TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
Rajiv Maheswaran: La matematica alla base delle mosse più incredibili del basket.
Filmed:
Readability: 3.1
2,683,104 views
Il basket è un gioco veloce di improvvisazione, contatto e, ehm, riconoscimento di schemi spazio-temporali. Rajiv Maheswaran e i suoi colleghi analizzano i movimenti alla base delle mosse decisive del gioco, per aiutare allenatori e giocatori a combinare percezione e dati. Con un vantaggio extra: quello che stanno imparando può aiutarci a capire come gli umani si muovono, ovunque.
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.
Io e i miei colleghi siamo affascinati
dalla scienza dei punti in movimento.
dalla scienza dei punti in movimento.
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
Cosa sono questi punti?
00:18
Well, it's all of us.
2
6101
1287
Beh, siamo tutti noi.
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
Ci spostiamo in casa e in ufficio,
mentre facciamo acquisti o viaggiamo,
mentre facciamo acquisti o viaggiamo,
00:24
throughout our cities
and around the world.
and around the world.
4
12521
2066
tra le nostre città
e in tutto il mondo.
e in tutto il mondo.
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
Sarebbe bello riuscire a capire
tutto questo movimento.
tutto questo movimento.
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
Trovarci schemi,
significati, conoscenze nuove.
significati, conoscenze nuove.
E fortunatamente per noi,
viviamo in un'era
viviamo in un'era
00:34
And luckily for us, we live in a time
7
22259
1785
00:36
where we're incredibly good
at capturing information about ourselves.
at capturing information about ourselves.
8
24068
4497
in cui siamo incredibilmente bravi
a catturare informazioni su noi stessi.
a catturare informazioni su noi stessi.
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
Attraverso sensori,
video, applicazioni, infatti,
video, applicazioni, infatti,
noi possiamo tracciare il nostro
movimento in modo davvero dettagliato.
movimento in modo davvero dettagliato.
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
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
E a quanto pare, uno dei settori che
fornisce i migliori dati sul movimento
fornisce i migliori dati sul movimento
00:53
is sports.
12
41148
1208
è lo 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
Che si tratti di basket o baseball,
di calcio o rubgy,
di calcio o rubgy,
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
stiamo attrezzando
gli stadi e i giocatori
gli stadi e i giocatori
per tracciare i loro movimenti
a ogni frazione di secondo.
a ogni frazione di secondo.
01:04
every fraction of a second.
15
52465
1313
Quindi ciò che stiamo facendo
01:05
So what we're doing
is turning our athletes into --
is turning our athletes into --
16
53802
4382
è trasformare i nostri atleti in
-- probabilmente
l'avrete già capito -
l'avrete già capito -
01:10
you probably guessed it --
17
58208
1959
punti in movimento.
01:12
moving dots.
18
60191
1396
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
Quindi abbiamo montagne
di punti in movimento
di punti in movimento
e, come la maggior parte
dei dati grezzi,
dei dati grezzi,
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
sono difficili da gestire
e spesso non interessanti.
e spesso non interessanti.
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
Ma esistono cose che, per esempio,
gli allenatori di basket vogliono sapere.
gli allenatori di basket vogliono sapere.
Il problema è che non possono saperle
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
perché dovrebbero guardare
ogni secondo di ogni partita,
ogni secondo di ogni partita,
01:29
of every game, remember it and process it.
23
77057
2589
ricordarselo ed esaminarlo.
01:31
And a person can't do that,
24
79804
1930
E una persona non può farlo.
01:33
but a machine can.
25
81758
1310
Ma una macchina sì!
Però una macchina non può vedere il gioco
con gli occhi di un allenatore.
con gli occhi di un allenatore.
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
01:39
At least they couldn't until now.
27
87363
2261
Quantomeno non poteva finora.
01:42
So what have we taught the machine to see?
28
90228
2103
Cosa abbiamo insegnato a vedere
alla macchina, quindi?
alla macchina, quindi?
01:45
So, we started simply.
29
93569
1787
Abbiamo iniziato in modo semplice.
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
Le abbiamo insegnato cose
come i passaggi, i tiri e i rimbalzi.
come i passaggi, i tiri e i rimbalzi.
01:51
Things that most casual fans would know.
