ABOUT THE SPEAKER
Rajiv Maheswaran - Researcher
Using advanced data analysis tools, Rajiv Maheswaran and Second Spectrum help make basketball teams smarter.

Why you should listen

Sports fans can get obsessed with stats about player performance and game-day physics. But basketball, a fluid and fast-moving game, has been tough to understand through numbers. Rajiv Maheswaran is working to change that, by offering pro basketball teams insight into game data to make better decisions. Maheswaran is the CEO and co-founder of Second Spectrum, a startup transforming sports through technology. He is also a Research Assistant Professor at the University of Southern California's Computer Science Department and a Project Leader at the Information Sciences Institute at the USC Viterbi School of Engineering, where he co-directs the Computational Behavior Group.

His research spans various aspects of multi-agent systems and distributed artificial intelligence using decision-theoretic and game-theoretic frameworks and solutions. His current interests focus on data analytics, visualization and real-time interaction to understand behavior in spatiotemporal domains. Like, say, the spatiotemporal domain around a basketball hoop.

More profile about the speaker
Rajiv Maheswaran | Speaker | TED.com
TED2015

Rajiv Maheswaran: The math behind basketball's wildest moves

רג'יב מהסוורן: המתמטיקה שמאחורי מהלכי הכדורסל הנועזים ביותר

Filmed:
2,683,104 views

כדורסל הוא משחק שמורכב מתנועה מהירה, אלתורים, מגע וגם... זיהוי תבניות מרחב-זמן. רג'יב מהסוורן ועמיתיו מנתחים את התנועות שמאחורי מהלכי מפתח של המשחק כדי לסייע למאמנים ולשחקנים לשלב את האינטואיציה שלהם עם הנתונים החדשים. בונוס: מה שהם לומדים יוכל לסייע לנו להבין איך אנשים נעים בכל מקום.
- Researcher
Using advanced data analysis tools, Rajiv Maheswaran and Second Spectrum help make basketball teams smarter. Full bio

Double-click the English transcript below to play the video.

