12:09
TED2015

Rajiv Maheswaran: The math behind basketball's wildest moves

ラジブ・マヒシュワラン: バスケットボールの激しい動きの背後にある数学

Filmed:

バスケットボールは型にとらわれない動き、選手間の接触、そして「時空パターン認識学的」なる要素をもった速い動きの試合です。ラジブ・マヒシュワランとその仲間は、コーチや選手が新しいデータを直感的なものとを融合出来るように、試合の鍵となるプレイの背後にある動きを解析しています。それだけでなく、この研究で得られた知見は、様々な場面における人々の動きを理解するのにも役立つことでしょう。

- Researcher
Using advanced data analysis tools, Rajiv Maheswaran and Second Spectrum help make basketball teams smarter. Full bio

My colleagues and I are fascinated
by the science of moving dots.
私と研究仲間は
動く点の科学に魅せられています
00:12
So what are these dots?
これらの点は何でしょう?
00:16
Well, it's all of us.
全て我々自身です
00:18
And we're moving in our homes,
in our offices, as we shop and travel
我々は家の中 事務所の中を動き回り
街や世界中で
00:19
throughout our cities
and around the world.
買物や旅行をしています
00:24
And wouldn't it be great
if we could understand all this movement?
こんな動きを全て理解できたら
素晴らしいと思いませんか?
00:26
If we could find patterns and meaning
and insight in it.
ここにパターン、意味を見出し
洞察することができたら?
00:30
And luckily for us, we live in a time
幸運なことにも 我々は
00:34
where we're incredibly good
at capturing information about ourselves.
自分達自身の情報を実に上手く
取得できる時代に生きています
00:36
So whether it's through
sensors or videos, or apps,
それがセンサー、ビデオ または
アプリであろうとも
00:40
we can track our movement
with incredibly fine detail.
見事なほど詳細に
動きを追跡することができます
00:44
So it turns out one of the places
where we have the best data about movement
そんな動きを得るのに最適なのが
00:48
is sports.
スポーツです
00:53
So whether it's basketball or baseball,
or football or the other football,
バスケ、野球、サッカーやフットサルであれ
00:54
we're instrumenting our stadiums
and our players to track their movements
競技場に装置を取り付け
選手の動きを1秒にも満たない間隔で
01:00
every fraction of a second.
撮影し追跡します
01:04
So what we're doing
is turning our athletes into --
そう 我々がやっていることは
スポーツ選手を
01:05
you probably guessed it --
-皆さんがご想像されるとおり-
01:10
moving dots.
動く点へと変換することです
01:12
So we've got mountains of moving dots
and like most raw data,
他の生データと同様に
膨大な数の動く点を取得します
01:13
it's hard to deal with
and not that interesting.
取り扱いは面倒で
面白い作業ではありません
01:18
But there are things that, for example,
basketball coaches want to know.
でも選手の動きには 例えばバスケのコーチが
知りたいものが含まれています
01:21
And the problem is they can't know them
because they'd have to watch every second
問題はコーチが 各ゲームを逐次観察し
それを記憶し分析することが
01:25
of every game, remember it and process it.
不可能であるということです
01:29
And a person can't do that,
1人の人間には不可能であっても
01:31
but a machine can.
機械になら出来ます
01:33
The problem is a machine can't see
the game with the eye of a coach.
問題は機械がコーチの様な視点を持って
ゲームを見ることができないことです
01:35
At least they couldn't until now.
いや 少なくとも今までは不可能でした
01:39
So what have we taught the machine to see?
では我々は機械に
何を学習させたのでしょう?
01:42
So, we started simply.
単純な方法で始めました
01:45
We taught it things like passes,
shots and rebounds.
パス、シュートやリバウンドを
教えました
01:47
Things that most casual fans would know.
バスケファンならご存知ですよね?
01:51
And then we moved on to things
slightly more complicated.
