremessos fáceis.

162
00:07:37,044 --> 00:07:39,271
No eixo y está a habilidade de arremessar.

163
00:07:39,275 --> 00:07:41,831
Com boa habilidade em cima,
má habilidade, embaixo.

164
00:07:41,831 --> 00:07:43,531
Por exemplo, se houver um jogador

165
00:07:43,531 --> 00:07:45,718
que geralmente acerta 47% dos arremessos,

166
00:07:45,718 --> 00:07:47,357
era tudo o que se sabia antes.

167
00:07:47,357 --> 00:07:50,669
Mas hoje, posso dizer que aquele jogador
executa arremessos

168
00:07:50,669 --> 00:07:54,180
que um jogador da NBA, em média,
acertaria 49% das vezes,

169
00:07:54,204 --> 00:07:56,278
e que seriam 2% ruins.

170
00:07:56,278 --> 00:08:00,781
Isto é importante porque há
uma enorme diversidade de 47%.

171
00:08:01,714 --> 00:08:04,227
E assim é realmente importante saber

172
00:08:04,227 --> 00:08:08,273
se os 47% a quem se está considerando
dar US$ 100 milhões

173
00:08:08,283 --> 00:08:11,352
é um bom arremessador
que executa maus arremessos,

174
00:08:11,352 --> 00:08:14,113
ou um mau arremessador
que faz bons arremessos.

175
00:08:14,990 --> 00:08:18,327
O aprendizado da máquina não muda 
apenas como analisamos os jogadores,

176
00:08:18,327 --> 00:08:20,319
ele muda como analisamos o jogo.

177
00:08:20,319 --> 00:08:24,108
Houve um jogo emocionante
há alguns anos, nas finais da NBA.

178
00:08:24,108 --> 00:08:27,239
O Miami perdia por três pontos,
faltavam 20 segundos para o final,

179
00:08:27,239 --> 00:08:29,468
eles estavam 
prestes a perder o campeonato.

180
00:08:29,468 --> 00:08:32,769
Um senhor chamado LeBron James
tentou um arremesso de três.

181
00:08:32,793 --> 00:08:33,795
Ele errou.

182
00:08:33,795 --> 00:08:35,806
Seu companheiro Chris Bosh
pegou um rebote,

183
00:08:35,806 --> 00:08:37,619
passou para o companheiro Ray Allen.

184
00:08:37,619 --> 00:08:40,238
Ele marcou três pontos.
O jogo foi para a prorrogação.

185
00:08:40,238 --> 00:08:42,128
O Miami ganhou o jogo e o campeonato.

186
00:08:42,128 --> 00:08:45,196
Foi um dos mais emocionantes
jogos de basquetebol.

187
00:08:45,196 --> 00:08:46,818
E nossa capacidade de saber

188
00:08:46,818 --> 00:08:50,071
a probabilidade de arremessar
de cada jogador, a cada segundo,

189
00:08:50,071 --> 00:08:52,463
e a possibilidade de pegar
um rebote a cada segundo

190
00:08:52,463 --> 00:08:56,526
pode iluminar esse momento
como nunca foi possível.

191
00:08:57,538 --> 00:09:00,270
Infelizmente, não posso
mostrar esse vídeo a vocês.

192
00:09:00,270 --> 00:09:04,747
Mas recriamos aquele momento para vocês

193
00:09:04,747 --> 00:09:07,503
no nosso jogo semanal de basquete,
há umas três semanas.

194
00:09:07,503 --> 00:09:09,506
(Risos)

195
00:09:09,506 --> 00:09:13,153
Refizemos a trilha
que nos levou à percepção dos fatos

196
00:09:13,153 --> 00:09:17,318
Aqui estamos.
Esta é Chinatown em Los Angeles,

197
00:09:17,318 --> 00:09:19,132
um parque onde jogamos toda semana,

198
00:09:19,132 --> 00:09:20,604
e aqui estamos nós

199
00:09:20,604 --> 00:09:24,157
recriando o momento de Ray Allen
e todo o caminho associado a ele.

200
00:09:24,772 --> 00:09:26,309
Eis o arremesso.

201
00:09:26,313 --> 00:09:28,839
Vou mostrar-lhes aquele momento,

202
00:09:28,839 --> 00:09:31,384
e todas as suas percepções.

203
00:09:31,384 --> 00:09:35,234
A única diferença é que somos nós,
em vez de jogadores profissionais,

204
00:09:35,234 --> 00:09:37,876
E sou eu, 
em vez de um locutor profissional.

