Математика хитрих баскетбольних рухів
-
0:01 - 0:04Ми з колегами захоплюємося
природою рухомих точок. -
0:05 - 0:06Що таке ці точки?
-
0:06 - 0:07Це всі ми.
-
0:07 - 0:11Всі ми пересуваємося у себе вдома,
в офісах, в магазинах і подорожуємо -
0:13 - 0:15по своєму місту або по всьому світу.
-
0:15 - 0:18Хіба не було б чудово,
якби ми могли зрозуміти ці рухи? -
0:19 - 0:22Їх закономірності,
значення і те, що ховається за ними. -
0:22 - 0:24На щастя для нас, ми живемо в такий час,
-
0:24 - 0:27коли ми досягли успіху
в зборі інформації про самих себе. -
0:29 - 0:31З сенсорів, відео або додатків
-
0:32 - 0:36ми можемо відстежити наш рух
з дивовижною точністю. -
0:36 - 0:40Виявляється, одна з областей,
де зібрані найкращі дані про рух, -
0:41 - 0:42це спорт.
-
0:43 - 0:48Чи то баскетбол чи бейсбол,
звичайний або інший футбол, -
0:48 - 0:52ми оснащуємо стадіони
і гравців пристроями для відстеження рухів -
0:52 - 0:54кожну частку секунди.
-
0:54 - 0:57Тобто ми перетворюємо своїх атлетів
-
0:58 - 1:00- ви, напевно, вже здогадалися,
-
1:00 - 1:02- в рухомі точки.
-
1:02 - 1:06Тепер у нас маса рухомих точок,
і, як з будь-якими необробленими даними, -
1:07 - 1:09з ними важко розібратися,
та й не так це цікаво. -
1:09 - 1:13Але є речі, про які, наприклад,
баскетбольні тренери хочуть знати. -
1:13 - 1:17Проблема в тому, що вони не знають про них,
бо довелося б дивитися кожну секунду -
1:17 - 1:20кожної гри, запам'ятовуючи і обробляючи.
-
1:20 - 1:22Людина не може зробити цього,
-
1:22 - 1:24але машина може.
-
1:24 - 1:27Але машина не може дивитися
на гру очима тренера. -
1:27 - 1:30Принаймні, вони не могли
до цього часу. -
1:30 - 1:32Що ми навчили машину бачити?
-
1:34 - 1:35Ми почали з простого:
-
1:35 - 1:39навчили її таким речам, як паси,
кидки і відскоки. -
1:39 - 1:41Тому, що відомо звичайним уболівальникам.
-
1:42 - 1:44А потім ми перейшли до складніших речей.
-
1:45 - 1:47Таким маневрам, як пост-апи,
пік-н-роли та ізоляції. -
1:49 - 1:53Якщо ви їх не знаєте, не страшно.
Більшість гравців, можливо, знає. -
1:54 - 1:59На сьогоднішній день
машина розуміє складні маневри -
1:59 - 2:01на кшталт заслону і широких пін-даунів.
-
2:02 - 2:04Такі терміни знають тільки професіонали.
-
2:05 - 2:09Отже, ми навчили машину «дивитися»
очами тренера. -
2:10 - 2:12Як ми змогли зробити це?
-
2:13 - 2:15Якби я попросив тренера описати,
наприклад, пік-н-рол, -
2:16 - 2:17то він дав би мені опис,
-
2:17 - 2:20і якби я закодував це в алгоритм,
то нічого б не вийшло. -
2:21 - 2:25Пік-н-рол - це свого роду танець
в баскетболі між чотирма гравцями, -
2:25 - 2:27двоє в захисті і двоє в нападі.
-
2:27 - 2:29Ось, як це відбувається.
-
2:29 - 2:31Гравець в нападі без м'яча
-
2:32 - 2:34йде поруч, захищає гравця з м'ячем,
-
2:35 - 2:36і залишається в зоні.
-
2:36 - 2:40Вони переміщаються, щось відбувається,
і -та-та! - це і є пік-н-рол. -
2:40 - 2:40(Сміх)
-
2:42 - 2:45Це також приклад поганого алгоритму.
