TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
Rajiv Maheswaran: Basketbal's wildste bewegingen gedigitaliseerd
Filmed:
Readability: 3.1
2,683,104 views
Basketbal is een hogesnelheidsspel van improvisatie, contact en, ahum, tijdruimtelijke patroonherkenning. Rajiv Maheswaran en zijn collega's analyseren de bewegingen achter de essentiële tactieken van het spel, zodat coaches en spelers hun intuïtie kunnen combineren met nieuwe inzichten. Bonus: Wat zij leren, kan ons helpen begrijpen hoe mensen in allerlei situaties bewegen.
Rajiv Maheswaran - Researcher
Using advanced data analysis tools, Rajiv Maheswaran and Second Spectrum help make basketball teams smarter. Full bio
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.
Mijn collega's en ik zijn gefascineerd
door de wetenschap van bewegende puntjes.
door de wetenschap van bewegende puntjes.
00:12
My colleagues and I are fascinated
by the science of moving dots.
by the science of moving dots.
0
954
3583
00:16
So what are these dots?
1
4927
1150
Welke puntjes?
00:18
Well, it's all of us.
2
6101
1287
Puntjes zoals jij en ik.
00:19
And we're moving in our homes,
in our offices, as we shop and travel
in our offices, as we shop and travel
3
7412
5085
We bewegen door ons huis,
in ons kantoor, winkelend en reizend,
in ons kantoor, winkelend en reizend,
00:24
throughout our cities
and around the world.
and around the world.
4
12521
2066
door onze steden en over de wereld.
00:26
And wouldn't it be great
if we could understand all this movement?
if we could understand all this movement?
5
14958
3669
Zou het niet mooi zijn als we
al deze bewegingen konden begrijpen?
al deze bewegingen konden begrijpen?
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
Als we er patronen, betekenis en
inzicht in konden vinden?
inzicht in konden vinden?
00:34
And luckily for us, we live in a time
7
22259
1785
Gelukkig zijn we tegenwoordig erg goed
00:36
where we're incredibly good
at capturing information about ourselves.
at capturing information about ourselves.
8
24068
4497
in het registreren
van informatie over onszelf.
van informatie over onszelf.
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
Of we het nou doen met sensors,
video's of applicaties,
video's of applicaties,
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
we kunnen onze bewegingen
tot in extreem detail volgen.
tot in extreem detail volgen.
00:48
So it turns out one of the places
where we have the best data about movement
where we have the best data about movement
11
36092
5032
Het blijkt dat een van de beste plaatsen
om deze data te verzamelen
om deze data te verzamelen
00:53
is sports.
12
41148
1208
sport is.
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
Dus of het nou basketbal, honkbal,
voetbal of American football is,
voetbal of American football is,
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
we rusten onze stadions
en spelers uit met instrumenten
en spelers uit met instrumenten
om elke milliseconde
van hun bewegingen te registreren.
van hun bewegingen te registreren.
01:04
every fraction of a second.
15
52465
1313
01:05
So what we're doing
is turning our athletes into --
is turning our athletes into --
16
53802
4382
Wat we dus eigenlijk doen
is onze atleten veranderen in --
is onze atleten veranderen in --
01:10
you probably guessed it --
17
58208
1959
je raadt het al --
01:12
moving dots.
18
60191
1396
bewegende puntjes.
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
Zo komen we tot massa's bewegende puntjes,
maar net zoals met de meeste ruwe data
kun je er dan nog weinig mee.
kun je er dan nog weinig mee.
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
Er zijn echter dingen die bijvoorbeeld
basketbaltrainers willen weten.
basketbaltrainers willen weten.
01:25
And the problem is they can't know them
because they'd have to watch every second
because they'd have to watch every second
22
73223
3810
Dingen die ze niet kúnnen weten,
omdat ze daarvoor elke seconde
van elke wedstrijd zouden moeten zien,
van elke wedstrijd zouden moeten zien,
01:29
of every game, remember it and process it.
23
77057
2589
onthouden en verwerken.
01:31
And a person can't do that,
24
79804
1930
Dat kan een mens niet.
01:33
but a machine can.
25
81758
1310
Maar een machine wel.
01:35
The problem is a machine can't see
the game with the eye of a coach.
the game with the eye of a coach.
26
83661
3410
Het probleem is dat een machine
niet kijkt met het oog van een coach.
niet kijkt met het oog van een coach.
