TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
Раджив Махесваран: Математика хитрых баскетбольных движений
Filmed:
Readability: 3.1
2,683,104 views
Баскетбол — динамичная игра, основанная на импровизации, взаимодействии с другими игроками и на пространственно-временном распознавании образов. Раджив Махесваран и его коллеги анализируют движения в ключевых манёврах, чтобы помочь тренерам и игрокам совместить интуицию с новыми данными. Бонус: то, что они изучают, может помочь нам понять, как люди двигаются.
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
Я и мои коллеги восхищены
природой движущихся точек.
природой движущихся точек.
Что такое эти точки?
00:16
So what are these dots?
1
4927
1150
00:18
Well, it's all of us.
2
6101
1287
Это мы.
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
Все мы передвигаемся у себя дома,
в офисах, в магазинах и путешествуя
в офисах, в магазинах и путешествуя
по своему городу или по миру.
00:24
throughout our cities
and around the world.
and around the world.
4
12521
2066
Было бы потрясающе, если бы мы могли
понять природу этих движений,
понять природу этих движений,
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
их закономерности, значение
и то, что скрывается за ними.
и то, что скрывается за ними.
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
К счастью для нас,
мы живём в такое время,
мы живём в такое время,
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
когда мы невероятно преуспели
в сборе информации о самих себе.
в сборе информации о самих себе.
С сенсоров, видео или приложений
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
мы можем отследить наше движение
с удивительной точностью.
с удивительной точностью.
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
Оказывается, одна из областей,
где собраны лучшие данные о движении, —
где собраны лучшие данные о движении, —
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
это спорт.
00:53
is sports.
12
41148
1208
Будь это баскетбол или бейсбол,
американский футбол или обычный,
американский футбол или обычный,
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
мы оснащаем стадионы и игроков
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
устройствами для отслеживания
движений каждую долю секунды.
движений каждую долю секунды.
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
То есть мы превращаем своих атлетов —
вы, наверное, уже догадались —
01:10
you probably guessed it --
17
58208
1959
01:12
moving dots.
18
60191
1396
в движущиеся точки.
Теперь у нас масса движущихся точек.
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
И как с любыми необработанными данными,
с ними трудно разобраться,
да и не так это интересно.
да и не так это интересно.
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
Но есть вещи, о которых, например,
баскетбольные тренеры хотят знать.
баскетбольные тренеры хотят знать.
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
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
И проблема в том, что они не знают о них,
потому что пришлось бы смотреть
каждую секунду каждой игры,
каждую секунду каждой игры,
01:29
of every game, remember it and process it.
23
77057
2589
запоминая и затем обрабатывая.
01:31
And a person can't do that,
24
79804
1930
Человек не может сделать этого,
01:33
but a machine can.
25
81758
1310
но машина может.
Но машина не может
смотреть на игры глазами тренера.
смотреть на игры глазами тренера.
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
По крайней мере, не могли. До сих пор.
Что мы научили машину видеть?
01:42
So what have we taught the machine to see?
28
90228
2103
01:45
So, we started simply.
29
93569
1787
Мы начали с простого:
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
научили её таким вещам,
как пассы, броски и отскоки —
как пассы, броски и отскоки —
тому, что известно обычным болельщикам.
01:51
Things that most casual fans would know.
31
99203
2541
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
А затем мы перешли к вещам посложнее:
таким манёврам, как пост-апы,
пик-н-роллы и изоляции.
пик-н-роллы и изоляции.
01:56
Events like post-ups,
and pick-and-rolls, and isolations.
and pick-and-rolls, and isolations.
33
104624
4588
Если вы их не знаете, не страшно.
Большинство игроков, возможно, знает.
Большинство игроков, возможно, знает.
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
На сегодняшний день машина
понимает сложные манёвры,
понимает сложные манёвры,
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
вроде заслона и широких пин-даунов.
02:10
like down screens and wide pins.
36
118924
3073
Такие термины знают только профессионалы.
02:14
Basically things only professionals know.