31
99203
2541
Cose che molti dei normali fan conoscono.
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
Poi siamo passati a cose
leggermente più complicate.
leggermente più complicate.
01:56
Events like post-ups,
and pick-and-rolls, and isolations.
and pick-and-rolls, and isolations.
33
104624
4588
Azioni come i post alti,
i pick and rolls e gli isolamenti.
i pick and rolls e gli isolamenti.
Se non li sapete, tranquilli.
Molti normali giocatori li sanno.
Molti normali giocatori li sanno.
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
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
Oggi siamo arrivati a macchine
che comprendono eventi complessi
che comprendono eventi complessi
02:10
like down screens and wide pins.
36
118924
3073
come i "down screen" e i "wide pins".
02:14
Basically things only professionals know.
37
122021
2726
Praticamente cose che solo i
professionisti conoscono.
professionisti conoscono.
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
Quindi abbiamo insegnato alla macchina
a guardare con gli occhi di un allenatore.
a guardare con gli occhi di un allenatore.
02:22
So how have we been able to do this?
39
130009
1857
Come ci siamo riusciti?
02:24
If I asked a coach to describe
something like a pick-and-roll,
something like a pick-and-roll,
40
132511
3118
Se chiedessi a un allenatore
di descrivere un pick and roll,
di descrivere un pick and roll,
02:27
they would give me a description,
41
135653
1640
mi darebbe una descrizione
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
che sarebbe terribile
da codificare in un algoritmo.
da codificare in un algoritmo.
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
Il pick and roll nel basket
è una specie di danza tra 4 giocatori,
è una specie di danza tra 4 giocatori,
02:37
two on offense and two on defense.
44
145328
1912
due in attacco e due in difesa.
02:39
And here's kind of how it goes.
45
147486
1618
Ecco più o meno come funziona.
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
Qui c'è il giocatore in attacco
senza la palla
senza la palla
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
e si avvicina al giocatore
che difende contro chi ha la palla
che difende contro chi ha la palla
e rimane un po' lì
02:46
and he kind of stays there
48
154918
1257
poi si muovono, succedono cose,
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
Ta-da! È un pick and roll.
02:51
(Laughter)
50
159540
2215
(Risate)
Ed è anche un pessimo
esempio di algoritmo.
esempio di algoritmo.
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
Quindi, se il giocatore che marca,
chiamato bloccatore
chiamato bloccatore
03:01
goes close by, but he doesn't stop,
53
169278
2872
va vicino ma non si ferma,
03:04
it's probably not a pick-and-roll.
54
172174
1765
probabilmente non è un 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
O se si ferma, ma non va vicino abbastanza
03:10
it's probably not a pick-and-roll.
56
178529
1761
probabilmente non è un pick and roll.
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
O, se va vicino e si ferma
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
ma succede sotto al canestro,
probabilmente non è un pick and roll.
probabilmente non è un pick and roll.
O mi potrei sbagliare,
e sono tutti pick and roll.
e sono tutti 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
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
Dipende fortemente dal momento esatto,
dalle distanze e dalle posizioni.
dalle distanze e dalle posizioni.
03:26
and that's what makes it hard.
61
194602
1495
Per questo è difficile.
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
Ma con l'apprendimento automatico
noi andiamo oltre la nostra capacità
nel descrivere ciò che sappiamo
nel descrivere ciò che sappiamo
03:33
to describe the things we know.
63
201547
1743
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
E come funziona?
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
Per esempio, andiamo dalla macchina
e le diciamo: "Buongiorno, macchina.
e le diciamo: "Buongiorno, macchina.
Questi sono alcuni pick and roll,
e qui ci sono alcune cose che non lo sono.
e qui ci sono alcune cose che non lo sono.
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
03:44
Please find a way to tell the difference."
67
212720
2252
Trova un modo per spiegare le differenze".
E la chiave è trovare caratteristiche
che l'aiutino a distinguere.
che l'aiutino a distinguere.
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
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
Così come se le insegnassi la differenza
tra una mela e un'arancia,
tra una mela e un'arancia,
03:52
between an apple and orange,
70
220940
1381
direi: "Perché non usi
il colore o la forma?"
il colore o la forma?"
