TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
Rajiv Maheswaran: Matek a kosárlabdázás legvadabb mozgásainak hátterében
Filmed:
Readability: 3.1
2,683,104 views
A kosárlabdázás gyors mozgással, rögtönzéssel, érintkezéssel és ... hm — térbeli-időbeli mintafelismeréssel járó játék. Rajiv Maheswaran és munkatársai elemzik a játékban előforduló mozgásokat, hogy ezzel segítsék az edzőket és a játékosokat az ösztönös mozgások és az új adatok kombinálásában. Amit megtanultak, ráadásul még abban is segít bennünket, hogy megismerjük, hogyan mozgunk mi, emberek.
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.
00:12
My colleagues and I are fascinated
by the science of moving dots.
by the science of moving dots.
0
954
3583
Kollégáimat és engem elbűvöl
a mozgó pontok tudománya.
a mozgó pontok tudománya.
00:16
So what are these dots?
1
4927
1150
Miféle pontoké?
00:18
Well, it's all of us.
2
6101
1287
Hát, mi vagyunk azok!
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
Mozgunk otthon, az irodában,
mikor bevásárlunk s utazunk
mikor bevásárlunk s utazunk
00:24
throughout our cities
and around the world.
and around the world.
4
12521
2066
itthon és szerte a világban.
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
Nem lenne-e nagyszerű,
ha értenénk e mozgások természetét,
ha értenénk e mozgások természetét,
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
ha mintákat és jelentést
fedezhetnénk fel benne?
fedezhetnénk fel benne?
00:34
And luckily for us, we live in a time
7
22259
1785
Szerencsére olyan korban élünk,
00:36
where we're incredibly good
at capturing information about ourselves.
at capturing information about ourselves.
8
24068
4497
amikor saját adataink gyűjtésének
mestereivé váltunk.
mestereivé váltunk.
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
Érzékelőkkel, videóval vagy appokkal
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
a legapróbb részletekig
nyomon követhetjük a mozgásunkat.
nyomon követhetjük a mozgásunkat.
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
Úgy látszik, az egyik hely, ahonnan
a legjobb mozgásadatokat kaphatjuk
a legjobb mozgásadatokat kaphatjuk
00:53
is sports.
12
41148
1208
az a sport.
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
Legyen az kosárlabda, baseball,
amerikai foci, vagy az a másik "foci",
amerikai foci, vagy az a másik "foci",
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
stadionjaink és játékosaink föl vannak
szerelve, hogy követhessük a mozgásukat
szerelve, hogy követhessük a mozgásukat
01:04
every fraction of a second.
15
52465
1313
minden pillanatban.
01:05
So what we're doing
is turning our athletes into --
is turning our athletes into --
16
53802
4382
Annyit kell csak tennünk,
hogy sportolóinkat
hogy sportolóinkat
01:10
you probably guessed it --
17
58208
1959
— nyilván már kitalálták —
01:12
moving dots.
18
60191
1396
mozgó pontokká változtatjuk.
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
Tehát van egy rakás mozgó pontunk,
s mint a legtöbb nyers adattal,
s mint a legtöbb nyers adattal,
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
nehéz velük bánni,
és nem is túl érdekes.
és nem is túl érdekes.
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
De vannak olyan dolgok,
melyekre pl. a kosáredzők kíváncsiak.
melyekre pl. a kosáredzők kíváncsiak.
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
De az a bibi, hogy ez nekik nem megy,
mert akkor a játékok minden pillanatát
mert akkor a játékok minden pillanatát
01:29
of every game, remember it and process it.
23
77057
2589
meg kellene jegyezniük
és föl kellene dolgozniuk.
és föl kellene dolgozniuk.
01:31
And a person can't do that,
24
79804
1930
Az ember erre nem képes.
01:33
but a machine can.
25
81758
1310
A gép viszont igen.
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
Az a bökkenő, hogy a gép nem
az edző szemével látja a játékot.
az edző szemével látja a játékot.
01:39
At least they couldn't until now.
27
87363
2261
Legalábbis eddig nem tudta.
01:42
So what have we taught the machine to see?
28
90228
2103
Milyen látásmódra tanítottuk a gépet?
01:45
So, we started simply.
29
93569
1787
Egyszerűen kezdtük.
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
Megtanítottuk neki a passzokat, dobásokat
és a lepattanásokat.
és a lepattanásokat.
01:51
Things that most casual fans would know.
31
99203
2541
Ezeket egy átlagos szurkoló ismeri.