次にもう少しだけ複雑なことに
取り組みました
01:53
Events like post-ups,
and pick-and-rolls, and isolations.
ポストアップ、ピックアンドロールや
アイソレーションなどです
01:56
And if you don't know them, that's okay.
Most casual players probably do.
選手なら大抵知っていることですが
ご存じなくても問題ありません
02:01
Now, we've gotten to a point where today,
the machine understands complex events
そして 今では機械はダウン・スクリーンや
02:05
like down screens and wide pins.
ワイド・ピンといったプレイも
把握できるようになりました
02:10
Basically things only professionals know.
基本的に
プロだけが知っているプレイです
02:14
So we have taught a machine to see
with the eyes of a coach.
機械にはコーチの視点で見るように
学習させました
02:16
So how have we been able to do this?
どうやって出来たのでしょう?
02:22
If I asked a coach to describe
something like a pick-and-roll,
コーチにピックアンドロールについて
説明を求めれば
02:24
they would give me a description,
解説してくれたことでしょうが
02:27
and if I encoded that as an algorithm,
it would be terrible.
それをアルゴリズムに組込むのは
至難の業です
02:29
The pick-and-roll happens to be this dance
in basketball between four players,
ピックアンドロールとは
4人で行う2対2の攻防戦での
02:33
two on offense and two on defense.
こういったダンスのような動きです
02:37
And here's kind of how it goes.
このように動いていきます
02:39
So there's the guy on offense
without the ball
スクリナー(ディフェンスをガードする選手)が
02:41
the ball and he goes next to the guy
guarding the guy with the ball,
ボールマンのディフェンスの横に行き
02:43
and he kind of stays there
ずっとガードするのです
02:46
and they both move and stuff happens,
and ta-da, it's a pick-and-roll.
そして2人が動き こうなります ジャーン!
これがピックアンドロールです
02:48
(Laughter)
(笑)
02:51
So that is also an example
of a terrible algorithm.
アルゴリズム化が困難な例です
02:53
So, if the player who's the interferer --
he's called the screener --
スクリナーが邪魔をするのですが
02:56
goes close by, but he doesn't stop,
近づいても 停止しなければ
03:01
it's probably not a pick-and-roll.
おそらくピックアンドロールでは
ありません
03:04
Or if he does stop,
but he doesn't stop close enough,
逆に 停止しても
十分に近づかなければ
03:06
it's probably not a pick-and-roll.
ピックアンドロールとは
ならないでしょう
03:10
Or, if he does go close by
and he does stop
近づいて停止しても
03:12
but they do it under the basket,
it's probably not a pick-and-roll.
リングの下では
ピックアンドロールにはならないでしょう
03:15
Or I could be wrong,
they could all be pick-and-rolls.
私の間違いで何れも
ピックアンドロールかもしれません
03:19
It really depends on the exact timing,
the distances, the locations,
正確なタイミング、距離と場所に
依存するので
03:22
and that's what makes it hard.
判断を難しくしています
03:26
So, luckily, with machine learning,
we can go beyond our own ability
幸いにも機械学習では
我々が知っていることの記述を
03:28
to describe the things we know.
我々の限界以上にこなします
03:33
So how does this work?
Well, it's by example.
どのように?
例をお見せしましょう
03:35
So we go to the machine and say,
"Good morning, machine.
機械に向かって言います
「おはよう 機械君
03:37
Here are some pick-and-rolls,
and here are some things that are not.
ここにピックアンドロールと
そうでないものが あるんだ
03:41
Please find a way to tell the difference."
違いを見分けてごらん」
03:44
And the key to all of this is to find
features that enable it to separate.
この問題を解く鍵は
判別を可能とする特徴を捉えることです
03:47
So if I was going
to teach it the difference
りんごとみかんの違いを
03:50
between an apple and orange,
学習させるならば
03:52
I might say, "Why don't you
use color or shape?"
「色と形に注目してみたら?」
と言うことでしょう
03:54
And the problem that we're solving is,
what are those things?