37
122021
2726
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
Мы научили машину
«смотреть» глазами тренера.
«смотреть» глазами тренера.
Как мы смогли сделать это?
02:22
So how have we been able to do this?
39
130009
1857
Если бы я попросил тренера
описать, например, пик-н-ролл,
описать, например, пик-н-ролл,
02:24
If I asked a coach to describe
something like a pick-and-roll,
something like a pick-and-roll,
40
132511
3118
то он дал бы мне описание,
02:27
they would give me a description,
41
135653
1640
и если бы я закодировал это
в алгоритм, то ничего бы не вышло.
в алгоритм, то ничего бы не вышло.
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
Пик-н-ролл — своего рода танец
в баскетболе между четырьмя игроками,
в баскетболе между четырьмя игроками,
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
двумя в защите и двумя в нападении.
02:37
two on offense and two on defense.
44
145328
1912
Вот как это происходит.
02:39
And here's kind of how it goes.
45
147486
1618
Игрок в нападении без мяча
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
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
идёт рядом, защищает игрока с мячом,
остаётся в зоне, они оба перемещаются,
что-то происходит,
что-то происходит,
02:46
and he kind of stays there
48
154918
1257
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
и — та-да! — это и есть пик-н-ролл.
(Смех)
02:51
(Laughter)
50
159540
2215
Это также пример плохого алгоритма.
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
Если игрок, который мешает —
его называют заслоняющим, —
его называют заслоняющим, —
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
03:01
goes close by, but he doesn't stop,
53
169278
2872
подойдёт ближе, но не остановится,
03:04
it's probably not a pick-and-roll.
54
172174
1765
возможно, это не будет пик-н-ролл.
Или если он остановится,
но будет недостаточно близко,
но будет недостаточно близко,
03:06
Or if he does stop,
but he doesn't stop close enough,
but he doesn't stop close enough,
55
174560
3945
то это тоже, возможно, не пик-н-ролл.
03:10
it's probably not a pick-and-roll.
56
178529
1761
Или если он подойдёт близко
и остановится,
и остановится,
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
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
но все они окажутся под корзиной,
это, возможно, не пик-н-ролл.
это, возможно, не пик-н-ролл.
Или я ошибаюсь —
может, все они и есть пик-н-роллы.
может, все они и есть пик-н-роллы.
03:19
Or I could be wrong,
they could all be pick-and-rolls.
they could all be pick-and-rolls.
59
187462
2524
На деле, это зависит от точного
времени, расстояния, местоположения —
времени, расстояния, местоположения —
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
вот что делает это таким сложным.
03:26
and that's what makes it hard.
61
194602
1495
К счастью, машина может обучаться,
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
и мы можем выйти
за пределы своих возможностей,
за пределы своих возможностей,
03:33
to describe the things we know.
63
201547
1743
чтобы описать то, что знаем.
Как это работает?
Рассмотрим на примере.
Рассмотрим на примере.
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
Итак, мы подходим к машине
и говорим: «Доброе утро, машина.
и говорим: «Доброе утро, машина.
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
Вот несколько пик-н-роллов
и несколько манёвров — не пик-н-роллов.
и несколько манёвров — не пик-н-роллов.
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
Пожалуйста, найди способ отличить их».
03:44
Please find a way to tell the difference."
67
212720
2252
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
И ключ ко всему — найти черты,
которые позволяют различать их.
которые позволяют различать их.
Если бы я хотел обучить машину разнице
между яблоком и апельсином,
между яблоком и апельсином,
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
я бы сказал: «Почему бы тебе
не использовать цвет и форму?»
не использовать цвет и форму?»
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
Проблема, которую мы решаем:
по каким параметрам отличать?
по каким параметрам отличать?
Какие ключевые черты позволяют компьютеру
ориентироваться в мире движущихся точек?
ориентироваться в мире движущихся точек?
03:59
What are the key features
73
227711
1247
04:00
that let a computer navigate
the world of moving dots?
the world of moving dots?