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
Azután sorra vettük
a kissé bonyolultabb dolgokat.
a kissé bonyolultabb dolgokat.
01:56
Events like post-ups,
and pick-and-rolls, and isolations.
and pick-and-rolls, and isolations.
33
104624
4588
Pl. a pozíciófogást, az elzárás-leválást
és a terület-felszabadítást.
és a terület-felszabadítást.
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
Nem baj, ha ezeket nem ismerik.
A hobbikosarasok ismerik.
A hobbikosarasok ismerik.
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
Elértünk arra a pontra, ahol a gép
ma már komplex akciókat is megért,
ma már komplex akciókat is megért,
02:10
like down screens and wide pins.
36
118924
3073
pl az alsó elzárást
és az oldalsó elzárást.
és az oldalsó elzárást.
02:14
Basically things only professionals know.
37
122021
2726
Ezeket többnyire csak a profik ismerik.
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
Megtanítottuk a gépnek,
hogy miként lásson az edző szemével.
hogy miként lásson az edző szemével.
02:22
So how have we been able to do this?
39
130009
1857
Hogyan voltunk erre képesek?
02:24
If I asked a coach to describe
something like a pick-and-roll,
something like a pick-and-roll,
40
132511
3118
Ha megkérnék egy edzőt, hogy adjon
leírást egy akcióról,
leírást egy akcióról,
02:27
they would give me a description,
41
135653
1640
például az elzárás-leválásról, megtenné,
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
s ha algoritmusként bekódolnám,
szörnyű lenne.
szörnyű lenne.
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
Az elzárás-leválást a kosárlabdában
négy játékos táncolja,
négy játékos táncolja,
02:37
two on offense and two on defense.
44
145328
1912
két támadó- és két védőjátékos.
02:39
And here's kind of how it goes.
45
147486
1618
Valahogy így csinálják.
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
Van egy labda nélküli támadójátékos,
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
aki a labdát birtokló támadójátékost
őrző védő mellé lép,
őrző védő mellé lép,
02:46
and he kind of stays there
48
154918
1257
egy kicsit ott marad,
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
majd mindketten mozdulnak,
és hoppá, ez az elzárás-leválás.
és hoppá, ez az elzárás-leválás.
02:51
(Laughter)
50
159540
2215
(Nevetés)
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
Még egy példa egy borzalmas algoritmusra:
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
ha az akadályozó játékos —
őt hívják elzárónak —
őt hívják elzárónak —
03:01
goes close by, but he doesn't stop,
53
169278
2872
egészen közel megy, de nem áll meg,
03:04
it's probably not a pick-and-roll.
54
172174
1765
ez nyilván nem elzárás-leválás.
03:06
Or if he does stop,
but he doesn't stop close enough,
but he doesn't stop close enough,
55
174560
3945
Ha viszont megáll, de nem elég közel,
03:10
it's probably not a pick-and-roll.
56
178529
1761
nyilván ez sem elzárás-leválás.
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
Vagy ha egészen közel megy és megáll,
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
de ezt a kosár alatt teszik,
nyilván ez sem elzárás-leválás.
nyilván ez sem elzárás-leválás.
03:19
Or I could be wrong,
they could all be pick-and-rolls.
they could all be pick-and-rolls.
59
187462
2524
Vagy tévedek, s ezek
mind elzárás-leválások.
mind elzárás-leválások.
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
A dolog a pontos időzítéstől,
távolságtól és a helytől függ,
távolságtól és a helytől függ,
03:26
and that's what makes it hard.
61
194602
1495
s ettől olyan bitangul nehéz.
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
Szerencsére, gépi tanulással
fölülmúlhatjuk az emberi képességeket,
fölülmúlhatjuk az emberi képességeket,
03:33
to describe the things we know.
63
201547
1743
hogy leírhassuk az ismert dolgokat.
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
Hogy működik ez? Egy példán mutatom be.
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
Odalépünk a géphez, és megszólítjuk:
"Jó reggelt, gép.
"Jó reggelt, gép.
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
Van itt valami elzárás-leválás,
és még valami, ami nem az.
és még valami, ami nem az.
03:44
Please find a way to tell the difference."
67
212720
2252
Kérlek, mondd meg,
mi a különbség közöttük."
mi a különbség közöttük."
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
Mindennek a nyitja, hogy szétválogatásra
alkalmas jellemzőket találjunk
alkalmas jellemzőket találjunk
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
Ha a gépnek meg akarnám tanítani a narancs
03:52
between an apple and orange,
70
220940
1381
és az alma közti különbséget,
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
azt tanácsolnám:
"Figyeld a színt és az alakot."