01:39
At least they couldn't until now.
27
87363
2261
Althans, dat konden ze niet. Nu wel.
01:42
So what have we taught the machine to see?
28
90228
2103
Wat hebben we de machine leren zien?
01:45
So, we started simply.
29
93569
1787
We zijn simpel begonnen.
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
We leerden haar wat passes,
schoten en rebounds zijn.
schoten en rebounds zijn.
01:51
Things that most casual fans would know.
31
99203
2541
Dingen die de gemiddelde fan ook weet.
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
Daarna gingen we wat lastiger dingen doen.
01:56
Events like post-ups,
and pick-and-rolls, and isolations.
and pick-and-rolls, and isolations.
33
104624
4588
Dingen als post-ups,
pick-and-rolls en isolaties.
pick-and-rolls en isolaties.
02:01
And if you don't know them, that's okay.
Most casual players probably do.
Most casual players probably do.
34
109377
3543
Het geeft niet als dat je niets zegt.
De meeste spelers weten het wel.
De meeste spelers weten het wel.
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
We zijn inmiddels op een punt
dat de machine complexe zaken begrijpt,
dat de machine complexe zaken begrijpt,
02:10
like down screens and wide pins.
36
118924
3073
zoals down-screens en wide-pins.
02:14
Basically things only professionals know.
37
122021
2726
Dingen die eigenlijk
alleen professionals weten.
alleen professionals weten.
02:16
So we have taught a machine to see
with the eyes of a coach.
with the eyes of a coach.
38
124771
4388
We hebben de machine dus geleerd
met het oog van een coach te kijken.
met het oog van een coach te kijken.
02:22
So how have we been able to do this?
39
130009
1857
Hoe hebben we dit voor elkaar gekregen?
02:24
If I asked a coach to describe
something like a pick-and-roll,
something like a pick-and-roll,
40
132511
3118
Als ik een coach zou vragen
wat een pick-and-roll is,
wat een pick-and-roll is,
02:27
they would give me a description,
41
135653
1640
zou hij het beschrijven,
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
maar daar kan ik niet zomaar
een algoritme van maken.
een algoritme van maken.
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
Een pick-and-roll is een basketbaldans
voor twee aanvallers en twee verdedigers.
voor twee aanvallers en twee verdedigers.
02:37
two on offense and two on defense.
44
145328
1912
02:39
And here's kind of how it goes.
45
147486
1618
Dat gaat ongeveer zo.
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
De aanvaller zonder bal
02:43
the ball and he goes next to the guy
guarding the guy with the ball,
guarding the guy with the ball,
47
151685
3209
gaat naast de verdediger staan
die de aanvaller met de bal verdedigt
die de aanvaller met de bal verdedigt
02:46
and he kind of stays there
48
154918
1257
en hij blijft daar staan,
02:48
and they both move and stuff happens,
and ta-da, it's a pick-and-roll.
and ta-da, it's a pick-and-roll.
49
156199
3317
ze bewegen allebei, er gebeurt iets,
ta-da, dat is een pick-and-roll.
ta-da, dat is een pick-and-roll.
02:51
(Laughter)
50
159540
2215
(Gelach)
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
Dat is een voorbeeld
van een slecht algoritme.
van een slecht algoritme.
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
Als die aanvaller zonder bal
-- die noemen we de screener --
-- die noemen we de screener --
03:01
goes close by, but he doesn't stop,
53
169278
2872
in de buurt komt maar niet stopt,
03:04
it's probably not a pick-and-roll.
54
172174
1765
is het niet echt een pick-and-roll.
03:06
Or if he does stop,
but he doesn't stop close enough,
but he doesn't stop close enough,
55
174560
3945
Of als hij wel stopt,
maar hij staat er te ver vanaf,
maar hij staat er te ver vanaf,
03:10
it's probably not a pick-and-roll.
56
178529
1761
dan is het ook geen pick-and-roll.
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
Stopt hij wel en staat hij
er dicht genoeg bij,
er dicht genoeg bij,
03:15
but they do it under the basket,
it's probably not a pick-and-roll.
it's probably not a pick-and-roll.
58
183903
3324
maar het gebeurt onder de basket,
is het ook geen pick-and-roll.
is het ook geen pick-and-roll.
03:19
Or I could be wrong,
they could all be pick-and-rolls.
they could all be pick-and-rolls.