我々が解決すべき問題は
違いが何かということです
03:56
What are the key features
コンピューターが
03:59
that let a computer navigate
the world of moving dots?
動く点を追跡する時に
鍵となる特徴とは何でしょうか?
04:00
So figuring out all these relationships
with relative and absolute location,
相対的 絶対的な位置、距離、タイミング
それに速度といった
04:04
distance, timing, velocities --
全ての情報を把握すること
04:09
that's really the key to the science
of moving dots, or as we like to call it,
それこそが 動く点の科学の神髄です
04:11
spatiotemporal pattern recognition,
in academic vernacular.
「時空パターン認識」という専門用語を
使うのが適切です
04:16
Because the first thing is,
you have to make it sound hard --
初めての言葉ですから
舌を噛むかもしれません
04:19
because it is.
こんな言葉ですから
04:22
The key thing is, for NBA coaches,
it's not that they want to know
ポイントはNBAのコーチにとっての関心は
ピックアンドロールが
04:24
whether a pick-and-roll happened or not.
あったかどうかでは無く
どのようにして
04:27
It's that they want to know
how it happened.
そのプレイが起きたかということです
04:29
And why is it so important to them?
So here's a little insight.
なぜ 重要なのでしょう?
少し掘り下げてみましょう
04:31
It turns out in modern basketball,
現代のバスケットボールでは
04:34
this pick-and-roll is perhaps
the most important play.
ピックアンドロールは
おそらく最も重要なプレイです
04:36
And knowing how to run it,
and knowing how to defend it,
どうやって仕掛け
これをどうディフェンスするのかで
04:39
is basically a key to winning
and losing most games.
基本的に多くのゲームで勝敗を左右します
04:41
So it turns out that this dance
has a great many variations
だから この動きには
様々なバリエーションがあり
04:44
and identifying the variations
is really the thing that matters,
バリエーションを理解することが
とても重要です
04:48
and that's why we need this
to be really, really good.
ですから
この装置がとても重宝します
04:51
So, here's an example.
例をお見せします
04:55
There are two offensive
and two defensive players,
2対2の攻防戦で
04:56
getting ready to do
the pick-and-roll dance.
ピックアンドロールをしようとしています
04:58
So the guy with ball
can either take, or he can reject.
ボールマンの動きには
テイクとリジェクトがあり
05:01
His teammate can either roll or pop.
スクリナーには
ロールとポップがあります
05:04
The guy guarding the ball
can either go over or under.
一方ボールマンのディフェンスは
オーバーかアンダーをし
05:07
His teammate can either show
or play up to touch, or play soft
スクリナーのディフェンスは
ショウかアップツータッチかソフトをします
05:10
and together they can
either switch or blitz
またディフェンスが一緒になって
スイッチやブリッズをします
05:14
and I didn't know
most of these things when I started
始めの頃は こういったことについて
知りませんでした
05:17
and it would be lovely if everybody moved
according to those arrows.
このような矢印通りに動いてくれれば簡単で
05:20
It would make our lives a lot easier,
but it turns out movement is very messy.
理解しやすいことでしょう
でも実際の動きはとても複雑です
05:23
People wiggle a lot and getting
these variations identified
選手はくねくねと複雑に動くので
プレイのバリエーションを
05:28
with very high accuracy,
正確に把握すること-
05:33
both in precision and recall, is tough
精度良く プレイを再現することは困難です
05:34
because that's what it takes to get
a professional coach to believe in you.
だから コーチは人間の判断力を
信用することになります
05:36
And despite all the difficulties
with the right spatiotemporal features
時空パターン認識には
このような困難がありますが
05:40
we have been able to do that.
我々は解析に成功しました
05:43
Coaches trust our ability of our machine
to identify these variations.