00:12
My colleaguesעמיתים and I are fascinatedמוּקסָם
by the scienceמַדָע of movingמעבר דירה dotsנקודות.
0
954
3583
מדע הנקודות הנעות מרתק אותי ואת עמיתיי.
00:16
So what are these dotsנקודות?
1
4927
1150
אז מהן הנקודות האלו?
00:18
Well, it's all of us.
2
6101
1287
הנקודות הן אנחנו, כולנו.
00:19
And we're movingמעבר דירה in our homesבתים,
in our officesמשרדים, as we shopלִקְנוֹת and travelלִנְסוֹעַ
3
7412
5085
אנחנו נעים בבית, במשרד, בקניות ובחופשה,
00:24
throughoutבְּמֶשֶך our citiesערים
and around the worldעוֹלָם.
4
12521
2066
ברחבי הערים ומסביב לעולם.
00:26
And wouldn'tלא it be great
if we could understandמבין all this movementתְנוּעָה?
5
14958
3669
האם לא היה נפלא אילו יכולנו
להבין את התנועה הזאת,
00:30
If we could find patternsדפוסי and meaningמַשְׁמָעוּת
and insightתוֹבָנָה in it.
6
18918
2890
אילו יכולנו למצוא בה
תבניות, משמעויות ותובנות?
00:34
And luckilyלְמַרְבֶּה הַמַזָל for us, we liveלחיות in a time
7
22259
1785
התמזל מזלנו ואנחנו חיים בעידן
עתיר אפשרויות תיעוד עצמי.
00:36
where we're incrediblyבצורה מדהימה good
at capturingלכידת informationמֵידָע about ourselvesבְּעָצמֵנוּ.
8
24068
4497
00:40
So whetherהאם it's throughדרך
sensorsחיישנים or videosסרטונים, or appsאפליקציות,
9
28807
3663
חיישנים, סרטונים ואפליקציות מאפשרים לנו
00:44
we can trackמַסלוּל our movementתְנוּעָה
with incrediblyבצורה מדהימה fine detailפרט.
10
32494
2809
לעקוב אחרי התנועה שלנו
ולקבל עליה נתונים מפורטים ביותר.
00:48
So it turnsפונה out one of the placesמקומות
where we have the bestהטוב ביותר dataנתונים about movementתְנוּעָה
11
36092
5032
ומתברר שאחד התחומים שבהם
הנתונים שיש לנו על התנועה טובים במיוחד
00:53
is sportsספורט.
12
41148
1208
הוא הספורט.
00:54
So whetherהאם it's basketballכדורסל or baseballבייסבול,
or footballכדורגל or the other footballכדורגל,
13
42682
5333
בכדורסל, בבייסבול, בכדורגל או בפוטבול,
01:00
we're instrumentingמכשיר our stadiumsאיצטדיונים
and our playersשחקנים to trackמַסלוּל theirשֶׁלָהֶם movementsתנועות
14
48039
4402
אנחנו מתקינים ציוד באצטדיונים שלנו
ועל השחקנים
כדי לתעד את התנועות שלהם בכל שבריר שנייה.
01:04
everyכֹּל fractionשבריר of a secondשְׁנִיָה.
15
52465
1313
01:05
So what we're doing
is turningחֲרִיטָה our athletesספורטאים into --
16
53802
4382
למעשה אנחנו הופכים את האתלטים שלנו ל...
01:10
you probablyכנראה guessedניחשת it --
17
58208
1959
אתם בוודאי כבר מנחשים...
01:12
movingמעבר דירה dotsנקודות.
18
60191
1396
נקודות נעות.
01:13
So we'veיש לנו got mountainsהרים of movingמעבר דירה dotsנקודות
and like mostרוב rawגלם dataנתונים,
19
61946
4934
אז יש לנו הררי נתונים על נקודות נעות.
וכמו רוב המידע הגולמי,
קשה לקרוא אותם והם לא מאוד מעניינים.
01:18
it's hardקָשֶׁה to dealעִסקָה with
and not that interestingמעניין.
20
66904
2502
01:21
But there are things that, for exampleדוגמא,
basketballכדורסל coachesמאמנים want to know.
21
69430
3769
אבל יש דברים שמאמני כדורסל, לדוגמה,
היו רוצים לדעת.
01:25
And the problemבְּעָיָה is they can't know them
because they'dהם היו have to watch everyכֹּל secondשְׁנִיָה
22
73223
3810
אבל הם לא יכולים לדעת אותם,
כי הם יצטרכו לצפות בכל שנייה
של כל משחק, לזכור ולנתח אותן.
01:29
of everyכֹּל gameמִשְׂחָק, rememberלִזכּוֹר it and processתהליך it.
23
77057
2589
01:31
And a personאדם can't do that,
24
79804
1930
בני אדם לא מסוגלים לעשות את זה,
01:33
but a machineמְכוֹנָה can.
25
81758
1310
אבל מכונות יכולות.
01:35
The problemבְּעָיָה is a machineמְכוֹנָה can't see
the gameמִשְׂחָק with the eyeעַיִן of a coachמְאַמֵן.
26
83661
3410
הבעיה היא שמכונות לא יכולות לראות את המשחק
כמו שמאמן רואה אותו.
01:39
At leastהכי פחות they couldn'tלא יכול untilעד now.
27
87363
2261
לפחות הן לא יכלו לבצע את זה עד כה.
01:42
So what have we taughtלימד the machineמְכוֹנָה to see?
28
90228
2103
אז מה לימדנו את המכונה לראות?
01:45
So, we startedהתחיל simplyבפשטות.
29
93569
1787
התחלנו במהלכים פשוטים.
01:47
We taughtלימד it things like passesעובר,
shotsיריות and reboundsריבאונדים.
30
95380
3799
לימדנו את המכונה מהם
מסירות, זריקות וכדורים חוזרים.
01:51
Things that mostרוב casualאַגָבִי fansמעריצים would know.
31
99203
2541
מהלכים פשוטים שכל חובב כדורסל מכיר.
01:53
And then we movedנִרגָשׁ on to things
slightlyמְעַט more complicatedמסובך.
32
101768
2832
משם עברנו למהלכים קצת יותר מורכבים.
01:56
Eventsאירועים like post-upsפוסט-אפים,
and pick-and-rollsלחמניות, and isolationsבידוד.
33
104624
4588
מהלכים כמו פוסט-אפ, פיק-אנד-רול ובידוד.
02:01
And if you don't know them, that's okay.
Mostרוב casualאַגָבִי playersשחקנים probablyכנראה do.
34
109377
3543
המהלכים האלה מוכרים לרוב השחקנים החובבנים