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
E il problema davanti a noi è:
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
cosa sono queste cose,
quali sono queste caratteristiche
quali sono queste caratteristiche
03:59
What are the key features
73
227711
1247
che permettono alla macchina di
indagare i punti in movimento?
indagare i punti in movimento?
04:00
that let a computer navigate
the world of moving dots?
the world of moving dots?
74
228982
3499
04:04
So figuring out all these relationships
with relative and absolute location,
with relative and absolute location,
75
232505
4823
Tenere in mente tutte queste relazioni,
con posizione relative e assoluta,
con posizione relative e assoluta,
distanza, tempi, velocità --
04:09
distance, timing, velocities --
76
237352
1909
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
questa è la vera chiave
per la scienza dei punti in movimento,
per la scienza dei punti in movimento,
o, in gergo accademico, riconoscimento
del modello spaziotemporale.
del modello spaziotemporale.
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
Perché prima di tutto
devi darle un nome difficile...
devi darle un nome difficile...
04:22
because it is.
80
250847
1278
(risate)
...perché lo è.
...perché lo è.
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
Il punto è che gli allenatori NBA
non vogliono sapere
non vogliono sapere
04:27
whether a pick-and-roll happened or not.
82
255575
1922
se è avvenuto o meno un pick and roll.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
Vogliono sapere come è accaduto.
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
Perché è così importante per loro?
Vediamo un po' meglio.
Vediamo un po' meglio.
04:34
It turns out in modern basketball,
85
262631
1771
Nel basket moderno,
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
il pick and roll è forse
la mossa più importante.
la mossa più importante.
Sapere come metterla in pratica
e come difendersi da essa
e come difendersi da essa
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
è la chiave per vincere
la maggior parte delle partite
la maggior parte delle partite
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
Ne viene fuori che questa sorta di
danza ha tante varianti
danza ha tante varianti
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
e identificarle è ciò
che più conta.
che più conta.
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
È per questo che bisogna farlo
molto, molto bene.
molto, molto bene.
04:55
So, here's an example.
92
283228
1176
Ecco un esempio: ci sono
due attaccanti e due difensori,
due attaccanti e due difensori,
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
pronti ad inziare la danza
del pick and roll.
del pick and roll.
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
Il tipo con la palla
può sia accettare o rifiutare il blocco.
può sia accettare o rifiutare il blocco.
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
il suo compagno di squadra
può fare roll o pop.
può fare roll o pop.
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
il giocatore che difende la palla può
passare sopra o sotto
passare sopra o sotto
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
Il suo compagno può mostrare,
giocare up-to-touch o giocare soft
giocare up-to-touch o giocare soft
ed insieme possono cambiare marcatura
o fare un raddoppio
o fare un raddoppio
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
e quando cominciai io non sapevo
la maggior parte di queste cose
la maggior parte di queste cose
05:17
and I didn't know
most of these things when I started
most of these things when I started
100
305352
2659
05:20
and it would be lovely if everybody moved
according to those arrows.
according to those arrows.
101
308035
3920
e sarebbe bello se tutti
si muovessero seguendo queste frecce:
si muovessero seguendo queste frecce:
renderebbe la vita molto più semplice.
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
Ma in realtà il movimento
è molto confuso.
è molto confuso.
Le persone ondeggiano molto e
identificare queste variazioni
identificare queste variazioni
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
con un alto livello di accuratezza
05:33
with very high accuracy,
104
321555
1303
sia in precisione che in memorizzazione,
è difficile, ma è necessario
è difficile, ma è necessario
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
se vuoi che un allenatore
professionista ti creda.
professionista ti creda.
Malgrado tutti i problemi
con le questioni spaziotemporali,
con le questioni spaziotemporali,
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
ci siamo riusciti.
05:43
we have been able to do that.
108
331820
1474
Gli allenatori credono nella capacità
della macchina di trovare le varianti.
della macchina di trovare le varianti.
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
Siamo arrivati al punto che
quasi ogni partecipante
quasi ogni partecipante
05:53
for an NBA championship this year
111
341035
1623
al campionato NBA di quest'anno
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
sta usando il nostro software,
costruito su una macchina
costruito su una macchina
che capisce i punti
in movimento del basket.
in movimento del basket.