59
187462
2524
Of ik heb het mis
en het zijn wel pick-and-rolls.
en het zijn wel pick-and-rolls.
Dat hangt af van de exacte timing,
de afstanden en de locaties,
de afstanden en de locaties,
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
03:26
and that's what makes it hard.
61
194602
1495
en dat maakt het zo lastig.
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
Gelukkig kunnen we de machine
het beter leren beschrijven
het beter leren beschrijven
03:33
to describe the things we know.
63
201547
1743
dan we dat zelf kunnen.
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
Hoe dat werkt?
Aan de hand van voorbeelden.
Aan de hand van voorbeelden.
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
We zeggen tegen de machine:
"Goedemorgen, machine.
"Goedemorgen, machine.
03:41
Here are some pick-and-rolls,
and here are some things that are not.
and here are some things that are not.
66
209077
3359
Dit zijn wel pick-and-rolls
en dit zijn er geen.
en dit zijn er geen.
03:44
Please find a way to tell the difference."
67
212720
2252
Zoek voor me uit
waar het verschil in zit."
waar het verschil in zit."
03:47
And the key to all of this is to find
features that enable it to separate.
features that enable it to separate.
68
215076
3707
De sleutel is om de kenmerken te vinden
die het verschil maken.
die het verschil maken.
Moet ik het verschil uitleggen
tussen een appel en een sinaasappel,
tussen een appel en een sinaasappel,
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
03:52
between an apple and orange,
70
220940
1381
dan zeg ik bijvoorbeeld:
"Kijk eens naar kleur of vorm."
"Kijk eens naar kleur of vorm."
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
Wij moeten uitvinden
welke dingen dat zijn.
welke dingen dat zijn.
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
03:59
What are the key features
73
227711
1247
Met welke kenmerken
04:00
that let a computer navigate
the world of moving dots?
the world of moving dots?
74
228982
3499
krijgt een computer vat
op de wereld van bewegende puntjes?
op de wereld van bewegende puntjes?
04:04
So figuring out all these relationships
with relative and absolute location,
with relative and absolute location,
75
232505
4823
Het ontdekken van al deze relaties
met relatieve en absolute locaties,
met relatieve en absolute locaties,
04:09
distance, timing, velocities --
76
237352
1909
afstand, timing, snelheden,
04:11
that's really the key to the science
of moving dots, or as we like to call it,
of moving dots, or as we like to call it,
77
239440
4928
dat is de essentie van de wetenschap
der bewegende puntjes, oftewel:
der bewegende puntjes, oftewel:
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
tijdruimtelijke patroonherkenning,
in academische bewoordingen.
in academische bewoordingen.
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
Je moet het altijd
moeilijk laten klinken,
moeilijk laten klinken,
04:22
because it is.
80
250847
1278
want dat is het ook.
04:24
The key thing is, for NBA coaches,
it's not that they want to know
it's not that they want to know
81
252410
3141
Het gaat er de NBA-coaches niet om
of er een pick-and-roll was of niet;
of er een pick-and-roll was of niet;
04:27
whether a pick-and-roll happened or not.
82
255575
1922
ze willen weten hóe dat gebeurde.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
04:31
And why is it so important to them?
So here's a little insight.
So here's a little insight.
84
259621
2986
Waarom dat zo belangrijk is?
Dat zal ik je vertellen.
Dat zal ik je vertellen.
04:34
It turns out in modern basketball,
85
262631
1771
Het blijkt dat in modern basketbal
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
de pick-and-roll wellicht
het belangrijkste spelletje is.
het belangrijkste spelletje is.
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
Weten hoe het uit te voeren
en hoe het te verdedigen,
en hoe het te verdedigen,
is een sleutel tot het winnen
of verliezen van wedstrijden.
of verliezen van wedstrijden.
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
Het blijkt dat deze dans
vele variaties kent
vele variaties kent
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
en het identificeren van
die variaties is cruciaal.
die variaties is cruciaal.
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
Daarom moeten we dit
dus echt goed in kaart hebben.
dus echt goed in kaart hebben.
Hier is een voorbeeld.
04:55
So, here's an example.
92
283228
1176
Er zijn twee aanvallers
en twee verdedigers,
en twee verdedigers,
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
klaar om de pick-and-roll-dans te doen.
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
Degene met de bal kan
aannemen of weigeren.
aannemen of weigeren.