וגם אם אינכם מכירים אותם - לא נורא.
02:05
Now, we'veיש לנו gottenקיבל to a pointנְקוּדָה where todayהיום,
the machineמְכוֹנָה understandsמבין complexמורכב eventsאירועים
35
113560
5340
היום המכונה מבינה כבר מהלכים מורכבים
02:10
like down screensמסכים and wideרָחָב pinsסיכות.
36
118924
3073
כמו Down screens ו-Wide pins.
02:14
Basicallyבעיקרון things only professionalsאנשי מקצוע know.
37
122021
2726
דברים שרק מקצוענים מכירים.
02:16
So we have taughtלימד a machineמְכוֹנָה to see
with the eyesעיניים of a coachמְאַמֵן.
38
124771
4388
לימדנו את המכונה לראות
מנקודת המבט של המאמן.
02:22
So how have we been ableיכול to do this?
39
130009
1857
איך עשינו את זה?
02:24
If I askedשאל a coachמְאַמֵן to describeלְתַאֵר
something like a pick-and-rollלבחור ולגלגל,
40
132511
3118
אם הייתי מבקש ממאמן
לתאר מהלך כמו פיק-אנד-רול,
02:27
they would give me a descriptionתיאור,
41
135653
1640
והייתי מקודד את התיאור שלו כאלגוריתם,
02:29
and if I encodedמוּצפָּן that as an algorithmאַלגוֹרִיתְם,
it would be terribleנורא.
42
137317
2856
זה היה איום ונורא.
02:33
The pick-and-rollלבחור ולגלגל happensקורה to be this danceלִרְקוֹד
in basketballכדורסל betweenבֵּין fourארבעה playersשחקנים,
43
141026
4278
פיק-אנד-רול הוא ריקוד
של ארבעה שחקנים בכדורסל,
02:37
two on offenseעבירה and two on defenseהֲגָנָה.
44
145328
1912
שני תוקפים ושני מגינים.
02:39
And here'sהנה kindסוג of how it goesהולך.
45
147486
1618
הוא מתנהל בערך ככה:
02:41
So there's the guy on offenseעבירה
withoutלְלֹא the ballכַּדוּר
46
149128
2533
שחקן תוקף שהכדור לא בידיו
02:43
the ballכַּדוּר and he goesהולך nextהַבָּא to the guy
guardingשְׁמִירָה the guy with the ballכַּדוּר,
47
151685
3209
מתקרב לשחקן ההגנה ששומר על השחקן עם הכדור,
02:46
and he kindסוג of staysנשאר there
48
154918
1257
ואז הוא נשאר בסביבה,
02:48
and they bothשניהם moveמהלך \ לזוז \ לעבור and stuffדברים happensקורה,
and ta-daטא-דה, it's a pick-and-rollלבחור ולגלגל.
49
156199
3317
ושניהם נעים וקורים כל מיני דברים
וטה-דה! קיבלנו פיק-אנד-רול.
02:51
(Laughterצחוק)
50
159540
2215
(צחוק)
02:53
So that is alsoגַם an exampleדוגמא
of a terribleנורא algorithmאַלגוֹרִיתְם.
51
161779
2508
זאת גם דוגמה לאלגוריתם גרוע.
02:56
So, if the playerשחקן who'sמי זה the interfererמפריע --
he's calledשקוראים לו the screenerצופר --
52
164913
4204
אם השחקן שמפריע, שנקרא השחקן החוסם,
03:01
goesהולך closeלִסְגוֹר by, but he doesn't stop,
53
169278
2872
מתקרב לשחקן עם הכדור אבל לא עוצר,
03:04
it's probablyכנראה not a pick-and-rollלבחור ולגלגל.
54
172174
1765
זה כנראה לא פיק-אנד-רול.
03:06
Or if he does stop,
but he doesn't stop closeלִסְגוֹר enoughמספיק,
55
174560
3945
אם הוא עוצר, אבל לא עוצר מספיק קרוב,
03:10
it's probablyכנראה not a pick-and-rollלבחור ולגלגל.
56
178529
1761
גם זה כנראה לא פיק-אנד-רול.
03:12
Or, if he does go closeלִסְגוֹר by
and he does stop
57
180642
3237
אם הוא עוצר מספיק קרוב,
אבל שני השחקנים מתחת לסל,
03:15
but they do it underתַחַת the basketסַל,
it's probablyכנראה not a pick-and-rollלבחור ולגלגל.
58
183903
3324
גם זה כנראה לא פיק-אנד-רול.
ואולי אני בכלל טועה,
וכל המהלכים האלה יכולים להיות פיק-אנד-רול.
03:19
Or I could be wrongלא בסדר,
they could all be pick-and-rollsלחמניות.
59
187462
2524
03:22
It really dependsתלוי on the exactמְדוּיָק timingתִזמוּן,
the distancesמרחקים, the locationsמיקומים,
60
190010
4568
זה תלוי בתזמון המדויק, במרחקים, במיקומים,
03:26
and that's what makesעושה it hardקָשֶׁה.
61
194602
1495
וזה מה שמסבך את העניין.
03:28
So, luckilyלְמַרְבֶּה הַמַזָל, with machineמְכוֹנָה learningלְמִידָה,
we can go beyondמעבר our ownשֶׁלוֹ abilityיְכוֹלֶת
62
196579
4944
למרבה המזל, למידה חישובית מאפשרת לנו
לפרוץ את גבולות היכולת שלנו
03:33
to describeלְתַאֵר the things we know.
63
201547
1743
לתאר את הדברים שאנחנו יודעים.
03:35
So how does this work?
Well, it's by exampleדוגמא.
64
203314
2280
אז איך זה עובד? בעזרת דוגמאות.
03:37
So we go to the machineמְכוֹנָה and say,
"Good morningשַׁחַר, machineמְכוֹנָה.
65
205759
2830
אנחנו ניגשים למכונה ואומרים לה,
"בוקר טוב, מכונה.
03:41
Here are some pick-and-rollsלחמניות,
and here are some things that are not.
66
209077
3359
הנה כמה מהלכים של פיק-אנד-רול,
והנה כמה מהלכים שהם לא פיק-אנד-רול.
03:44
Please find a way to tell the differenceהֶבדֵל."
67
212720
2252
תמצאי בבקשה דרך לזהות את ההבדלים ביניהם".
03:47
And the keyמַפְתֵחַ to all of this is to find
featuresמאפיינים that enableלְאַפשֵׁר it to separateנפרד.
68
215076
3707
המפתח לכך הוא למצוא מאפיינים
שמאפשרים לבצע את ההבחנה הזאת.
03:50
So if I was going
to teachלְלַמֵד it the differenceהֶבדֵל