74
228982
3499
Выяснение всех этих отношений
04:04
So figuring out all these relationships
with relative and absolute location,
with relative and absolute location,
75
232505
4823
между относительным
и абсолютным местоположением,
и абсолютным местоположением,
04:09
distance, timing, velocities --
76
237352
1909
расстоянием, временем, скоростью —
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
это и есть ключ
к природе движущихся точек,
к природе движущихся точек,
или, как мы любим её называть,
говоря научным языком,
говоря научным языком,
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
пространственно-временным
распознаванием образов.
распознаванием образов.
Ведь первым делом
нужно назвать это как-то сложно —
нужно назвать это как-то сложно —
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
потому что это сложно.
04:22
because it is.
80
250847
1278
Главное для тренеров NBA —
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
знать не то, был ли пик-н-ролл или нет, —
04:27
whether a pick-and-roll happened or not.
82
255575
1922
они просто хотят знать, как это произошло.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
Почему это так важно для них?
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
Есть такая догадка:
оказывается, в современном баскетболе
оказывается, в современном баскетболе
04:34
It turns out in modern basketball,
85
262631
1771
этот пик-н-ролл —
чуть ли не самый важный манёвр.
чуть ли не самый важный манёвр.
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
Знать, как это происходит,
как обороняться от него, —
как обороняться от него, —
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
по сути, залог выигрыша
или поражения в большинстве игр.
или поражения в большинстве игр.
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
Оказалось, у этого танца
великое множество вариаций,
великое множество вариаций,
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
и определение этих вариаций —
единственная важная вещь,
единственная важная вещь,
поэтому нам нужно, чтобы машина
выясняла это очень, очень точно.
выясняла это очень, очень точно.
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
Вот пример: есть два нападающих
и два защитника,
и два защитника,
04:55
So, here's an example.
92
283228
1176
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
готовых исполнить танец пик-н-ролла.
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
Игрок с мячом может либо
навестись на заслон, либо отказаться.
навестись на заслон, либо отказаться.
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
Его товарищ по команде может либо
«провалиться» под кольцо, либо открыться.
«провалиться» под кольцо, либо открыться.
05:04
His teammate can either roll or pop.
96
292086
3001
Игрок, опекающий мяч, может
либо проскользнуть, либо обогнуть заслон.
либо проскользнуть, либо обогнуть заслон.
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
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
Его товарищ по команде может либо помочь,
либо сделать ложный размен или остаться.
либо сделать ложный размен или остаться.
И оба они могут либо сделать размен,
либо контратаковать.
либо контратаковать.
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
Я бóльшую часть этого не знал,
кода только начинал.
кода только начинал.
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
Было бы чудесно, если бы все
двигались согласно этим стрелочкам.
двигались согласно этим стрелочкам.
Нам было бы куда легче, но движение —
явление довольно запутанное.
явление довольно запутанное.
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
Люди движутся не монотонно.
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
Определить эти вариации
с очень высокой точностью,
с очень высокой точностью,
05:33
with very high accuracy,
104
321555
1303
одновременно точно и по памяти, — сложно,
05:34
both in precision and recall, is tough
105
322882
1868
ведь именно это нужно, чтобы
профессиональный тренер поверил в тебя.
профессиональный тренер поверил в тебя.
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
Несмотря на сложности с пространственно-
временными характеристиками,
временными характеристиками,
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
мы смогли сделать это.
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
Тренеры верят в возможности
нашей машины определять эти вариации.
нашей машины определять эти вариации.
Мы находимся на стадии,
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
когда практически каждый претендент
на чемпионат NBA в этом году
на чемпионат NBA в этом году
05:53
for an NBA championship this year
111
341035
1623
использует нашу программу,
разработанную для устройства,
разработанную для устройства,
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
которое понимает,
как движутся точки в баскетболе.
как движутся точки в баскетболе.
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
Кроме того, мы дали совет,
изменивший стратегии,
изменивший стратегии,
которые помогли командам
выиграть важные игры.
выиграть важные игры.