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
05:04
His teammate can either roll or pop.
96
292086
3001
Zijn teamgenoot kan afrollen of 'poppen'.
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
Degene die op de bal verdedigt
kan erover of eronder gaan.
kan erover of eronder gaan.
05:10
His teammate can either show
or play up to touch, or play soft
or play up to touch, or play soft
98
298121
4565
Zijn medespeler kan dreigen,
uitstappen of terugvallen
uitstappen of terugvallen
en samen kunnen ze switchen,
of allebei de bal aanvallen.
of allebei de bal aanvallen.
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
05:17
and I didn't know
most of these things when I started
most of these things when I started
100
305352
2659
Ik wist deze dingen ook niet toen ik begon
05:20
and it would be lovely if everybody moved
according to those arrows.
according to those arrows.
101
308035
3920
en het zou mooi zijn als iedereen
beweegt zoals deze pijlen.
beweegt zoals deze pijlen.
05:23
It would make our lives a lot easier,
but it turns out movement is very messy.
but it turns out movement is very messy.
102
311979
3905
Dat zou wel makkelijk zijn,
maar de praktijk is veel rommeliger.
maar de praktijk is veel rommeliger.
Bewegingen zijn vaak onduidelijk
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
en het accuraat identificeren
van deze variaties
van deze variaties
05:33
with very high accuracy,
104
321555
1303
in precisie en herinnering is lastig,
05:34
both in precision and recall, is tough
105
322882
1868
05:36
because that's what it takes to get
a professional coach to believe in you.
a professional coach to believe in you.
106
324774
3618
maar alleen zo win je het vertrouwen
van een professionele coach.
van een professionele coach.
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
Ondanks alle moeilijkheden
met die tijdruimtelijke eigenschappen
met die tijdruimtelijke eigenschappen
zijn we daarin geslaagd.
05:43
we have been able to do that.
108
331820
1474
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
Coaches vertrouwen erop dat onze machine
deze variaties kan identificeren.
deze variaties kan identificeren.
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
We zijn nu zover dat bijna elke topploeg
die NBA-kampioen zou kunnen worden,
die NBA-kampioen zou kunnen worden,
05:53
for an NBA championship this year
111
341035
1623
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
gebruik maakt van onze software,
die is gebouwd op een machine
die de bewegende puntjes begrijpt.
die de bewegende puntjes begrijpt.
05:59
the moving dots of basketball.
113
347114
1634
06:01
So not only that, we have given advice
that has changed strategies
that has changed strategies
114
349872
5153
Buiten dat hebben we ook advies gegeven
dat strategieën heeft veranderd,
dat strategieën heeft veranderd,
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
waardoor teams belangrijke wedstrijden
hebben kunnen winnen.
hebben kunnen winnen.
06:10
and it's very exciting because you have
coaches who've been in the league
coaches who've been in the league
116
358425
3732
Het is heel opwindend om te zien
dat coaches met 30 jaar ervaring
advies aannemen van een machine.
advies aannemen van een machine.
06:14
for 30 years that are willing to take
advice from a machine.
advice from a machine.
117
362181
3067
06:17
And it's very exciting,
it's much more than the pick-and-roll.
it's much more than the pick-and-roll.
118
365874
2906
Het is erg boeiend
en veel meer dan pick-and-roll.
en veel meer dan pick-and-roll.
Onze computer begon met simpele dingen
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
die gaandeweg complexer werden
06:22
and learned more and more complex things
120
370904
2064
en inmiddels weet hij ontzettend veel.
06:24
and now it knows so many things.
121
372992
1561
Eerlijk gezegd begrijp ik
weinig van wat hij doet.
weinig van wat hij doet.
06:26
Frankly, I don't understand
much of what it does,
much of what it does,
122
374577
2835
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
Nu is er is niet zóveel voor nodig
om slimmer te zijn dan ik,
om slimmer te zijn dan ik,
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
maar zou een computer
meer kunnen weten dan een coach?
meer kunnen weten dan een coach?
06:36
Can it know more than person could know?
125
384843
2055
Kan hij meer weten dan een persoon?
06:38
And it turns out the answer is yes.
126
386922
1745
Het antwoord daarop blijkt 'ja'.
Coaches willen dat spelers
schieten in kansrijke posities.
schieten in kansrijke posities.