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
Non solo abbiamo dato consigli che
hanno cambiato le strategie di gioco
hanno cambiato le strategie di gioco
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
che hanno aiutato le squadre a
vincere competizioni molto importanti
vincere competizioni molto importanti
ed è esaltante vedere allenatori
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
con 30 anni di esperienza in lega pronti
a farsi consigliare da una macchina.
a farsi consigliare da una macchina.
06:14
for 30 years that are willing to take
advice from a machine.
advice from a machine.
117
362181
3067
È appassionante, è c'è molto più
dei pick and roll.
dei pick and roll.
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
La macchina ha cominciato
con cose semplici,
con cose semplici,
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
poi ha imparato cose
sempre più complesse
sempre più complesse
06:22
and learned more and more complex things
120
370904
2064
e ora sa davvero molte cose.
06:24
and now it knows so many things.
121
372992
1561
Francamente, io non capisco
gran parte di quello che fa,
gran parte di quello che fa,
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
e anche se non ci vuol molto
ad essere più bravi di me,
ad essere più bravi di me,
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
ci chiedevamo, può una macchina
sapere più di un allenatore?
sapere più di un allenatore?
06:36
Can it know more than person could know?
125
384843
2055
Sapere più di quello che sa una persona?
06:38
And it turns out the answer is yes.
126
386922
1745
Viene fuori che la risposta è si.
Gli allenatori vogliono che i giocatori
facciamo dei bei tiri.
facciamo dei bei tiri.
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
Quindi, se sono vicino al canestro
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
con nessuno vicino a me,
è un buon tiro.
è un buon tiro.
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
Se sono lontano circondato da difensori,
in genere è un tiro scadente.
in genere è un tiro scadente.
Ma quanto "buoni" o "scadenti"
sono i tiri buoni o scadenti?
sono i tiri buoni o scadenti?
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
06:56
Until now.
132
404209
1150
Finora non potevi saperlo.
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
Quindi cosa possiamo fare
usando coordinate spaziotemporali?
usando coordinate spaziotemporali?
07:00
we looked at every shot.
134
408853
1374
Abbiamo guardato ogni tiro.
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
Possiamo vedere: dove è il tiro?
Qual è l'angolo col canestro?
Qual è l'angolo col canestro?
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
Dove sono i difensori?
Quali sono le loro distanze?
Quali sono le loro distanze?
Quali sono i loro angoli?
07:08
What are their angles?
137
416066
1331
Con più difensori, possiamo guardare
a come si muove il giocatore
a come si muove il giocatore
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
e prevedere il tipo di tiro.
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
Possiamo guardare alle loro velocità
e costruire un modello che prevede
e costruire un modello che prevede
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
la probabilità che questo tiro vada dentro,
date queste circostanze?
date queste circostanze?
07:22
So why is this important?
142
430188
1500
E perché questo è importante?
07:24
We can take something that was shooting,
143
432102
2803
Possiamo prendere ciò che era il tirare,
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
che prima era una cosa sola,
e separarla in due:
e separarla in due:
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
la qualità del tiro
e la qualità del tiratore.
e la qualità del tiratore.
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
Ecco un grafico a bolle: che TED sarebbe,
senza un grafico a bolle?
senza un grafico a bolle?
07:36
(Laughter)
147
444966
1014
(Risate)
07:38
Those are NBA players.
148
446004
1311
Questi sono giocatori NBA.
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
La dimensione è quella del giocatore
e il colore è la posizione.
e il colore è la posizione.
Sull'asse delle x abbiamo
la probabilità di tiro.
la probabilità di tiro.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
07:44
People on the left take difficult shots,
151
452639
1953
Le persone sulla sinistra
fanno tiri difficili,
fanno tiri difficili,
07:46
on the right, they take easy shots.
152
454616
2229
sulla destra, tiri facili.
Sull'asse delle y
c'è la loro abilità di tiro.
c'è la loro abilità di tiro.
07:49
On the [y-axis] is their shooting ability.
153
457194
2057
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
Quelli bravi sono in alto,
gli altri in basso.
gli altri in basso.
07:53
So for example, if there was a player
155
461861
1760
Per esempio, se c'era un giocatore
07:55
who generally made
47 percent of their shots,
47 percent of their shots,
156
463621
2097
che in genere realizzava
il 47% dei tiri,
il 47% dei tiri,
prima questo era
tutto ciò che sapevamo.
tutto ciò che sapevamo.