"Figyeld a színt és az alakot."
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
A megoldandó feladat: mik ezek a tényezők?
03:59
What are the key features
73
227711
1247
Mik a döntő jellemzők,
04:00
that let a computer navigate
the world of moving dots?
the world of moving dots?
74
228982
3499
melyekre támaszkodva a gép
eligazodik a mozgó pontok világában?
eligazodik a mozgó pontok világában?
04:04
So figuring out all these relationships
with relative and absolute location,
with relative and absolute location,
75
232505
4823
Ha kiderítjük a távolságok, időzítések,
relatív és abszolút helyek
relatív és abszolút helyek
04:09
distance, timing, velocities --
76
237352
1909
és sebességek közötti összefüggést,
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
ez a nyitja a mozgó pontok tudományának,
vagy aminek hívni szeretjük
vagy aminek hívni szeretjük
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
tudományos zsargonban:
térbeli-időbeli mintafölismerés.
térbeli-időbeli mintafölismerés.
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
Mert ugye, az elnevezés is legyen
ugyanolyan tojásfejű,
ugyanolyan tojásfejű,
04:22
because it is.
80
250847
1278
mint maga a terület.
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
Mert az NBA-edzőket
nem az érdekli leginkább,
nem az érdekli leginkább,
04:27
whether a pick-and-roll happened or not.
82
255575
1922
hogy az akció elzárás-leválás volt-e.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
Azt szeretnék tudni, hogyan történt.
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
Miért olyan fontos nekik?
Egy kicsit ássunk mélyebbre.
Egy kicsit ássunk mélyebbre.
04:34
It turns out in modern basketball,
85
262631
1771
Kiderül, hogy a modern kosárlabdában
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
az elzárás-leválás a legfontosabb játék.
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
Ha ismerjük a lefolyását,
és a kivédésének módját,
és a kivédésének módját,
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
ezzel nyerjük, illetve veszítjük el
a legtöbb meccset.
a legtöbb meccset.
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
Kiderül, hogy ennek a táncnak
számtalan változata van,
számtalan változata van,
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
és a lényeg az, hogy föltérképezzük
a változatokat,
a változatokat,
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
méghozzá nagyon-nagyon pontosan.
04:55
So, here's an example.
92
283228
1176
Mondok egy példát.
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
Van két támadó- és két védőjátékosunk,
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
s készek eljárni
az elzárás-leválás táncot.
az elzárás-leválás táncot.
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
A labdás muki vagy megcsinálja vagy nem.
05:04
His teammate can either roll or pop.
96
292086
3001
Csapattársa foroghat vagy nekiindulhat.
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
A labdát birtokló vagy áttör
vagy megkerülheti a lezárást.
vagy megkerülheti a lezárást.
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
Csapattársa segítheti váltáscsellel
vagy azzal, hogy nem mozdul,
vagy azzal, hogy nem mozdul,
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
és együtt válthatnak vagy lerohanhatnak.
05:17
and I didn't know
most of these things when I started
most of these things when I started
100
305352
2659
Kezdetben nem ismertem ezeket a dolgokat,
05:20
and it would be lovely if everybody moved
according to those arrows.
according to those arrows.
101
308035
3920
és milyen jó is lenne, ha mindenki
a nyilak szerint mozogna.
a nyilak szerint mozogna.
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
Nagyon megkönnyítené az életünket,
de a mozgások nagyon bonyolultak.
de a mozgások nagyon bonyolultak.
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
A játékosok rengeteget izegnek-mozognak,
s a változatokat igen pontosan végzik.
s a változatokat igen pontosan végzik.
05:33
with very high accuracy,
104
321555
1303
Nehéz a változatokat
05:34
both in precision and recall, is tough
105
322882
1868
meghatározni, s meg is jegyezni.
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
Hiszen pont az kell, hogy egy profi edző
bízzon a játékosban.
bízzon a játékosban.
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
A tér-időjellemzők minden
nehézsége ellenére
nehézsége ellenére
05:43
we have been able to do that.
108
331820
1474
el tudtuk végezni a feladatot.
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
Az edzők bíznak benne, hogy gépünk
képes a változatokat meghatározni.
képes a változatokat meghatározni.