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
06:43
So if I'm standing near the basket
128
391272
1651
Sta ik in mijn eentje dicht bij de basket,
dan is dat een goed schot.
dan is dat een goed schot.
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
Sta ik veraf met verdedigers om me heen,
dan is dat meestal een slecht schot.
dan is dat meestal een slecht schot.
06:47
If I'm standing far away surrounded
by defenders, that's generally a bad shot.
by defenders, that's generally a bad shot.
130
395137
3940
06:51
But we never knew how good "good" was,
or how bad "bad" was quantitatively.
or how bad "bad" was quantitatively.
131
399101
4876
We wisten alleen nooit hoe goed 'goed' was
en hoe slecht 'slecht' was, kwantitatief.
en hoe slecht 'slecht' was, kwantitatief.
06:56
Until now.
132
404209
1150
Tot nu.
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
We zijn gaan kijken
naar de tijdruimtelijke eigenschappen
naar de tijdruimtelijke eigenschappen
07:00
we looked at every shot.
134
408853
1374
van elk schot.
07:02
We can see: Where is the shot?
What's the angle to the basket?
What's the angle to the basket?
135
410251
3005
Waar wordt geschoten?
Wat is de hoek naar de basket?
Wat is de hoek naar de basket?
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
Waar zijn de verdedigers?
Hoever staan ze ervan af?
Hoever staan ze ervan af?
Onder welke hoek?
07:08
What are their angles?
137
416066
1331
Bij meerdere verdedigers
kijken we naar hoe de speler beweegt
kijken we naar hoe de speler beweegt
07:09
For multiple defenders, we can look
at how the player's moving
at how the player's moving
138
417421
2977
07:12
and predict the shot type.
139
420422
1433
en voorspellen het type schot.
07:13
We can look at all their velocities
and we can build a model that predicts
and we can build a model that predicts
140
421879
4074
We kijken naar alle snelheden
en bouwen dan een model dat voorspelt:
en bouwen dan een model dat voorspelt:
wat is de kans dat dit schot erin gaat
onder deze omstandigheden?
onder deze omstandigheden?
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
07:22
So why is this important?
142
430188
1500
Waarom is dit belangrijk?
07:24
We can take something that was shooting,
143
432102
2803
We breken zoiets als 'schieten',
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
van één ding, in twee dingen:
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
de kwaliteit van het schot
en die van de schutter.
en die van de schutter.
07:33
So here's a bubble chart,
because what's TED without a bubble chart?
because what's TED without a bubble chart?
146
441680
3262
Hier is een bellendiagram,
want wat is TED zonder een bellendiagram?
want wat is TED zonder een bellendiagram?
07:36
(Laughter)
147
444966
1014
(Gelach)
07:38
Those are NBA players.
148
446004
1311
Dat zijn NBA-spelers.
07:39
The size is the size of the player
and the color is the position.
and the color is the position.
149
447339
3120
De maat is de lengte van de speler
en de kleur is hun positie.
en de kleur is hun positie.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
Op de x-as hebben we de schotkans.
07:44
People on the left take difficult shots,
151
452639
1953
De mensen links nemen moeilijke schoten
en die rechts makkelijke schoten.
en die rechts makkelijke schoten.
07:46
on the right, they take easy shots.
152
454616
2229
07:49
On the [y-axis] is their shooting ability.
153
457194
2057
Op de y-as staat hun schietvaardigheid.
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
De beste staan bovenaan,
de slechtste onderaan.
de slechtste onderaan.
Als er bijvoorbeeld een speler was
07:53
So for example, if there was a player
155
461861
1760
07:55
who generally made
47 percent of their shots,
47 percent of their shots,
156
463621
2097
die 47% van zijn schoten scoorde,
07:57
that's all you knew before.
157
465718
1389
was dat vroeger alles dat je wist.
07:59
But today, I can tell you that player
takes shots that an average NBA player
takes shots that an average NBA player
158
467345
4850
Nu kan ik aantonen
dat die speler schoten neemt
dat die speler schoten neemt
die door de gemiddelde NBA-speler
49% van de tijd raak geschoten worden,
49% van de tijd raak geschoten worden,
08:04
would make 49 percent of the time,
159
472219
1961
08:06
and they are two percent worse.
160
474204
1684
en dat hij dus twee procent slechter is.
08:08
And the reason that's important
is that there are lots of 47s out there.
is that there are lots of 47s out there.