69
218807
2109
לדוגמה, אילו רציתי ללמד את המכונה
להבדיל בין תפוזים לתפוחים,
03:52
betweenבֵּין an appleתפוח עץ and orangeתפוז,
70
220940
1381
הייתי מציע לה "אולי תבדקי צבע או צורה?"
03:54
I mightאולי say, "Why don't you
use colorצֶבַע or shapeצוּרָה?"
71
222345
2375
03:56
And the problemבְּעָיָה that we're solvingפְּתִירָה is,
what are those things?
72
224744
2943
הבעיה שאנחנו מנסים לפתור היא,
מהם המאפיינים האלה?
03:59
What are the keyמַפְתֵחַ featuresמאפיינים
73
227711
1247
מהם מאפייני המפתח שמאפשרים למחשב
לנווט בעולם הנקודות הנעות?
04:00
that let a computerמַחשֵׁב navigateנווט
the worldעוֹלָם of movingמעבר דירה dotsנקודות?
74
228982
3499
04:04
So figuringלהבין out all these relationshipsיחסים
with relativeקרוב משפחה and absoluteמוּחלָט locationמקום,
75
232505
4823
הבנת היחסים בין מיקום, מרחק,
תזמון ומהירויות יחסיים ומוחלטים,
04:09
distanceמֶרְחָק, timingתִזמוּן, velocitiesהמהירות --
76
237352
1909
04:11
that's really the keyמַפְתֵחַ to the scienceמַדָע
of movingמעבר דירה dotsנקודות, or as we like to call it,
77
239440
4928
היא המפתח למדע הנקודות הנעות,
או כפי שאנחנו מכנים זאת בשפה האקדמית,
זיהוי תבניות מרחב-זמן.
04:16
spatiotemporalspatiotemporal patternתַבְנִית recognitionהַכָּרָה,
in academicאקדמי vernacularדִבּוּרִי.
78
244392
3344
04:19
Because the first thing is,
you have to make it soundנשמע hardקָשֶׁה --
79
247925
2898
זה נשמע מסובך,
04:22
because it is.
80
250847
1278
כי זה באמת מסובך.
04:24
The keyמַפְתֵחַ thing is, for NBANBA coachesמאמנים,
it's not that they want to know
81
252410
3141
חשוב להבין שלמאמני אן-בי-איי לא באמת אכפת
04:27
whetherהאם a pick-and-rollלבחור ולגלגל happenedקרה or not.
82
255575
1922
אם היה או לא היה פיק-אנד-רול.
04:29
It's that they want to know
how it happenedקרה.
83
257521
2076
אלא הם רוצים להבין איך המהלך התרחש.
04:31
And why is it so importantחָשׁוּב to them?
So here'sהנה a little insightתוֹבָנָה.
84
259621
2986
ולמה זה כל כך חשוב להם?
04:34
It turnsפונה out in modernמוֹדֶרנִי basketballכדורסל,
85
262631
1771
מתברר שבכדורסל מודרני,
04:36
this pick-and-rollלבחור ולגלגל is perhapsאוּלַי
the mostרוב importantחָשׁוּב playלְשַׂחֵק.
86
264426
2539
הפיק-אנד-רול נחשב
למהלך החשוב ביותר במשחק.
04:39
And knowingיוֹדֵעַ how to runלָרוּץ it,
and knowingיוֹדֵעַ how to defendלְהַגֵן it,
87
267065
2620
והידע איך לנהל אותו,
והידע איך להתגונן מפניו,
04:41
is basicallyבעיקרון a keyמַפְתֵחַ to winningלנצח
and losingלאבד mostרוב gamesמשחקים.
88
269709
2670
הם למעשה המפתח לניצחון או להפסד
ברוב המשחקים.
04:44
So it turnsפונה out that this danceלִרְקוֹד
has a great manyרב variationsוריאציות
89
272403
3801
מתברר שלריקוד הזה יש הרבה מאוד וריאציות,
04:48
and identifyingזיהוי the variationsוריאציות
is really the thing that mattersעניינים,
90
276228
3648
והזיהוי שלהן הוא שורש העניין,
04:51
and that's why we need this
to be really, really good.
91
279900
2529
ולכן אנחנו צריכים למצוא דרך
לבצע את הזיהוי בצורה מיטבית.
04:55
So, here'sהנה an exampleדוגמא.
92
283228
1176
הנה דוגמה.
יש שני תוקפים ושני מגינים
04:56
There are two offensiveהֶתקֵפִי
and two defensiveהֲגַנָתִי playersשחקנים,
93
284428
2379
שמתכוננים לבצע את ריקוד הפיק-אנד-רול.
04:58
gettingמקבל readyמוּכָן to do
the pick-and-rollלבחור ולגלגל danceלִרְקוֹד.
94
286831
2152
השחקן עם הכדור יכול לבחור
בין Take לבין Reject.
05:01
So the guy with ballכַּדוּר
can eitherאוֹ take, or he can rejectלִדחוֹת.
95
289007
2683
השותף שלו יכול לבחור בין Roll לבין Pop.
05:04
His teammateחבר צוות can eitherאוֹ rollגָלִיל or popפּוֹפּ.
96
292086
3001
השחקן ששומר על השחקן עם הכדור
יכול לבחור בין Over ל-Under.
05:07
The guy guardingשְׁמִירָה the ballכַּדוּר
can eitherאוֹ go over or underתַחַת.
97
295111
2986
05:10
His teammateחבר צוות can eitherאוֹ showלְהַצִיג
or playלְשַׂחֵק up to touchלגעת, or playלְשַׂחֵק softרַך
98
298121
4565
השותף שלו יכול לבחור בין Show
ל-Up to Touch או ל-Soft.
05:14
and togetherיַחַד they can
eitherאוֹ switchהחלף or blitzבליץ
99
302710
2618
וביחד הם יכולים לבחור בין Switch ל-Blitz.
05:17
and I didn't know
mostרוב of these things when I startedהתחיל
100
305352
2659
בתחילת הדרך לא הכרתי את רוב המונחים האלה.
05:20
and it would be lovelyיָפֶה if everybodyכולם movedנִרגָשׁ
accordingלפי to those arrowsחצים.
101
308035
3920
אם השחקנים היו תמיד נעים לפי החצים,
החיים שלנו היו הרבה יותר קלים.
05:23
It would make our livesחיים a lot easierקל יותר,
but it turnsפונה out movementתְנוּעָה is very messyמבולגן.
102
311979
3905
אבל מתברר שתנועה היא עסק מאוד מבולגן.
התנועה של השחקנים מפותלת מאוד,
05:28
People wiggleלְכַשְׁכֵּשׁ a lot and gettingמקבל