-
2:45 - 2:48Якщо гравець, який заважає, -
робить заслону, - -
2:49 - 2:52підійде ближче, але не зупиниться,
-
2:52 - 2:54можливо, це не буде пік-н-рол.
-
2:55 - 2:58Або якщо він зупиниться,
але буде недостатньо близько, -
2:59 - 3:00то це теж, можливо, не пік-н-рол.
-
3:01 - 3:04Або якщо він підійде близько і зупиниться,
-
3:04 - 3:07але всі вони виявляться під кошиком,
це, можливо, не пік-н-рол. -
3:07 - 3:10Або я помиляюся, може,
і це все пік-н-роли. -
3:10 - 3:14На ділі, це залежить від точного часу,
відстані, місця розташування - -
3:15 - 3:16ось що робить це таким складним.
-
3:17 - 3:22На щастя, машина може навчатись,
ми можемо вийти за межі своїх можливостей, -
3:22 - 3:23щоб описати те, що знаємо.
-
3:23 - 3:26Як це працює?
Розглянемо на прикладі. -
3:26 - 3:29Отже, ми підходимо до машини і кажемо:
«Доброго ранку, машино. -
3:29 - 3:32Ось кілька пік-н-ролів
і кілька маневрів - не пік-н-ролів. -
3:33 - 3:35Будь ласка, знайди спосіб відрізнити їх.»
-
3:35 - 3:39І ключ до всього -
знайти риси, які дозволяють розрізняти їх. -
3:39 - 3:41Якби я хотів навчити машину,
яка різниця -
3:41 - 3:42між яблуком і апельсином,
-
3:42 - 3:45я б спитав: "Чому ти не використовуєш
колір і форму?» -
3:45 - 3:48Проблема, яку ми вирішуємо:
за якими параметрами відрізняти? -
3:48 - 3:49Які ключові риси
-
3:49 - 3:53дозволяють комп'ютеру орієнтуватися
в світі рухомих точок? -
3:53 - 3:57З'ясування всіх цих відносин
між відносним і абсолютним розташуванням, -
3:57 - 3:59відстанню, часом, швидкістю -
-
3:59 - 4:04це і є ключ до природи
рухомих точок, або, як ми їх називаємо, -
4:04 - 4:08просторово-тимчасове розпізнання образів.
-
4:08 - 4:11Адже, у першу чергу,
потрібно назвати це якось складно - -
4:11 - 4:12тому що це складно.
-
4:12 - 4:16Головне для тренерів NBA - знати не те,
-
4:16 - 4:18чи був пік-н-рол чи ні.
-
4:18 - 4:20Вони просто хочуть знати, як це сталося.
-
4:20 - 4:23Чому це так важливо для них?
Так ось є така гіпотеза. -
4:23 - 4:24Виявляється, в сучасному баскетболі
-
4:24 - 4:27цей пік-н-рол -
чи не найважливіший маневр. -
4:27 - 4:30Знати, як це відбувається
і як оборонятися від нього, -
4:30 - 4:32по суті, запорука виграшу
або поразки в більшості ігор. -
4:32 - 4:36Виявляється, у цього танцю безліч варіацій
-
4:36 - 4:40і визначення цих варіацій -
єдина важлива річ. -
4:40 - 4:43І саме тому нам потрібно,
щоб машина з'ясовувала це дуже, дуже точно. -
4:43 - 4:44Ось приклад:
-
4:44 - 4:47є два нападники і два захисники,
-
4:47 - 4:49готові виконати танець пік-н-рол.