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
Это очень волнующе,
ведь есть даже такие тренеры,
ведь есть даже такие тренеры,
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
которые состоят в Лиге 30 лет,
но всё же готовы получить совет от машины.
но всё же готовы получить совет от машины.
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
Это очень волнующе,
даже больше, чем пик-н-ролл.
даже больше, чем пик-н-ролл.
Наш компьютер начинал с простых вещей,
стал учиться всё более и более сложным,
стал учиться всё более и более сложным,
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
06:22
and learned more and more complex things
120
370904
2064
а сейчас знает так много, что, по правде,
я не знаю столько, сколько он.
я не знаю столько, сколько он.
06:24
and now it knows so many things.
121
372992
1561
06:26
Frankly, I don't understand
much of what it does,
much of what it does,
122
374577
2835
И не удивительно,
что он знает больше меня.
что он знает больше меня.
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
Неужели машина может
знать больше, чем тренер?
знать больше, чем тренер?
06:36
Can it know more than person could know?
125
384843
2055
Может ли она знать больше, чем человек?
06:38
And it turns out the answer is yes.
126
386922
1745
Оказалось, что да.
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
Тренеры хотят, чтобы игроки
делали хорошие броски.
делали хорошие броски.
Если я стою здесь, у корзины,
и никого нет рядом со мной, —
и никого нет рядом со мной, —
06:43
So if I'm standing near the basket
128
391272
1651
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
это хороший бросок.
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
Если я стою далеко, окружённый
защитниками, — обычно это плохой бросок.
защитниками, — обычно это плохой бросок.
Но мы не знали, как оценить количественно
«хороший» или «плохой» бросок.
«хороший» или «плохой» бросок.
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
До сих пор.
06:56
Until now.
132
404209
1150
Используя пространственно-
временные характеристики,
временные характеристики,
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
мы можем просмотреть каждый бросок,
07:00
we looked at every shot.
134
408853
1374
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
узнать, откуда он сделан,
какой угол по отношению к корзине,
какой угол по отношению к корзине,
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
где стоят защитники, каково их расстояние,
под какими они углами.
под какими они углами.
07:08
What are their angles?
137
416066
1331
Среди нескольких защитников мы можем
увидеть, как двигается определённый игрок
увидеть, как двигается определённый игрок
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
и предугадать тип броска.
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
Мы можем вычислить их скорости
и построить модель, которая предскажет
и построить модель, которая предскажет
вероятность осуществления броска
при данных обстоятельствах.
при данных обстоятельствах.
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
Почему это так важно?
07:22
So why is this important?
142
430188
1500
Мы можем определить бросок,
07:24
We can take something that was shooting,
143
432102
2803
который раньше был един,
как состоящий из двух параметров:
как состоящий из двух параметров:
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
качество броска и уровень бросающего.
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
Вот пузырьковая диаграмма.
Какое это выступление TED без диаграммы?
Какое это выступление TED без диаграммы?
07:36
(Laughter)
147
444966
1014
(Смех)
07:38
Those are NBA players.
148
446004
1311
Это игроки NBA.
Размер — это размер игроков,
а цвет — позиция.
а цвет — позиция.
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
По оси Х — вероятность броска.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
Игроки слева делают сложные броски,
07:44
People on the left take difficult shots,
151
452639
1953
справа — лёгкие.
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
По оси У — их умение совершать броски.
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
Хорошие игроки наверху,
кто хуже бросает — внизу.
кто хуже бросает — внизу.
Например, если раньше был игрок,
чья эффективность бросков 47%,
чья эффективность бросков 47%,
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
это всё, что вам было известно.
07:57
that's all you knew before.
157
465718
1389
Но сегодня я могу сказать вам,
что этот игрок делает броски,
что этот игрок делает броски,
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
как в 49% случаев их делает
среднестатистический игрок NBA,
среднестатистический игрок NBA,
08:04
would make 49 percent of the time,
159
472219
1961
что на 2% хуже.
08:06
and they are two percent worse.
160
474204
1684
Это важно знать потому,
что есть много игроков с 47%.
что есть много игроков с 47%.