these variationsוריאציות identifiedמזוהה
103
316047
5484
וקשה מאוד לזהות את הווריאציות השונות
ברמת נכונות גבוהה,
05:33
with very highגָבוֹהַ accuracyדיוק,
104
321555
1303
05:34
bothשניהם in precisionדיוק and recallלִזכּוֹר, is toughקָשֶׁה
105
322882
1868
ולשמור על רמות גבוהות של דיוק ואחזור.
05:36
because that's what it takes to get
a professionalמקצועי coachמְאַמֵן to believe in you.
106
324774
3618
כדי שמאמנים מקצועיים יאמינו במערכת שלנו
היא חייבת לעמוד בדרישות האלה.
05:40
And despiteלמרות all the difficultiesקשיים
with the right spatiotemporalspatiotemporal featuresמאפיינים
107
328416
3380
ולמרות הקשיים המרובים במציאת
מאפייני המרחב-זמן המתאימים
05:43
we have been ableיכול to do that.
108
331820
1474
הצלחנו לעשות את זה.
05:45
Coachesמאמנים trustאמון our abilityיְכוֹלֶת of our machineמְכוֹנָה
to identifyלזהות these variationsוריאציות.
109
333318
3927
מאמנים בוטחים ביכולת של המכונה שלנו
לזהות את הווריאציות האלה.
05:49
We're at the pointנְקוּדָה where
almostכִּמעַט everyכֹּל singleיחיד contenderיָרִיב
110
337478
3533
כמעט כל הקבוצות שמתמודדות השנה
על אליפות האן-בי-איי
05:53
for an NBANBA championshipאַלִיפוּת this yearשָׁנָה
111
341035
1623
05:54
is usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני our softwareתוֹכנָה, whichאיזה is builtבנוי
on a machineמְכוֹנָה that understandsמבין
112
342682
4408
משתמשות בתוכנה שלנו,
שמבוססת על מכונה שמבינה
את הנקודות הנעות במשחק הכדורסל.
05:59
the movingמעבר דירה dotsנקודות of basketballכדורסל.
113
347114
1634
06:01
So not only that, we have givenנָתוּן adviceעֵצָה
that has changedהשתנה strategiesאסטרטגיות
114
349872
5153
מעבר לזה, הייעוץ שלנו
שינה אסטרטגיות של קבוצות
06:07
that have helpedעזר teamsצוותים winלנצח
very importantחָשׁוּב gamesמשחקים,
115
355049
3352
ועזר להן לנצח במשחקי מפתח.
06:10
and it's very excitingמְרַגֵשׁ because you have
coachesמאמנים who'veמי been in the leagueלִיגָה
116
358425
3732
זה מאוד מרגש אותנו.
מאמנים עם ותק של 30 שנות אימון
מוכנים לקבל עצות ממכונה.
06:14
for 30 yearsשנים that are willingמוּכָן to take
adviceעֵצָה from a machineמְכוֹנָה.
117
362181
3067
06:17
And it's very excitingמְרַגֵשׁ,
it's much more than the pick-and-rollלבחור ולגלגל.
118
365874
2906
וזה מאוד מרגש.
לא מדובר רק בפיק-אנד-רול.
06:20
Our computerמַחשֵׁב startedהתחיל out
with simpleפָּשׁוּט things
119
368804
2076
המחשב שלנו התחיל בדברים פשוטים,
06:22
and learnedמְלוּמָד more and more complexמורכב things
120
370904
2064
ולמד דברים יותר ויותר מורכבים.
06:24
and now it knowsיודע so manyרב things.
121
372992
1561
והיום הוא יודע הרבה מאוד דברים.
06:26
Franklyבכנות, I don't understandמבין
much of what it does,
122
374577
2835
למען האמת, אני כבר לא מבין
הרבה מהדברים שהוא עושה.
06:29
and while it's not that specialמיוחד
to be smarterחכם יותר than me,
123
377436
3715
אמנם לא קשה להיות יותר חכם ממני,
06:33
we were wonderingתוהה,
can a machineמְכוֹנָה know more than a coachמְאַמֵן?
124
381175
3644
אבל תהינו אם מכונה
יכולה לדעת יותר ממאמנים?
06:36
Can it know more than personאדם could know?
125
384843
2055
האם המכונה יכולה לדעת יותר מאדם?
06:38
And it turnsפונה out the answerתשובה is yes.
126
386922
1745
והתשובה היא כן.
06:40
The coachesמאמנים want playersשחקנים
to take good shotsיריות.
127
388691
2557
המאמנים רוצים שהשחקנים יזרקו זריקות טובות.
06:43
So if I'm standingעוֹמֵד nearליד the basketסַל
128
391272
1651
אם אני עומד ליד הסל
ואין אף אחד אחר לידי,
06:44
and there's nobodyאף אחד nearליד me,
it's a good shotבְּעִיטָה.
129
392947
2166
זאת זריקה טובה.
06:47
If I'm standingעוֹמֵד farרָחוֹק away surroundedמוּקָף
by defendersמגינים, that's generallyבדרך כלל a badרַע shotבְּעִיטָה.
130
395137
3940
אם אני רחוק מהסל ומוקף בשחקני הגנה,
זאת בדרך כלל זריקה גרועה.
06:51
But we never knewידע how good "good" was,
or how badרַע "badרַע" was quantitativelyכמותית.
131
399101
4876
אבל לא ידענו מבחינת כמותית
כמה "טוב" הוא טוב או כמה "רע" הוא רע.
06:56
Untilעד now.
132
404209
1150
עד עכשיו.
06:57
So what we can do, again,
usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני spatiotemporalspatiotemporal featuresמאפיינים,
133
405771
3058
כעת, בעזרת מאפיינים של מרחב-זמן
07:00
we lookedהביט at everyכֹּל shotבְּעִיטָה.
134
408853
1374
אנחנו יכולים לבחון כל זריקה.
07:02
We can see: Where is the shotבְּעִיטָה?
What's the angleזָוִית to the basketסַל?
135
410251
3005
אנחנו יכולים לראות:
מאיפה מתבצעת הזריקה? מה הזווית לסל?
07:05
Where are the defendersמגינים standingעוֹמֵד?
What are theirשֶׁלָהֶם distancesמרחקים?
136
413280
2762
איפה עומדים המגינים?
מה המרחקים מהם?