コーチたちは我々の機械の
プレイ認識能力を信頼しています
05:45
We're at the point where
almost every single contender
今年に至っては NBAリーグの
05:49
for an NBA championship this year
ほぼ全てのチームが
05:53
is using our software, which is built
on a machine that understands
バスケットボールの動く点を
追跡する機械に搭載された
05:54
the moving dots of basketball.
ソフトを利用しています
05:59
So not only that, we have given advice
that has changed strategies
それだけでなく
とても大切な試合に勝利するための
06:01
that have helped teams win
very important games,
戦略変更を
我々はアドバイスすることができました
06:07
and it's very exciting because you have
coaches who've been in the league
これはとてもワクワクすることです
30年もの間 リーグに在籍してきた
06:10
for 30 years that are willing to take
advice from a machine.
コーチたちが 機械による
アドバイスを受け入れるのですから
06:14
And it's very exciting,
it's much more than the pick-and-roll.
ピックアンドロールを超えたことも
素晴らしことです
06:17
Our computer started out
with simple things
コンピューターは
簡単なことから始め
06:20
and learned more and more complex things
もっともっと複雑なことを学習し
06:22
and now it knows so many things.
今や多くの事を把握しています
06:24
Frankly, I don't understand
much of what it does,
正直言えば 私自身は
学習内容を殆ど理解していませんが
06:26
and while it's not that special
to be smarter than me,
私より賢いなんて
特別なことではありません
06:29
we were wondering,
can a machine know more than a coach?
こう思ったことがあります
機械はコーチを超えられるか?
06:33
Can it know more than person could know?
人間以上に知り得るか?
06:36
And it turns out the answer is yes.
今や その答えは「イエス」です
06:38
The coaches want players
to take good shots.
コーチはシュートを上手く放つ
選手を欲しがります
06:40
So if I'm standing near the basket
私がゴールの近くにいて
06:43
and there's nobody near me,
it's a good shot.
近くに誰もいなければ
シュートを決めやすく
06:44
If I'm standing far away surrounded
by defenders, that's generally a bad shot.
逆に ゴールから遠く 敵に囲まれていれば
シュートを決めるのが難しくなります
06:47
But we never knew how good "good" was,
or how bad "bad" was quantitatively.
しかし シュートの良し悪しの程度を
定量的に判断できませんでした
06:51
Until now.
今までは です
06:56
So what we can do, again,
using spatiotemporal features,
ここで時空パターン認識の
再登場です
06:57
we looked at every shot.
各シュートを分析しました
07:00
We can see: Where is the shot?
What's the angle to the basket?
調べることは「シュートの場所は?
リングとの角度は?
07:02
Where are the defenders standing?
What are their distances?
ディフェンスの位置は?
その距離は?
07:05
What are their angles?
立っている角度は?」などです
07:08
For multiple defenders, we can look
at how the player's moving
複数のディフェンダーがいる時も
選手の動きを追って
07:09
and predict the shot type.
シュートのタイプを予測できます
07:12
We can look at all their velocities
and we can build a model that predicts
選手の速度から
このような状況下で
07:13
what is the likelihood that this shot
would go in under these circumstances?
どのようなシュートが放たれるかという
予測モデルを構築できます
07:17
So why is this important?
なぜ これが重要なのでしょう?
07:22
We can take something that was shooting,
シュートについて解析してみます
07:24
which was one thing before,
and turn it into two things:
かつては一元的なものでしたが
今は2つの因子に分解します
07:26
the quality of the shot
and the quality of the shooter.
シュートの質と
シューターの質です
07:29
So here's a bubble chart,
because what's TED without a bubble chart?
このバブル・チャートをご覧ください
TEDには不可欠ですよね?
07:33
(Laughter)
(笑)
07:36
Those are NBA players.
各点はNBAの選手です
07:38
The size is the size of the player
and the color is the position.
点の大きさは選手の大きさ
色はポジションを表しています
07:39
On the x-axis,
we have the shot probability.
横軸は シュートの成功可能性で
07:42
People on the left take difficult shots,
左に行けば難易度が上がり
07:44
on the right, they take easy shots.