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
Ma ott tartunk, hogy az idei NBA-bajnokság
05:53
for an NBA championship this year
111
341035
1623
minden résztvevője
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
a mi szoftverünket használja,
amelynek alapja
amelynek alapja
05:59
the moving dots of basketball.
113
347114
1634
a kosárlabda mozgó pontjait értő gép.
06:01
So not only that, we have given advice
that has changed strategies
that has changed strategies
114
349872
5153
Nem csak tanácsokat adunk,
amely megváltoztatja a stratégiát,
amely megváltoztatja a stratégiát,
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
hanem segítettük a csapatokat,
hogy fontos meccseket nyerhessenek.
hogy fontos meccseket nyerhessenek.
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
Ez igen érdekes, mert vannak edzők,
akik 30 éve vannak a Szövetségben,
akik 30 éve vannak a Szövetségben,
06:14
for 30 years that are willing to take
advice from a machine.
advice from a machine.
117
362181
3067
és mégis hajlandóak megfogadni
egy gép tanácsát.
egy gép tanácsát.
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
Ez nagyon lelkesítő, jobban,
mint az elzárás-leválás.
mint az elzárás-leválás.
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
Számítógépünk egyszerű dolgokkal kezdte,
06:22
and learned more and more complex things
120
370904
2064
s mind több összetett dolgot tanult meg,
06:24
and now it knows so many things.
121
372992
1561
s mára már rengeteg mindent tud.
06:26
Frankly, I don't understand
much of what it does,
much of what it does,
122
374577
2835
Őszintén szólva, nem sokat értek abból,
amit művel,
amit művel,
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
s nem az a különleges benne,
hogy okosabb nálam.
hogy okosabb nálam.
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
Azon töprengünk, hogy a gép
többet tudhat-e egy edzőnél?
többet tudhat-e egy edzőnél?
06:36
Can it know more than person could know?
125
384843
2055
Többet tudhat-e az embernél?
06:38
And it turns out the answer is yes.
126
386922
1745
Kiderül, hogy a válasz: igen.
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
Az edzők jól dobó játékosokat szeretnének.
06:43
So if I'm standing near the basket
128
391272
1651
Ha a kosár közelében állok,
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
és senki sincs a közelemben, az jó dobás.
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
Ha messze, védőkkel körülvéve állok,
akkor az általában rossz dobás.
akkor az általában rossz dobás.
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
De sohasem tudtuk, hogy mennyiségileg
mennyire jó a jó és rossz a rossz.
mennyire jó a jó és rossz a rossz.
06:56
Until now.
132
404209
1150
Eddig.
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
Azt tehetjük, ismétlem,
hogy a tér-időjellemzők segítségével
hogy a tér-időjellemzők segítségével
07:00
we looked at every shot.
134
408853
1374
megfigyelünk minden dobást.
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
S elénk tárul: Honnan dobnak?
Milyen szögben van a kosár?
Milyen szögben van a kosár?
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
Hol állnak a védők?
Mennyire vannak egymástól?
Mennyire vannak egymástól?
07:08
What are their angles?
137
416066
1331
Milyen szögben?
07:09
For multiple defenders, we can look
at how the player's moving
at how the player's moving
138
417421
2977
Több védőnél megfigyelhetjük,
hogyan mozog a játékos,
hogyan mozog a játékos,
07:12
and predict the shot type.
139
420422
1433
megtippelhetjük a dobásfajtát.
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
Megfigyelhetjük a sebességeket, s olyan
modellt készíthetünk, amely megjósolja,
modellt készíthetünk, amely megjósolja,
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
hogy a dobás beleillik-e
ezekbe a feltételekbe.
ezekbe a feltételekbe.
07:22
So why is this important?
142
430188
1500
Miért fontos ez?
07:24
We can take something that was shooting,
143
432102
2803
A dobást, amely korábban egy dolog volt,
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
két részre bonthatjuk:
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
a dobás minősége és a dobó minősége.
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
Ez egy buborékdiagram, mert a TED-en
egy tapodtat se diagram nélkül.
egy tapodtat se diagram nélkül.
07:36
(Laughter)
147
444966
1014
(Nevetés)
07:38
Those are NBA players.
148
446004
1311
Ezek az NBA játékosai.
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
A méret a játékos magassága,
a szín a helyzete.
a szín a helyzete.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
Az x-tengelyen van a dobás valószínűsége.
07:44
People on the left take difficult shots,
151
452639
1953
a bal oldali játékosok nehéz,
07:46
on the right, they take easy shots.
152
454616
2229
a jobb oldaliak könnyű dobásokat végeznek.