-
4:49 - 4:52Гравець з м'ячем може або навести
на заслін або відмовитися. -
4:52 - 4:55Його товариш по команді може
провалитися або відкритися. -
4:55 - 4:58Гравець, який охороняє м'яч,
може прослизнути або обігнути заслін. -
4:58 - 5:03Його товариш по команді може допомогти,
зробити обмін або залишитись. -
5:03 - 5:05І разом вони можуть
зробити обмін або контратакувати. -
5:05 - 5:08Я більшу частину цього не знав,
коли тільки починав. -
5:08 - 5:12Було б чудово, якби всі рухалися
згідно з цими стрілками. -
5:12 - 5:15Нам було б набагато легше,
але рух - явище досить заплутане. -
5:16 - 5:20Люди рухаються багато і визначити
ці варіації -
5:22 - 5:23з дуже високою точністю
-
5:23 - 5:25одночасно точно і по пам'яті,
- складно. -
5:25 - 5:28Адже саме це потрібно,
щоб професійний тренер повірив в тебе. -
5:28 - 5:32Незважаючи на всі труднощі
з просторово-часовими характеристиками, -
5:32 - 5:33ми змогли зробити це.
-
5:33 - 5:37Тренери вірять в можливості нашої машини
визначати ці варіації. -
5:37 - 5:41Ми знаходимося на стадії, коли
практично кожен претендент -
5:41 - 5:43на чемпіонат NBA в цьому році
-
5:43 - 5:47використовує нашу програму,
вбудовану на пристрої, який розуміє, -
5:47 - 5:51як рухаються точки в баскетболі.
-
5:51 - 5:54Крім того, ми дали пораду,
що змінила стратегії, -
5:55 - 5:58які допомогли командам виграти
важливі гри. -
5:58 - 6:02Це дуже цікаво, адже є навіть
такі тренери, які перебувають в Лізі -
6:02 - 6:0630 років, але все ж готові отримати
пораду від машини. -
6:06 - 6:09Це дуже цікаво,
навіть більше, ніж пік-н-рол. -
6:09 - 6:11Наш комп'ютер починав з простих речей
-
6:11 - 6:13і вивчав все більше і більше
складних речей, -
6:13 - 6:15і тепер знає дуже багато всього.
-
6:15 - 6:17Чесно кажучи, я не знаю стільки,
скільки він. -
6:17 - 6:21І це не дивно, що він знає більше за мене.
-
6:21 - 6:25Нам було цікаво,
чи може машина знати більше, ніж тренер? -
6:25 - 6:27Чи може вона знати більше, ніж людина?
-
6:27 - 6:29Виявилося, що так.
-
6:29 - 6:31Тренери хочуть,
щоб гравці виконували гарні кидки. -
6:31 - 6:33Якщо я стою біля кошика
-
6:33 - 6:35і нікого немає поруч зі мною,
це хороший кидок. -
6:35 - 6:39Якщо я стою далеко, оточений захисниками,
це, зазвичай, поганий кидок. -
6:39 - 6:43Але ми не знали, як оцінити
кількісно «хороші» чи «погані» кидки. -
6:44 - 6:46До цього часу.
-
6:46 - 6:49Використовуючи
просторово-часові характеристики, -
6:49 - 6:50ми переглядаємо кожен кидок.
-
6:50 - 6:53Дізнатися: Звідки він зроблений?
Який кут відносно корзини? -
6:53 - 6:56Де стоять захисники?
Яка їхня відстань? -
6:56 - 6:57Під якими вони кутами?
-
6:57 - 7:00Серед захисників ми можемо
побачити, як рухається гравець -
7:00 - 7:02і передбачити тип кидка.
-
7:02 - 7:06Ми можемо обчислити їх швидкості
і побудувати модель, яка передбачить -
7:06 - 7:10ймовірність здійснення кидка
при даних обставинах. -
7:10 - 7:12Чому це так важливо?
-
7:12 - 7:15Ми можемо визначити кидок,
-
7:15 - 7:18який раніше був єдиний
і скласти його в два параметри: -
7:18 - 7:20якості кидка і здатності кидаючого.
-
7:22 - 7:25Ось бульбашкова діаграма.
Який виступ на TED без діаграми? -
7:25 - 7:26(Сміх)
-
7:26 - 7:27Це гравці NBA.
-
7:27 - 7:30Розмір - це розмір гравців,
а колір - позиція. -
7:30 - 7:33На осі Х - ймовірність кидка.