מה הזוויות שלהם?
07:08
What are theirשֶׁלָהֶם anglesזוויות?
137
416066
1331
אם יש כמה מגינים,
07:09
For multipleמְרוּבֶּה defendersמגינים, we can look
at how the player'sשל השחקן movingמעבר דירה
138
417421
2977
אנחנו יכולים לבדוק איך השחקן נע
ולחזות את סוג הזריקה שלו.
07:12
and predictלַחֲזוֹת the shotבְּעִיטָה typeסוּג.
139
420422
1433
07:13
We can look at all theirשֶׁלָהֶם velocitiesהמהירות
and we can buildלִבנוֹת a modelדֶגֶם that predictsצופה
140
421879
4074
אנחנו יכולים לבחון את המהירויות שלהם,
ואנחנו יכולים לבנות מודל שחוזה מראש
07:17
what is the likelihoodסְבִירוּת that this shotבְּעִיטָה
would go in underתַחַת these circumstancesנסיבות?
141
425977
4052
מה הסיכוי שהזריקה הזאת
תיכנס לסל בנסיבות האלה.
07:22
So why is this importantחָשׁוּב?
142
430188
1500
מה החשיבות של זה?
07:24
We can take something that was shootingיְרִי,
143
432102
2803
אנחנו יכולים לקחת זריקה,
07:26
whichאיזה was one thing before,
and turnלפנות it into two things:
144
434929
2680
ולחלק אותה לשני חלקים:
07:29
the qualityאיכות of the shotבְּעִיטָה
and the qualityאיכות of the shooterיוֹרֶה.
145
437633
2651
איכות הזריקה ואיכות הזורק.
07:33
So here'sהנה a bubbleבּוּעָה chartטבלה,
because what's TEDTED withoutלְלֹא a bubbleבּוּעָה chartטבלה?
146
441680
3262
זה תרשים בועות,
כי ב-TED אי אפשר בלי תרשים בועות...
07:36
(Laughterצחוק)
147
444966
1014
(צחוק)
07:38
Those are NBANBA playersשחקנים.
148
446004
1311
אלה שחקני אן-בי-איי.
07:39
The sizeגודל is the sizeגודל of the playerשחקן
and the colorצֶבַע is the positionעמדה.
149
447339
3120
גודל הבועה הוא גובה השחקן
והצבע שלה הוא המיקום שלו.
07:42
On the x-axisציר x,
we have the shotבְּעִיטָה probabilityהִסתַבְּרוּת.
150
450483
2132
ציר ה-x מציג את סיכויי הזריקה.
07:44
People on the left take difficultקָשֶׁה shotsיריות,
151
452639
1953
השחקנים שמשמאל זורקים זריקות קשות,
07:46
on the right, they take easyקַל shotsיריות.
152
454616
2229
ושחקנים בצד ימין זורקים זריקות קלות.
07:49
On the [y-axisציר y] is theirשֶׁלָהֶם shootingיְרִי abilityיְכוֹלֶת.
153
457194
2057
ציר ה-y מציג את כישורי הזריקה שלהם.
07:51
People who are good are at the topחלק עליון,
badרַע at the bottomתַחתִית.
154
459275
2562
השחקנים הטובים נמצאים למעלה,
והגרועים למטה.
07:53
So for exampleדוגמא, if there was a playerשחקן
155
461861
1760
נניח לדוגמה ששחקן
מגיע ל-47 אחוזי הצלחה בזריקות.
07:55
who generallyבדרך כלל madeעָשׂוּי
47 percentאָחוּז of theirשֶׁלָהֶם shotsיריות,
156
463621
2097
07:57
that's all you knewידע before.
157
465718
1389
בעבר זה כל מה שידענו עליו.
07:59
But todayהיום, I can tell you that playerשחקן
takes shotsיריות that an averageמְמוּצָע NBANBA playerשחקן
158
467345
4850
אבל היום אני יכול לספר לכם
שהשחקן זורק זריקות
08:04
would make 49 percentאָחוּז of the time,
159
472219
1961
ששחקן ממוצע באן-בי-איי
מצליח ב-49 אחוזים מהן.
08:06
and they are two percentאָחוּז worseרע יותר.
160
474204
1684
כלומר, הוא גרוע מהשחקן הממוצע
בשני אחוזים.
08:08
And the reasonסיבה that's importantחָשׁוּב
is that there are lots of 47s out there.
161
476266
4515
והנתון הזה חשוב, כי יש הרבה שחקני 47.
08:13
And so it's really importantחָשׁוּב to know
162
481714
2549
וחשוב מאוד לדעת
08:16
if the 47 that you're consideringלוקח בחשבון
givingמַתָן 100 millionמִילִיוֹן dollarsדולר to
163
484287
3956
אם שחקן ה-47 ששוקלים לשלם לו
מאה מיליון דולר
08:20
is a good shooterיוֹרֶה who takes badרַע shotsיריות
164
488267
3055
הוא קלע טוב שזורק זריקות גרועות
08:23
or a badרַע shooterיוֹרֶה who takes good shotsיריות.
165
491346
2397
או קלע גרוע שזורק זריקות טובות.
08:27
Machineמְכוֹנָה understandingהֲבָנָה doesn't just changeשינוי
how we look at playersשחקנים,
166
495130
3333
ההבנה של המכונה לא משנה
רק את ההסתכלות שלנו על שחקנים,
08:30
it changesשינויים how we look at the gameמִשְׂחָק.
167
498487
1858
היא משנה גם את ההסתכלות שלנו על המשחק.
08:32
So there was this very excitingמְרַגֵשׁ gameמִשְׂחָק
a coupleזוּג of yearsשנים agoלִפנֵי, in the NBANBA finalsמִשְׂחָקֵי הָגְמָר.
168
500369
3755
לפני כמה שנים התנהל המשחק המרגש הבא
בסדרת הגמר של האן-בי-איי.
08:36
Miamiמיאמי was down by threeשְׁלוֹשָׁה,
there was 20 secondsשניות left.
169
504148
3207
מיאמי פיגרה בשלוש נקודות,
ונותרו 20 שניות לסיום.
08:39
They were about to loseלאבד the championshipאַלִיפוּת.
170
507379
2025
הם עמדו לאבד את האליפות.
08:41
A gentlemanג'ֶנטֶלמֶן namedבשם LeBronלברון Jamesג'יימס
cameבא up and he tookלקח a threeשְׁלוֹשָׁה to tieעניבה.
171
509428
3341
בחור בשם לברון ג'יימס
זרק שלשה כדי להשוות את התוצאה.
08:44
He missedהחטיא.
172
512793
1198
הוא החטיא.
08:46