右に行けば難易度が下がります
07:46
On the [y-axis] is their shooting ability.
縦軸は 選手のシュート能力です
07:49
People who are good are at the top,
bad at the bottom.
上に行くほど良い選手で
下の方は その逆です
07:51
So for example, if there was a player
例えば 通常47%の確率で
07:53
who generally made
47 percent of their shots,
シュートを成功させる選手がいるとします
07:55
that's all you knew before.
以前なら これが情報の全てです
07:57
But today, I can tell you that player
takes shots that an average NBA player
でも今なら NBAの平均的な選手なら
49%の確率で成功させるシュートを
07:59
would make 49 percent of the time,
この選手は2%低くさせると
いうことができます
08:04
and they are two percent worse.
この選手は2%低くさせると
いうことができます
08:06
And the reason that's important
is that there are lots of 47s out there.
47%といっても様々な組み合わせが
あることが重要です
08:08
And so it's really important to know
47%の数字をたたき出す
08:13
if the 47 that you're considering
giving 100 million dollars to
100億円プレイヤーの獲得を
考えるのならば
08:16
is a good shooter who takes bad shots
難しいシュートを成功させる選手なのか
シュートの質は低くても
08:20
or a bad shooter who takes good shots.
チャンスの高いシュートを放つ
選手なのかは重要な要素です
08:23
Machine understanding doesn't just change
how we look at players,
機械学習では
選手の見方は変わりませんが
08:27
it changes how we look at the game.
試合の見方が変わります
08:30
So there was this very exciting game
a couple of years ago, in the NBA finals.
数年前NBAのファイナルで
大いに盛り上がった試合がありました
08:32
Miami was down by three,
there was 20 seconds left.
3点を追うマイアミ
後り時間は20秒
08:36
They were about to lose the championship.
シリーズの敗北が目前でした
08:39
A gentleman named LeBron James
came up and he took a three to tie.
レブロン・ジェームズという選手が
同点となる3点シュートを放つも
08:41
He missed.
外れました
08:44
His teammate Chris Bosh got a rebound,
クリス・ボッシュ選手が
リバウンドに入り
08:46
passed it to another teammate
named Ray Allen.
レイ・アレン選手にパス
そのアレン選手が
08:47
He sank a three. It went into overtime.
3点シュートを沈め
延長戦に入りました
08:50
They won the game.
They won the championship.
結局試合に勝利し
ファイナルを制しました
08:52
It was one of the most exciting
games in basketball.
史上 もっともエキサイティングな
試合の1つでした
08:54
And our ability to know
the shot probability for every player
各選手の 各瞬間における
08:57
at every second,
シュート成功率や
09:00
and the likelihood of them getting
a rebound at every second
各瞬間にリバウンドを取る確率が分かると
09:02
can illuminate this moment in a way
that we never could before.
この場面を まったく新しい見方で
捉えられます
09:05
Now unfortunately,
I can't show you that video.
残念ながらその時のビデオを
お見せできませんが
09:09
But for you, we recreated that moment
3週間ほど前に
我々がプレイしている週例の試合の時に
09:12
at our weekly basketball game
about 3 weeks ago.
皆さんのために
そのプレイを再現しました
09:16
(Laughter)
(笑)
09:19
And we recreated the tracking
that led to the insights.
分析を行った選手の動きを再現しました
09:21
So, here is us.
This is Chinatown in Los Angeles,
これは私たちです
ここは毎週プレイしているロスアンジェルスの
09:25
a park we play at every week,
チャイナタウンにある公園です
09:29
and that's us recreating
the Ray Allen moment
レイ・アランのあのプレイを
再現しています
09:31
and all the tracking
that's associated with it.
全てが あのプレイの
追跡データのとおりです
09:33
So, here's the shot.
そしてシュート
09:36
I'm going to show you that moment
その瞬間と解析結果を
09:38
and all the insights of that moment.