161
476266
4515
Dat is zo belangrijk
omdat er massa's spelers 47 scoren.
omdat er massa's spelers 47 scoren.
08:13
And so it's really important to know
162
481714
2549
Het is dus van groot belang om te weten
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
of die 47 die 100 miljoen dollar kost
08:20
is a good shooter who takes bad shots
164
488267
3055
een goede schutter is
die slechte schoten neemt,
die slechte schoten neemt,
08:23
or a bad shooter who takes good shots.
165
491346
2397
of een slechte schutter
die goede schoten neemt.
die goede schoten neemt.
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
Dat digitale inzicht verandert niet alleen
hoe we naar spelers kijken,
hoe we naar spelers kijken,
08:30
it changes how we look at the game.
167
498487
1858
maar ook hoe we naar het spel kijken.
08:32
So there was this very exciting game
a couple of years ago, in the NBA finals.
a couple of years ago, in the NBA finals.
168
500369
3755
Een paar jaar geleden was er
een spannende wedstrijd in de NBA-finale.
een spannende wedstrijd in de NBA-finale.
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
Miami stond drie punten achter
met nog 20 seconden te gaan.
met nog 20 seconden te gaan.
08:39
They were about to lose the championship.
170
507379
2025
Ze gingen het kampioenschap verliezen.
08:41
A gentleman named LeBron James
came up and he took a three to tie.
came up and he took a three to tie.
171
509428
3341
LeBron James probeerde
gelijk te maken met een driepunter.
gelijk te maken met een driepunter.
08:44
He missed.
172
512793
1198
Hij miste.
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
Zijn teamgenoot Bosh pakte de rebound
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
en passte de bal naar Ray Allen.
08:50
He sank a three. It went into overtime.
175
518059
1919
Die scoorde en het werd een verlenging.
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
Ze wonnen de wedstrijd.
Ze werden kampioen.
Ze werden kampioen.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
Het was één van de spannendste
basketbalwedstrijden.
basketbalwedstrijden.
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
Dat we van elke speler
op elk moment de scoringskans weten
op elk moment de scoringskans weten
09:00
at every second,
179
528891
1188
en de kans dat ze een rebound pakken,
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
kan dit moment belichten
zoals nooit tevoren.
zoals nooit tevoren.
09:05
can illuminate this moment in a way
that we never could before.
that we never could before.
181
533083
3443
09:09
Now unfortunately,
I can't show you that video.
I can't show you that video.
182
537618
2668
Helaas kan ik de video niet laten zien.
09:12
But for you, we recreated that moment
183
540310
4493
Maar --
voor jullie hebben we
dat moment nagebootst
dat moment nagebootst
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
tijdens onze wekelijkse
basketbalwedstrijd.
basketbalwedstrijd.
09:19
(Laughter)
185
547279
2167
(Gelach)
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
We hebben de situatie nagespeeld
die tot de inzichten leidde.
die tot de inzichten leidde.
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
Dit zijn we.
In Chinatown, Los Angeles.
In Chinatown, Los Angeles.
09:29
a park we play at every week,
188
557478
1564
Hier spelen we elke week
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
en hier doen we het Ray Allen-moment na
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
met alle benodigde informatie erbij.
09:36
So, here's the shot.
191
564772
1517
Dit is het schot.
09:38
I'm going to show you that moment
192
566313
2516
Ik zal het moment laten zien
09:40
and all the insights of that moment.
193
568853
2587
met alle inzichten erbij.
09:43
The only difference is, instead
of the professional players, it's us,
of the professional players, it's us,
194
571464
3730
Het enige verschil is
dat we geen professionals zijn
dat we geen professionals zijn
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
en ik ben geen professionele commentator.
09:49
So, bear with me.
196
577860
1477
Hier moeten we het mee doen.
09:53
Miami.
197
581153
1150
Miami.
09:54
Down three.
198
582671
1150
Drie punten achter.
09:56
Twenty seconds left.
199
584107
1150
Twintig seconden nog.
09:59
Jeff brings up the ball.
200
587385
1198
Jeff dribbelt de bal op.
10:02
Josh catches, puts up a three!
201
590656
1535
Josh vangt en schiet!
10:04
[Calculating shot probability]
202
592631
1849
[Berekening schietkans]
10:07
[Shot quality]
203
595278
1150
[Schotkwaliteit]
10:09
[Rebound probability]
204
597048
1785
[Reboundkans]
10:12
Won't go!