-
7:33 - 7:35Гравці зліва роблять складні кидки,
-
7:35 - 7:36праворуч - легкі.
-
7:37 - 7:39По осі У - їх вміння здійснювати кидки.
-
7:39 - 7:42Хороші гравці нагорі, а гірші внизу.
-
7:42 - 7:44Наприклад, якщо раніше був гравець
-
7:44 - 7:46чия ефективність кидків зазвичай 47%,
-
7:46 - 7:47це все, що вам було відомо.
-
7:47 - 7:52Сьогодні я можу сказати вам, що гравець
робить кидки, як середньостатистичний гравець NBA -
7:52 - 7:54в 49% випадків,
-
7:54 - 7:56і що вони на 2% гірші.
-
7:56 - 8:02Це важливо знати тому,
що є багато гравців з 47%. -
8:02 - 8:04Дуже важливо знати,
-
8:04 - 8:08чи з тих 47% гравець, в якого ви плануєте
вкласти 100 мільйонів доларів, -
8:08 - 8:10є хорошим бомбардиром,
який робить погані кидки, -
8:10 - 8:15чи поганим бомбардиром,
що виконує хороші кидки. -
8:15 - 8:18Машинний аналіз змінює не тільки те,
як ми розглядаємо гравців, -
8:18 - 8:20але і те, як ми бачимо гру.
-
8:20 - 8:24Кілька років тому відбулася дуже
захоплююча гра в фіналі NBA . -
8:24 - 8:25«Miami» відставало на 3 очки,
залишалось 20 секунд. -
8:27 - 8:29Вони були на межі програшу чемпіонату.
-
8:29 - 8:33Джентльмен на ім'я Леброн Джеймс
кинув триочковий, щоб зрівняти рахунок. -
8:33 - 8:34Він промахнувся.
-
8:34 - 8:36Його товариш Кріс Бош підібрав м'яч,
-
8:36 - 8:38і передав іншому гравцю в
команді, Рею Аллену. -
8:38 - 8:40Він закинув триочковий.
Гра продовжилась в овертаймі. -
8:40 - 8:42Вони виграли гру і чемпіонат.
-
8:42 - 8:45Це була одна з найбільш захоплюючих
ігор в баскетболі. -
8:45 - 8:49Наша здатність передбачати
ймовірність кидка для кожного гравця -
8:49 - 8:50кожну секунду
-
8:50 - 8:53і можливість відбору м'яча кожної секунди
-
8:53 - 8:57може пролити світло на цей момент
так, як ніколи раніше. -
8:58 - 9:00На жаль,
я не можу показати вам запис тієї гри. -
9:00 - 9:03Але для вас ми відтворили цей момент
-
9:05 - 9:07на нашій щотижневій грі в баскетбол
3 тижні тому. -
9:07 - 9:10(Сміх)
-
9:10 - 9:13Ми відтворили їх дії,
що призвело до прозріння. -
9:13 - 9:17Ось ми.
Це Китайський квартал в Лос-Анджелесі, -
9:17 - 9:19парк, де ми граємо щотижня,
-
9:19 - 9:21і це ми відтворюємо момент Рея Аллена
-
9:21 - 9:24і відстежуємо рухи.
-
9:25 - 9:26Ось кидок.
-
9:26 - 9:29Я збираюся показати вам той момент
-
9:29 - 9:31і всі деталі того моменту.
-
9:31 - 9:34Єдина різниця: замість
професійних гравців граємо ми, -
9:34 - 9:38а замість професійного коментатора
буду я. -
9:38 - 9:41Будьте до мене поблажливі.
-
9:41 - 9:43«Miami».
-
9:43 - 9:44Розрив в три очки.
-
9:44 - 9:47Залишилось 20 секунд.
-
9:47 - 9:51Джефф передає м'яч.
-
9:51 - 9:53Джош його ловить і кидає триочковий.
-
9:53 - 9:55[Обчислюється ймовірність кидка]
-
9:55 - 9:59[Якість кидка]
-
9:59 - 10:00[Можливість відскоку]
-
10:00 - 10:02Промах!