07:57
that's all you knew before.
157
465718
1389
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
Ma oggi ti posso dire che quel giocatore
fa tiri che il giocatore NBA di media
fa tiri che il giocatore NBA di media
08:04
would make 49 percent of the time,
159
472219
1961
farebbe il 49% delle volte,
08:06
and they are two percent worse.
160
474204
1684
e quindi è del 2% peggiore.
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
E il motivo per cui è importante
è che ci sono tanti 47 in giro,
è che ci sono tanti 47 in giro,
08:13
And so it's really important to know
162
481714
2549
e quindi è molto importante sapere
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
se il 47 a cui stai pensando di dare
100 milioni di dollari
100 milioni di dollari
08:20
is a good shooter who takes bad shots
164
488267
3055
è un buon tiratore
ma che sceglie tiri difficili
ma che sceglie tiri difficili
08:23
or a bad shooter who takes good shots.
165
491346
2397
o è un cattivo tiratore
che sceglie tiri buoni.
che sceglie tiri buoni.
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
L'analisi della macchina non cambia solo
come guardiamo ai giocatori,
come guardiamo ai giocatori,
08:30
it changes how we look at the game.
167
498487
1858
cambia il modo di guardare al gioco.
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
C'era questa partita emozionante,
un paio di anni fa, nelle finali NBA.
un paio di anni fa, nelle finali NBA.
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
Miami perdeva per 3 punti,
e mancavano 20 secondi.
e mancavano 20 secondi.
08:39
They were about to lose the championship.
170
507379
2025
Stavano per perdere il campionato.
Un certo LeBron James ebbe l'occasione
di un tiro da 3 per pareggiare.
di un tiro da 3 per pareggiare.
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
08:44
He missed.
172
512793
1198
Sbagliò, il suo compagno Chris Bosh
prese un rimbalzo,
prese un rimbalzo,
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
lo passò ad un altro, Ray Allen.
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
Che infilò un tre.
Andarono ai supplementari.
Andarono ai supplementari.
08:50
He sank a three. It went into overtime.
175
518059
1919
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
Vinsero la partita.
Vinsero il campionato.
Vinsero il campionato.
Fu una delle partite più emozionanti
della storia del basket.
della storia del basket.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
E la capacità di conoscere
la probabilità di tiro
la probabilità di tiro
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
di ognuno,
a ogni secondo,
a ogni secondo,
09:00
at every second,
179
528891
1188
la probabilità che prendessero
un rimbalzo a ogni secondo
un rimbalzo a ogni secondo
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
può far luce su questo momento
in modo completamente nuovo.
in modo completamente nuovo.
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
Sfortunatamente non posso
farvi vedere il video.
farvi vedere il video.
09:12
But for you, we recreated that moment
183
540310
4493
Ma per voi,
abbiamo ricreato quel momento
abbiamo ricreato quel momento
durante la nostra partita settimanale
circa 3 settimane fa.
circa 3 settimane fa.
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
09:19
(Laughter)
185
547279
2167
(Risate)
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
E abbiamo ricreato l'analisi
che ci ha portato a nuove informazioni.
che ci ha portato a nuove informazioni.
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
Eccoci qui.
Questa è Chinatown a Los Angeles,
Questa è Chinatown a Los Angeles,
un parco dove giochiamo
tutte le settimane,
tutte le settimane,
09:29
a park we play at every week,
188
557478
1564
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
e questi siamo noi che ricreiamo
il momento Ray Allen
il momento Ray Allen
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
e tutte le analisi associate.
09:36
So, here's the shot.
191
564772
1517
Ecco il tiro.
09:38
I'm going to show you that moment
192
566313
2516
Vi faccio vedere quel momento
09:40
and all the insights of that moment.
193
568853
2587
e tutte le informazioni di quel momento.
09:43
The only difference is, instead
of the professional players, it's us,
of the professional players, it's us,
194
571464
3730
L'unica differenza è che, invece di
giocatori professionisti, ci siamo noi,
giocatori professionisti, ci siamo noi,
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
e invece di un professionista,
commento io.
commento io.
09:49
So, bear with me.
196
577860
1477
Quindi siate comprensivi.
09:53
Miami.