お見せします
09:40
The only difference is, instead
of the professional players, it's us,
違いは プロの選手ではなく
私たちであり
09:43
and instead of a professional
announcer, it's me.
アナウンスもプロでなく私がしますので
09:47
So, bear with me.
我慢してお付き合いください
09:49
Miami.
3点を追うマイアミ
09:53
Down three.
3点を追うマイアミ
09:54
Twenty seconds left.
残り20秒
09:56
Jeff brings up the ball.
ジェフのドリブル
09:59
Josh catches, puts up a three!
ジョシュにパスを回し
3点シュート
10:02
[Calculating shot probability]
[ シュート成功率を計算中 ]
10:04
[Shot quality]
[ シュートの質 ]
10:07
[Rebound probability]
[ リバウンドの確率 ]
10:09
Won't go!
失敗!
10:12
[Rebound probability]
[ リバウンドの確率 ]
10:13
Rebound, Noel.
ノエルがリバウンドし
10:15
Back to Daria.
ダリアにパス
10:17
[Shot quality]
[ シュートの質 ]
10:18
Her three-pointer -- bang!
3点シュートが決まった!
10:22
Tie game with five seconds left.
残り5秒で同点に
10:24
The crowd goes wild.
観衆は大興奮
10:26
(Laughter)
(笑)
10:28
That's roughly how it happened.
こんな感じのプレイでした
10:30
(Applause)
(拍手)
10:31
Roughly.
だいたいこんな感じです
10:32
(Applause)
(拍手)
10:34
That moment had about a nine percent
chance of happening in the NBA
NBAだったら あれが成功する確率は
9%程度です
10:36
and we know that
and a great many other things.
そういったことを知ることができます
10:41
I'm not going to tell you how many times
it took us to make that happen.
このプレイの再現に
何回費やしたかは秘密です
10:43
(Laughter)
(笑)
10:47
Okay, I will! It was four.
いいですよ お教えます!
4回でした
10:49
(Laughter)
(笑)
10:51
Way to go, Daria.
ダリア お見事!
10:52
But the important thing about that video
しかし こんなビデオ映像や
NBAの各試合の
10:53
and the insights we have for every second
of every NBA game -- it's not that.
各瞬間の分析そのものが
重要だというのではなく
10:57
It's the fact you don't have to be
a professional team to track movement.
動きを追跡するのに
専門家チームが必要ではなく
11:02
You do not have to be a professional
player to get insights about movement.
動作を解析するのに
専門家である必要がないという事実です
11:07
In fact, it doesn't even have to be about
sports because we're moving everywhere.
さらには スポーツに限る必要はありません
我々はいつでも どこでも動いています
11:10
We're moving in our homes,
家の中でも 動いています
11:15
in our offices,
オフィスでも
11:21
as we shop and we travel
買物したり 旅行したり
11:24
throughout our cities
街の中
11:29
and around our world.
世界中を動き回っています
11:32
What will we know? What will we learn?
何を知り 何を学べるでしょう?
11:35
Perhaps, instead of identifying
pick-and-rolls,
ピックアンドロールの代わりに
11:37
a machine can identify
the moment and let me know
機械はおそらく
私の娘が最初の一歩を歩み出すときに
11:39
when my daughter takes her first steps.
動きを捉え
私に知らせてくれることでしょう
11:42
Which could literally be happening
any second now.
文字通り いつにでも起こりうることです
11:45
Perhaps we can learn to better use
our buildings, better plan our cities.
建物や街のデザインを良くするのにも
利用できるでしょう
11:48
I believe that with the development
of the science of moving dots,
動く点の科学を進歩させることによって
11:52
we will move better, we will move smarter,
we will move forward.
より良いスマートな動きができるようになり
進歩するものと信じています
11:56
Thank you very much.
どうも有難うございました
12:00
(Applause)
(拍手)
12:01
Translated by Tomoyuki Suzuki
Reviewed by Masako Kigami

▲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