07:49
On the [y-axis] is their shooting ability.
153
457194
2057
Az y-tengelyen van a dobóképesség.
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
Fenn vannak a jó játékosok,
lenn a rosszak.
lenn a rosszak.
07:53
So for example, if there was a player
155
461861
1760
Pl. Itt egy játékosunk. A dobásai
07:55
who generally made
47 percent of their shots,
47 percent of their shots,
156
463621
2097
47%-ban általában sikeresek.
07:57
that's all you knew before.
157
465718
1389
Eddig csak ezt tudtuk róla.
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
De most már azt is, hogy ő úgy dob,
mint az esetek 49%-ában
mint az esetek 49%-ában
08:04
would make 49 percent of the time,
159
472219
1961
egy átlagos NBA-játékos,
08:06
and they are two percent worse.
160
474204
1684
s ő 2%-kal gyengébb.
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
S ez azért lényeges, mert sok 47%-os van,
08:13
And so it's really important to know
162
481714
2549
és tudnunk kell,
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
hogy a 47%-os muki,
akinek 100 millió dollárt kellene adni,
akinek 100 millió dollárt kellene adni,
08:20
is a good shooter who takes bad shots
164
488267
3055
jó dobó-e, aki rosszakat dob,
08:23
or a bad shooter who takes good shots.
165
491346
2397
vagy rossz dobó, aki jókat dob.
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
A gépi értelem nemcsak a játékosok
megítélését változtatja meg,
megítélését változtatja meg,
08:30
it changes how we look at the game.
167
498487
1858
hanem a játék megítélését is.
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
Volt egy nagyon izgalmas meccs
pár éve az NBA döntőjében.
pár éve az NBA döntőjében.
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
A Miami hárompontos hátrányban volt,
20 másodperc volt hátra.
20 másodperc volt hátra.
08:39
They were about to lose the championship.
170
507379
2025
Úgy látszott, elvesztik a bajnokságot.
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
Beállt LeBron James, és dobott
egy hármast, hogy egyenlítsen.
egy hármast, hogy egyenlítsen.
08:44
He missed.
172
512793
1198
Elhibázta.
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
Társa, Chris Bosh a lepattanó labdát
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
csapattársának, Ray Allennek passzolta,
08:50
He sank a three. It went into overtime.
175
518059
1919
ő meg bedobta a hármast. Hosszabbítás!
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
Megnyerték a meccset és a bajnokságot is.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
Minden idők egyik legizgalmasabb
kosármeccse volt.
kosármeccse volt.
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
Az a képességünk, hogy minden játékosról
ismertük a dobás valószínűségét
ismertük a dobás valószínűségét
09:00
at every second,
179
528891
1188
minden pillanatban,
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
és a lepattanó labda elkapásáét is
minden pillanatban,
minden pillanatban,
09:05
can illuminate this moment in a way
that we never could before.
that we never could before.
181
533083
3443
a korábbiakhoz képest más
megvilágításba helyezte ezt a pillanatot.
megvilágításba helyezte ezt a pillanatot.
09:09
Now unfortunately,
I can't show you that video.
I can't show you that video.
182
537618
2668
Sajnos, nem tudom levetíteni a videót.
09:12
But for you, we recreated that moment
183
540310
4493
De az önök kedvéért
felidéztük a pillanatot
felidéztük a pillanatot
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
3 hete a heti kosarazásunkkor.
09:19
(Laughter)
185
547279
2167
(Nevetés)
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
Újra előállítottuk az útvonalat,
amelyből eredményeink származtak.
amelyből eredményeink származtak.
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
Ezek itt mi vagyunk.
Ez a Chinatown Los Angelesben.
Ez a Chinatown Los Angelesben.
09:29
a park we play at every week,
188
557478
1564
E parkban játszunk hetente,
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
itt meg újra előállítjuk
Ray Allen akcióját
Ray Allen akcióját
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
és az akcióval kapcsolatos útvonalat.
09:36
So, here's the shot.
191
564772
1517
Ez itt a dobás.
09:38
I'm going to show you that moment
192
566313
2516
Meg fogom mutatni azt a pillanatot,
09:40
and all the insights of that moment.
193
568853
2587
és az eredményeinket.
09:43
The only difference is, instead
of the professional players, it's us,
of the professional players, it's us,
194
571464
3730
A különbség, hogy nem profik,
hanem mi játszunk,
hanem mi játszunk,
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
és profi bemondó helyett én beszélek.
09:49
So, bear with me.