His teammateחבר צוות Chrisכריס Boshשְׁטוּיוֹת got a reboundרִיבָּאוּנד,
173
514015
1837
חברו לקבוצה כריס בוש תפס את הכדור החוזר,
08:47
passedעבר it to anotherאַחֵר teammateחבר צוות
namedבשם Rayקֶרֶן Allenאלן.
174
515876
2159
ומסר אותו לחברם לקבוצה ריי אלן.
08:50
He sankשקע a threeשְׁלוֹשָׁה. It wentהלך into overtimeשעות נוספות.
175
518059
1919
הוא קלע שלשה והמשחק הגיע להארכה.
08:52
They wonזכית the gameמִשְׂחָק.
They wonזכית the championshipאַלִיפוּת.
176
520002
2096
הם ניצחו במשחק.
הם זכו באליפות.
08:54
It was one of the mostרוב excitingמְרַגֵשׁ
gamesמשחקים in basketballכדורסל.
177
522122
2444
זה היה אחד המשחקים המרגשים ביותר בכדורסל.
08:57
And our abilityיְכוֹלֶת to know
the shotבְּעִיטָה probabilityהִסתַבְּרוּת for everyכֹּל playerשחקן
178
525438
3429
היכולת שלנו לדעת את אחוזי הקליעה
של כל שחקן בכל שנייה
09:00
at everyכֹּל secondשְׁנִיָה,
179
528891
1188
09:02
and the likelihoodסְבִירוּת of them gettingמקבל
a reboundרִיבָּאוּנד at everyכֹּל secondשְׁנִיָה
180
530103
2956
ואת הסיכוי של כל שחקן
לתפוס כדור חוזר בכל שנייה
09:05
can illuminateלהאיר this momentרֶגַע in a way
that we never could before.
181
533083
3443
יכולה לשפוך אור על כל רגע
בדרך שלא היתה קיימת בעבר.
09:09
Now unfortunatelyלצערי,
I can't showלְהַצִיג you that videoוִידֵאוֹ.
182
537618
2668
לרוע המזל אני לא יכול להציג לכם את הסרטון.
09:12
But for you, we recreatedמחדש that momentרֶגַע
183
540310
4493
אבל שחזרנו עבורכם את הרגע ההוא
במשחק הכדורסל השבועי שלנו
לפני שלושה שבועות.
09:16
at our weeklyשְׁבוּעִי basketballכדורסל gameמִשְׂחָק
about 3 weeksשבועות agoלִפנֵי.
184
544827
2336
09:19
(Laughterצחוק)
185
547279
2167
(צחוק)
09:21
And we recreatedמחדש the trackingמעקב
that led to the insightsתובנות.
186
549573
3410
ושחזרנו גם את כל המהלכים
שהובילו לתובנות שלנו.
09:25
So, here is us.
This is Chinatownצ'יינה טאון in Losלוס Angelesאנג'לס,
187
553199
4255
הנה אנחנו בצ'יינטאון שבלוס אנג'לס
09:29
a parkפָּארק we playלְשַׂחֵק at everyכֹּל weekשָׁבוּעַ,
188
557478
1564
בפארק שבו אנחנו משחקים כל שבוע.
09:31
and that's us recreatingבילוי
the Rayקֶרֶן Allenאלן momentרֶגַע
189
559066
2231
וכאן אנחנו משחזרים את הרגע של ריי אלן
09:33
and all the trackingמעקב
that's associatedהמשויך with it.
190
561321
2229
ואת כל המהלכים שהובילו אליו.
09:36
So, here'sהנה the shotבְּעִיטָה.
191
564772
1517
זאת הזריקה.
09:38
I'm going to showלְהַצִיג you that momentרֶגַע
192
566313
2516
עכשיו נראה את הרגע ההוא
09:40
and all the insightsתובנות of that momentרֶגַע.
193
568853
2587
ואת כל התובנות שלנו על הרגע ההוא.
09:43
The only differenceהֶבדֵל is, insteadבמקום זאת
of the professionalמקצועי playersשחקנים, it's us,
194
571464
3730
ההבדל היחיד הוא שאנחנו ממלאים את מקום
השחקנים המקצועיים,
09:47
and insteadבמקום זאת of a professionalמקצועי
announcerכָּרוֹז, it's me.
195
575218
2618
ואני ממלא את מקומו של הכרוז המקצועי.
09:49
So, bearדוב with me.
196
577860
1477
אז תהיו סבלניים כלפיי.
09:53
Miamiמיאמי.
197
581153
1150
מיאמי.
09:54
Down threeשְׁלוֹשָׁה.
198
582671
1150
פיגור של שלוש נקודות.
09:56
Twentyעשרים secondsשניות left.
199
584107
1150
עשרים שניות לסיום.
09:59
Jeffג 'ף bringsמביא up the ballכַּדוּר.
200
587385
1198
ג'ף מקדם את הכדור.
10:02
Joshג 'וש catchesתופס, putsמעמיד up a threeשְׁלוֹשָׁה!
201
590656
1535
ג'וש תופס את הכדור וזורק שלשה!
10:04
[Calculatingחישוב shotבְּעִיטָה probabilityהִסתַבְּרוּת]
202
592631
1849
[הסיכוי לקליעה - 33%]
10:07
[Shotבְּעִיטָה qualityאיכות]
203
595278
1150
[איכות הזריקה - ג'וש - 33%]
10:09
[Reboundרִיבָּאוּנד probabilityהִסתַבְּרוּת]
204
597048
1785
[הסיכוי לריבאונד - נואל - 12%]
10:12
Won'tרָגִיל go!
205
600373
1173
לא נכנס!
10:13
[Reboundרִיבָּאוּנד probabilityהִסתַבְּרוּת]
206
601570
1446
[הסיכוי לריבאונד - נואל - 32%]
10:15
Reboundרִיבָּאוּנד, Noelנואל.
207
603777
1256
ריבאונד, נואל.
10:17
Back to Dariaדריה.
208
605057
1150
בחזרה לדריה.
10:18
[Shotבְּעִיטָה qualityאיכות]
209
606509
3365
[איכות הזריקה - דריה - 37%]
10:22
Her three-pointerשלשה -- bangלִדפּוֹק!
210
610676
1620
שלוש נקודות - בנג!
10:24
Tieעניבה gameמִשְׂחָק with fiveחָמֵשׁ secondsשניות left.
211
612320
2197
נותרו חמש שניות לסיום.
10:26
The crowdקָהָל goesהולך wildפְּרָאִי.
212
614880
1618
הקהל משתולל.
10:28
(Laughterצחוק)
213
616522
1659
(צחוק)
10:30
That's roughlyבְּעֵרֶך how it happenedקרה.
214
618205
1547
ככה בערך זה קרה.
10:31
(Applauseתְשׁוּאוֹת)
215
619776
1151
(מחיאות כפיים)
10:32
Roughlyבְּעֵרֶך.
216
620951
1175
בערך.
10:34
(Applauseתְשׁוּאוֹת)
217
622150
1531
(מחיאות כפיים)
10:36
That momentרֶגַע had about a nineתֵשַׁע percentאָחוּז
chanceהִזדַמְנוּת of happeningמתרחש in the NBANBA