197
581153
1150
Miami.
09:54
Down three.
198
582671
1150
Sotto 3 punti.
09:56
Twenty seconds left.
199
584107
1150
20 secondi rimasti.
09:59
Jeff brings up the ball.
200
587385
1198
Jeff porta avanti la palla.
10:02
Josh catches, puts up a three!
201
590656
1535
Josh l'afferra,
fa un tiro da 3 punti!
fa un tiro da 3 punti!
10:04
[Calculating shot probability]
202
592631
1849
[Calcolo della probabilità del tiro]
10:07
[Shot quality]
203
595278
1150
[Qualità del tiro]
10:09
[Rebound probability]
204
597048
1785
[Probabilità di rimbalzo]
10:12
Won't go!
205
600373
1173
Non entra!
10:13
[Rebound probability]
206
601570
1446
[Probabilità di rimbalzo]
10:15
Rebound, Noel.
207
603777
1256
Rimbalzo, Noel.
10:17
Back to Daria.
208
605057
1150
Indietro a Daria.
10:18
[Shot quality]
209
606509
3365
[Qualità del tiro]
10:22
Her three-pointer -- bang!
210
610676
1620
E lei fa i 3 punti! Bang!
10:24
Tie game with five seconds left.
211
612320
2197
Partita pareggiata con 5 secondi rimasti.
10:26
The crowd goes wild.
212
614880
1618
Il pubblico impazzisce.
10:28
(Laughter)
213
616522
1659
(Risate)
10:30
That's roughly how it happened.
214
618205
1547
Più o meno è andata così.
10:31
(Applause)
215
619776
1151
(Applausi)
10:32
Roughly.
216
620951
1175
Più o meno.
10:34
(Applause)
217
622150
1531
(Applausi)
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
Quel momento aveva una probabilità
di accadere nell'NBA del 9%
di accadere nell'NBA del 9%
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
e noi lo sappiamo
come moltissime altre cose.
come moltissime altre cose.
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
Non sto a darvi quante volte
ci abbiamo messo per replicarlo.
ci abbiamo messo per replicarlo.
10:47
(Laughter)
221
635429
1747
(Risate)
10:49
Okay, I will! It was four.
222
637200
1872
Via, ve lo dico. Quattro volte.
10:51
(Laughter)
223
639096
1001
(Risate)
10:52
Way to go, Daria.
224
640121
1165
Grande Daria!
10:53
But the important thing about that video
225
641647
4263
Ma la cosa importante di questo video,
e quello che capiamo
di ogni secondo, non è tanto quello.
di ogni secondo, non è tanto quello.
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
È che non devi essere un professionista
per tener traccia dei movimenti.
per tener traccia dei movimenti.
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
Non serve essere un professionista
per comprendere meglio il movimento.
per comprendere meglio il movimento.
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
E in fondo, non deve nemmeno
essere sport, perché ci muoviamo ovunque.
essere sport, perché ci muoviamo ovunque.
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
Ci muoviamo nelle nostre case,
11:21
in our offices,
231
669428
1205
nei nostri uffici,
11:24
as we shop and we travel
232
672238
2690
mentre facciamo acquisti
e viaggiamo
e viaggiamo
11:29
throughout our cities
233
677318
1253
attraverso le nostre città
11:32
and around our world.
234
680065
1618
e intorno al mondo.
11:35
What will we know? What will we learn?
235
683270
2295
Quanto conosceremo? Cosa impareremo?
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
Forse, invece di identificare
pick and roll
pick and roll
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
una macchina può identificare il momento
e informarmi quando mia figlia
fa i suoi primi passi.
fa i suoi primi passi.
11:42
when my daughter takes her first steps.
238
690952
2059
Che potrebbe davvero succedere
da un momento all'altro.
da un momento all'altro.
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
Forse si può usare meglio i nostri edifici
o pianificare meglio le nostre città.
o pianificare meglio le nostre città.
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
Io credo che con lo sviluppo della scienza
dei punti in movimento,
dei punti in movimento,
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
ci muoveremo meglio, più intelligentemente
e faremo grandi progressi.
e faremo grandi progressi.
12:00
Thank you very much.
243
708607
1189
Grazie mille.
12:01
(Applause)
244
709820
5045
(Applausi)
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