196
577860
1477
Viseljenek el.
09:53
Miami.
197
581153
1150
Miami.
09:54
Down three.
198
582671
1150
Hárompontos hátrány
09:56
Twenty seconds left.
199
584107
1150
20 másodperc van hátra.
09:59
Jeff brings up the ball.
200
587385
1198
Jeff hozza föl a labdát.
10:02
Josh catches, puts up a three!
201
590656
1535
Josh elcsípi, s dob egy hármast.
10:04
[Calculating shot probability]
202
592631
1849
[Dobás valószínűségének számolása]
10:07
[Shot quality]
203
595278
1150
[Dobásminőség]
10:09
[Rebound probability]
204
597048
1785
[Lepattanás valószínűsége]
10:12
Won't go!
205
600373
1173
Nem fog menni!
10:13
[Rebound probability]
206
601570
1446
[Lepattanás valószínűsége]
10:15
Rebound, Noel.
207
603777
1256
Lepattan, Noel.
10:17
Back to Daria.
208
605057
1150
Vissza Dariának,
10:18
[Shot quality]
209
606509
3365
[Dobásminőség]
10:22
Her three-pointer -- bang!
210
610676
1620
A hárompontosa — puff!
10:24
Tie game with five seconds left.
211
612320
2197
Döntetlen, és 5 másodperc van hátra.
10:26
The crowd goes wild.
212
614880
1618
A tömeg bevadul.
10:28
(Laughter)
213
616522
1659
(Nevetés)
10:30
That's roughly how it happened.
214
618205
1547
Kb. így történt.
10:31
(Applause)
215
619776
1151
(Taps)
10:32
Roughly.
216
620951
1175
Körülbelül.
10:34
(Applause)
217
622150
1531
(Taps)
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
9%-os volt az esély, hogy az NBA-ben
az a pillanat bekövetkezik:
az a pillanat bekövetkezik:
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
ezt tudjuk, és egy csomó mást is.
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
Inkább nem mondom meg,
hányszor próbáltuk el, míg végül sikerült.
hányszor próbáltuk el, míg végül sikerült.
10:47
(Laughter)
221
635429
1747
(Nevetés)
10:49
Okay, I will! It was four.
222
637200
1872
Na jó, megmondom: négyszer.
10:51
(Laughter)
223
639096
1001
(Nevetés)
10:52
Way to go, Daria.
224
640121
1165
Bravó, Daria.
10:53
But the important thing about that video
225
641647
4263
De a videóval és az NBA-meccsek
minden pillanatáról meglévő
minden pillanatáról meglévő
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
részletekkel kapcsolatban
a fontos — nem ez.
a fontos — nem ez.
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
Tény, hogy nem kell profi csapatnak
lennünk, hogy kövessük a mozgásokat.
lennünk, hogy kövessük a mozgásokat.
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
Profi játékosnak sem, hogy tájékozódjunk
a mozgások részleteiről.
a mozgások részleteiről.
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
Még csak nem is kell ennek sportnak
lennie, hiszen mindenfelé mozgunk.
lennie, hiszen mindenfelé mozgunk.
11:15
We're moving in our homes,
230
663654
2369
Mozgunk otthon,
11:21
in our offices,
231
669428
1205
az irodában,
11:24
as we shop and we travel
232
672238
2690
vásárlás közben, miközben utazgatunk
11:29
throughout our cities
233
677318
1253
a városokban
11:32
and around our world.
234
680065
1618
és a világban.
11:35
What will we know? What will we learn?
235
683270
2295
Mit fogunk megtudni? Mit tanulunk meg?
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
Talán az elzárás-leválás
azonosítása helyett
azonosítása helyett
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
azonosíthatja a pillanatot,
és tudtomra adhatja,
és tudtomra adhatja,
11:42
when my daughter takes her first steps.
238
690952
2059
hogy kislányom mikor kezd járni.
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
Ez pedig most bármely
pillanatban megtörténhet.
pillanatban megtörténhet.
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
Tán megtanuljuk, hogy jobban
használjuk épületeinket,
használjuk épületeinket,
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
jobban tervezzük városainkat.
A mozgó pontok tudományának fejlesztésével
A mozgó pontok tudományának fejlesztésével
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
jobban és okosabban fogunk mozogni,
s előbbre haladunk.
s előbbre haladunk.
12:00
Thank you very much.
243
708607
1189
Nagyon köszönöm.
12:01
(Applause)
244
709820
5045
(Taps)
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