218
624121
5484
לרגע הזה היה סיכוי של כתשעה אחוזים
להתרחש באן-בי-איי.
10:41
and we know that
and a great manyרב other things.
219
629629
2261
ואנחנו יודעים את זה והרבה דברים נוספים.
10:43
I'm not going to tell you how manyרב timesפִּי
it tookלקח us to make that happenלִקְרוֹת.
220
631914
3491
לא אגלה לכם כמה ניסיונות עשינו עד שהצלחנו.
10:47
(Laughterצחוק)
221
635429
1747
(צחוק)
10:49
Okay, I will! It was fourארבעה.
222
637200
1872
טוב, בכל זאת אגלה לכם.
ניסינו ארבע פעמים.
10:51
(Laughterצחוק)
223
639096
1001
(צחוק)
10:52
Way to go, Dariaדריה.
224
640121
1165
כל הכבוד, דריה.
10:53
But the importantחָשׁוּב thing about that videoוִידֵאוֹ
225
641647
4263
אבל הסרטון הזה והתובנות שלנו
לגבי כל שנייה של כל משחק אן-בי-איי
10:57
and the insightsתובנות we have for everyכֹּל secondשְׁנִיָה
of everyכֹּל NBANBA gameמִשְׂחָק -- it's not that.
226
645934
4568
חשובים מסיבה אחרת.
11:02
It's the factעוּבדָה you don't have to be
a professionalמקצועי teamקְבוּצָה to trackמַסלוּל movementתְנוּעָה.
227
650639
3929
והסיבה היא שלא צריך להיות קבוצה מקצוענית
כדי לעקוב אחרי תנועה.
11:07
You do not have to be a professionalמקצועי
playerשחקן to get insightsתובנות about movementתְנוּעָה.
228
655083
3657
לא צריך להיות שחקן מקצועי
כדי לקבל תובנות על תנועה.
11:10
In factעוּבדָה, it doesn't even have to be about
sportsספורט because we're movingמעבר דירה everywhereבכל מקום.
229
658764
3858
למעשה, הנושא אינו מוגבל רק לספורט,
כי אנחנו נעים בכל מקום.
11:15
We're movingמעבר דירה in our homesבתים,
230
663654
2369
אנחנו נעים בבתים שלנו,
11:21
in our officesמשרדים,
231
669428
1205
במשרדים שלנו,
11:24
as we shopלִקְנוֹת and we travelלִנְסוֹעַ
232
672238
2690
כשאנחנו יוצאים לקניות,
כשאנחנו מטיילים
11:29
throughoutבְּמֶשֶך our citiesערים
233
677318
1253
בתוך הערים
11:32
and around our worldעוֹלָם.
234
680065
1618
ומסביב לעולם.
11:35
What will we know? What will we learnלִלמוֹד?
235
683270
2295
מה נדע? מה נלמד?
11:37
Perhapsאוּלַי, insteadבמקום זאת of identifyingזיהוי
pick-and-rollsלחמניות,
236
685589
2305
אולי, במקום לזהות פיק-אנד-רול,
11:39
a machineמְכוֹנָה can identifyלזהות
the momentרֶגַע and let me know
237
687918
3010
המכונה תוכל לזהות את הרגע
11:42
when my daughterבַּת takes her first stepsצעדים.
238
690952
2059
ולהודיע לי מתי הבת שלי
צועדת את צעדיה הראשונים.
11:45
Whichאיזה could literallyפשוטו כמשמעו be happeningמתרחש
any secondשְׁנִיָה now.
239
693035
2536
דבר שצפוי להתרחש בכל רגע.
11:48
Perhapsאוּלַי we can learnלִלמוֹד to better use
our buildingsבניינים, better planלְתַכְנֵן our citiesערים.
240
696140
3697
אולי נוכל ללמוד לנצל בצורה טובה יותר
את הבניינים שלנו
ולתכנן טוב יותר את הערים שלנו.
11:52
I believe that with the developmentהתפתחות
of the scienceמַדָע of movingמעבר דירה dotsנקודות,
241
700362
4173
אני מאמין שכשמדע הנקודות הנעות יתפתח,
11:56
we will moveמהלך \ לזוז \ לעבור better, we will moveמהלך \ לזוז \ לעבור smarterחכם יותר,
we will moveמהלך \ לזוז \ לעבור forwardקָדִימָה.
242
704559
3643
ננוע טוב יותר, ננוע בצורה חכמה יותר,
ננוע קדימה.
12:00
Thank you very much.
243
708607
1189
תודה רבה.
12:01
(Applauseתְשׁוּאוֹת)
244
709820
5045
(מחיאות כפיים)
Translated by Yifat Adler
Reviewed by Shir Ben Asher

▲Back to top

ABOUT THE SPEAKER
Rajiv Maheswaran - Researcher
Using advanced data analysis tools, Rajiv Maheswaran and Second Spectrum help make basketball teams smarter.

Why you should listen

Sports fans can get obsessed with stats about player performance and game-day physics. But basketball, a fluid and fast-moving game, has been tough to understand through numbers. Rajiv Maheswaran is working to change that, by offering pro basketball teams insight into game data to make better decisions. Maheswaran is the CEO and co-founder of Second Spectrum, a startup transforming sports through technology. He is also a Research Assistant Professor at the University of Southern California's Computer Science Department and a Project Leader at the Information Sciences Institute at the USC Viterbi School of Engineering, where he co-directs the Computational Behavior Group.

His research spans various aspects of multi-agent systems and distributed artificial intelligence using decision-theoretic and game-theoretic frameworks and solutions. His current interests focus on data analytics, visualization and real-time interaction to understand behavior in spatiotemporal domains. Like, say, the spatiotemporal domain around a basketball hoop.

More profile about the speaker
Rajiv Maheswaran | Speaker | TED.com