-
10:02 - 10:04[Можливість відскоку]
-
10:04 - 10:05Ноель ловить м'яч.
-
10:05 - 10:07Передає його Дарії.
-
10:07 - 10:09[Якість кидка]
-
10:11 - 10:12Триочковий - ура!
-
10:12 - 10:15Ми зрівняли рахунок,
і залишається ще 5 секунд. -
10:15 - 10:16Натовп божеволіє.
-
10:17 - 10:18(Сміх)
-
10:18 - 10:20Приблизно ось так
все це сталося. -
10:20 - 10:21(Оплески)
-
10:21 - 10:22Приблизно.
-
10:22 - 10:23(Оплески)
-
10:24 - 10:29Імовірність цього моменту в грі NBA - 9%,
-
10:30 - 10:32і ми знаємо це і ще безліч інших речей.
-
10:32 - 10:35Не буду розповідати, скільки разів
нам довелося перегравати цей момент. -
10:35 - 10:37(Сміх)
-
10:37 - 10:39Гаразд, я скажу - 4 рази.
-
10:39 - 10:40(Сміх)
-
10:40 - 10:41Молодець, Дарія!
-
10:42 - 10:46Але головне в цьому відео
-
10:46 - 10:50і знаннях, які ми маємо по кожній секунді
кожної гри NBA - не в цьому. -
10:51 - 10:55Головне те, що не потрібно бути
професійною командою, щоб відстежувати рух; -
10:55 - 10:59Тобі не потрібно бути професійним
гравцем, щоб зрозуміти всі деталі рухів. -
10:59 - 11:04Навіть не обов'язково застосовувати
це до спорту, адже ми рухаємося постійно. -
11:04 - 11:09Ми рухаємося в будинку,
-
11:09 - 11:12в нашому офісі,
-
11:12 - 11:15коли ходимо за покупками або подорожуємо
-
11:17 - 11:19по місту
-
11:20 - 11:22і по всьому світу.
-
11:23 - 11:26Що ми дізнаємося? Чому ми навчимось?
-
11:26 - 11:28Можливо, замість визначення пік-н-ролів
-
11:28 - 11:31машина зможе визначити
момент і дозволить мені дізнатися, -
11:31 - 11:33коли моя дочка зробить свої перші кроки.
-
11:33 - 11:36Що буквально може статися
в будь-який момент. -
11:36 - 11:40Можливо, ми зможемо навчитися
краще проектувати наші будівлі, міста. -
11:40 - 11:45Я вірю, що з розвитком науки,
що займається вивченням рухомих точок, -
11:45 - 11:49ми будемо рухатися краще, будемо
рухатися розумніше, будемо рухатися вперед. -
11:49 - 11:50Щиро вдячний.
-
11:50 - 11:51(Оплески)
- Title:
- Математика хитрих баскетбольних рухів
- Speaker:
- Раджив Махесваран
- Description:
-
Баскетбол - це динамічна гра, що базується на імпровізації, взаємодії з іншими гравцями і на просторово-часовому розпізнаванні образу. Раджив Махесваран і його колеги аналізують рухи в ключових маневрах, щоб допомогти тренерам і гравцям поєднати інтуїцію з новими даними. Бонус: те, що вони вивчають, може допомогти нам зрозуміти, як люди рухаються всюди.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 12:08
Khrystyna Romashko approved Ukrainian subtitles for The math behind basketball's wildest moves | ||
Khrystyna Romashko accepted Ukrainian subtitles for The math behind basketball's wildest moves | ||
Khrystyna Romashko edited Ukrainian subtitles for The math behind basketball's wildest moves | ||
Khrystyna Romashko edited Ukrainian subtitles for The math behind basketball's wildest moves | ||
Solomia Studynska edited Ukrainian subtitles for The math behind basketball's wildest moves | ||
Solomia Studynska edited Ukrainian subtitles for The math behind basketball's wildest moves | ||
Solomia Studynska edited Ukrainian subtitles for The math behind basketball's wildest moves | ||
Solomia Studynska edited Ukrainian subtitles for The math behind basketball's wildest moves |