205
00:09:37,876 --> 00:09:39,837
Tenham paciência comigo.

206
00:09:41,153 --> 00:09:42,593
Miami.

207
00:09:42,593 --> 00:09:44,077
Perde por três pontos.

208
00:09:44,077 --> 00:09:45,537
Faltam 20 segundos.

209
00:09:47,385 --> 00:09:48,583
Jeff conduz a bola.

210
00:09:50,656 --> 00:09:52,191
Josh recebe, marca três pontos!

211
00:09:52,541 --> 00:09:55,010

[Calculando a probabilidade de arremesso]

212
00:09:55,128 --> 00:09:56,578
[Qualidade do arremesso]

213
00:09:57,048 --> 00:09:58,833
[Probabilidade de rebote]

214
00:10:00,373 --> 00:10:01,546
Não vai dar certo!

215
00:10:01,570 --> 00:10:03,736
[Probabilidade de rebote]

216
00:10:03,736 --> 00:10:05,083
Rebote, Noel.

217
00:10:05,083 --> 00:10:06,487
Devolve ao Daria.

218
00:10:06,487 --> 00:10:09,644
[Qualidade do arremesso]

219
00:10:10,676 --> 00:10:12,296
Arremesso de três pontos...pimba!

220
00:10:12,320 --> 00:10:14,790
Restam cinco segundos.

221
00:10:14,790 --> 00:10:16,528
A plateia vai à loucura.

222
00:10:16,528 --> 00:10:18,125
(Risos)

223
00:10:18,125 --> 00:10:19,802
Aconteceu mais ou menos assim.

224
00:10:19,802 --> 00:10:21,337
(Aplausos)

225
00:10:21,337 --> 00:10:22,900
Mais ou menos.

226
00:10:23,941 --> 00:10:29,589
Aquele momento tinha cerca de 9%
de probabilidade de acontecer na NBA;

227
00:10:29,589 --> 00:10:31,824
sabemos disso e de muitas outras coisas.

228
00:10:31,824 --> 00:10:35,665
Não direi a vocês quantas vezes precisamos
jogar para que isso acontecesse.

229
00:10:35,665 --> 00:10:37,110
(Risos)

230
00:10:37,110 --> 00:10:39,112
Tá bom. Contarei. Foram quatro vezes.

231
00:10:39,112 --> 00:10:40,097
(Risos)

232
00:10:40,101 --> 00:10:41,646
Muito bem, Daria.

233
00:10:41,647 --> 00:10:45,884
Porém a coisa mais importante do vídeo

234
00:10:45,884 --> 00:10:50,479
e o que percebemos em cada segundo
de todo jogo da NBA, não é isso.

235
00:10:50,479 --> 00:10:53,323
É o fato de que não é preciso
que seja um time profissional

236
00:10:53,323 --> 00:10:55,083
para rastrear a movimentação.

237
00:10:55,083 --> 00:10:58,384
Não precisa ser um jogador profissional
para entender a movimentação.

238
00:10:58,384 --> 00:11:02,622
Na verdade, nem precisa ser sobre esportes
porque nos movimentamos por toda parte.

239
00:11:03,654 --> 00:11:06,023
Nos movemos em casa,

240
00:11:09,428 --> 00:11:10,633
no escritório,

241
00:11:11,998 --> 00:11:14,928
quando fazemos compras e viajamos

242
00:11:17,318 --> 00:11:18,571
pelas cidades

243
00:11:20,065 --> 00:11:21,843
e pelo mundo.

244
00:11:23,270 --> 00:11:25,565
O que iremos saber? O que aprenderemos?

245
00:11:25,569 --> 00:11:27,858
Talvez, em vez de identificar corta-luzes,

246
00:11:27,858 --> 00:11:30,262
a máquina possa identificar o momento

247
00:11:30,262 --> 00:11:33,011
e avisar-me, quando milha filha
der os primeiros passos.

248
00:11:33,025 --> 00:11:35,980
O que poderia acontecer
a qualquer segundo, literalmente.

249
00:11:35,980 --> 00:11:40,237
Talvez possamos aprender a usar melhor
os edifícios e planejar melhor as cidades.

250
00:11:40,237 --> 00:11:44,519
Creio que com o desenvolvimento
da ciência dos pontos em movimento

251
00:11:44,519 --> 00:11:48,542
vamos nos mover melhor,
de modos mais inteligentes. Avançaremos.

252
00:11:48,542 --> 00:11:49,906
Muito obrigado.

253
00:11:49,906 --> 00:11:52,805

(Aplausos)