205
600373
1173
Hij mist!
10:13
[Rebound probability]
206
601570
1446
[Reboundkans]
10:15
Rebound, Noel.
207
603777
1256
Rebound, Noel.
10:17
Back to Daria.
208
605057
1150
Terug naar Daria.
10:18
[Shot quality]
209
606509
3365
[Schotkwaliteit]
10:22
Her three-pointer -- bang!
210
610676
1620
Haar driepunter -- raak!
10:24
Tie game with five seconds left.
211
612320
2197
Gelijke stand met vijf seconden te gaan.
10:26
The crowd goes wild.
212
614880
1618
Het publiek wordt gek!
10:28
(Laughter)
213
616522
1659
(Gelach)
10:30
That's roughly how it happened.
214
618205
1547
Zo ging het ongeveer.
10:31
(Applause)
215
619776
1151
(Applaus)
10:32
Roughly.
216
620951
1175
Grofweg.
10:34
(Applause)
217
622150
1531
(Applaus)
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
De kans dat dit moment in de NBA
zou gebeuren was negen procent.
zou gebeuren was negen procent.
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
Dat weten we en nog veel meer.
10:43
I'm not going to tell you how many times
it took us to make that happen.
it took us to make that happen.
220
631914
3491
Ik ga niet vertellen hoe vaak
wij hierover gedaan hebben.
wij hierover gedaan hebben.
10:47
(Laughter)
221
635429
1747
(Gelach)
10:49
Okay, I will! It was four.
222
637200
1872
Nou goed dan: vier keer!
10:51
(Laughter)
223
639096
1001
(Gelach)
10:52
Way to go, Daria.
224
640121
1165
Goed gedaan, Daria.
10:53
But the important thing about that video
225
641647
4263
Maar het belangrijke bij deze video,
10:57
and the insights we have for every second
of every NBA game -- it's not that.
of every NBA game -- it's not that.
226
645934
4568
of bij de inzichten die we hebben
in elke NBA-wedstrijd -- is niet dat.
in elke NBA-wedstrijd -- is niet dat.
11:02
It's the fact you don't have to be
a professional team to track movement.
a professional team to track movement.
227
650639
3929
Het is het feit dat je geen profteam
hoeft te zijn om bewegingen te volgen.
hoeft te zijn om bewegingen te volgen.
11:07
You do not have to be a professional
player to get insights about movement.
player to get insights about movement.
228
655083
3657
Je hoeft geen profspeler te zijn
om inzicht te krijgen in bewegingen.
om inzicht te krijgen in bewegingen.
Het hoeft niet eens over sport te gaan,
want we bewegen tenslotte overal.
want we bewegen tenslotte overal.
11:10
In fact, it doesn't even have to be about
sports because we're moving everywhere.
sports because we're moving everywhere.
229
658764
3858
11:15
We're moving in our homes,
230
663654
2369
In onze huizen,
11:21
in our offices,
231
669428
1205
onze kantoren,
11:24
as we shop and we travel
232
672238
2690
tijdens het winkelen en reizen
11:29
throughout our cities
233
677318
1253
door onze steden
11:32
and around our world.
234
680065
1618
en over de hele wereld.
11:35
What will we know? What will we learn?
235
683270
2295
Wat gaan we ontdekken?
Wat gaan we leren?
Wat gaan we leren?
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
In plaats van pick-and-rolls
kan een machine misschien het moment
herkennen en mij verwittigen
herkennen en mij verwittigen
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
11:42
when my daughter takes her first steps.
238
690952
2059
als mijn dochter
haar eerste stapjes zet --
haar eerste stapjes zet --
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
wat nu trouwens op elk moment
zou kunnen gebeuren --
zou kunnen gebeuren --
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
Misschien kunnen we onze gebouwen
en steden beter indelen.
en steden beter indelen.
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
Ik denk dat de ontwikkeling
van deze wetenschap
van deze wetenschap
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
ons beter, slimmer
en verder vooruit zal doen bewegen.
en verder vooruit zal doen bewegen.
12:00
Thank you very much.
243
708607
1189
Dank je wel.
12:01
(Applause)
244
709820
5045
(Applaus)
ABOUT THE SPEAKER
Rajiv Maheswaran - ResearcherUsing 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.
Rajiv Maheswaran | Speaker | TED.com