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
08:13
And so it's really important to know
162
481714
2549
Поэтому очень важно знать,
является ли тот игрок с 47%,
является ли тот игрок с 47%,
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
в которого вы планируете
вложить 100 миллионов долларов,
вложить 100 миллионов долларов,
хорошим бомбардиром,
который иногда делает плохие броски,
который иногда делает плохие броски,
08:20
is a good shooter who takes bad shots
164
488267
3055
или плохим бомбардиром,
совершающим хорошие броски.
совершающим хорошие броски.
08:23
or a bad shooter who takes good shots.
165
491346
2397
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
Машинный анализ меняет не только то,
как мы рассматриваем игроков,
как мы рассматриваем игроков,
08:30
it changes how we look at the game.
167
498487
1858
но и то, как мы видим игру.
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
Пару лет назад состоялась
очень захватывающая игра в финале NBA.
очень захватывающая игра в финале NBA.
«Майами» отставал на 3 очка.
Оставалось 20 секунд.
Оставалось 20 секунд.
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
Они были на грани проигрыша чемпионата.
08:39
They were about to lose the championship.
170
507379
2025
Джентльмен по имени Леброн Джеймс
бросил трёхочковый, чтобы сравнять счёт,
бросил трёхочковый, чтобы сравнять счёт,
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
но промахнулся.
08:44
He missed.
172
512793
1198
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
Его товарищ Крис Бош подобрал мяч,
передал его другому игроку
в команде — Рею Аллену.
в команде — Рею Аллену.
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
08:50
He sank a three. It went into overtime.
175
518059
1919
Тот забросил трёхочковый.
Игра продолжилась в овертайме.
Игра продолжилась в овертайме.
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
Они выиграли игру и чемпионат.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
Это была одна из самых
захватывающих игр в баскетболе.
захватывающих игр в баскетболе.
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
Наша способность предугадывать
вероятность броска
для каждого игрока каждую секунду
для каждого игрока каждую секунду
09:00
at every second,
179
528891
1188
и вероятность подбора мяча каждую секунду
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
может пролить свет на этот момент
так, как никогда раньше.
так, как никогда раньше.
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
К несчастью, я не могу
показать вам запись той игры.
показать вам запись той игры.
Но для вас мы воссоздали этот момент
09:12
But for you, we recreated that moment
183
540310
4493
на нашей еженедельной игре
в баскетбол около трёх недель назад.
в баскетбол около трёх недель назад.
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
(Смех)
09:19
(Laughter)
185
547279
2167
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
Мы воссоздали их действия,
что привело к озарению.
что привело к озарению.
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
Вот мы. Это Чайна-таун в Лос-Анджелесе;
парк, где мы играем каждую неделю.
парк, где мы играем каждую неделю.
09:29
a park we play at every week,
188
557478
1564
Мы воссоздаём момент Рэя Аллена
и отслеживаем движения.
и отслеживаем движения.
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
09:36
So, here's the shot.
191
564772
1517
Вот бросок.
09:38
I'm going to show you that moment
192
566313
2516
Я собираюсь показать вам тот момент
09:40
and all the insights of that moment.
193
568853
2587
и все детали того момента.
Единственная разница: вместо
профессиональных игроков играем мы,
профессиональных игроков играем мы,
09:43
The only difference is, instead
of the professional players, it's us,
of the professional players, it's us,
194
571464
3730
а вместо профессионального
комментатора буду я.
комментатора буду я.
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
Будьте ко мне снисходительны.
09:49
So, bear with me.
196
577860
1477
09:53
Miami.
197
581153
1150
«Майами».
Разрыв в три очка.
09:54
Down three.
198
582671
1150
Осталось 20 секунд.
09:56
Twenty seconds left.
199
584107
1150
09:59
Jeff brings up the ball.
200
587385
1198
Джефф передаёт мяч.
10:02
Josh catches, puts up a three!
201
590656
1535
Джош его ловит и бросает трёхочковый.
[Вычисляется вероятность броска]
10:04
[Calculating shot probability]
202
592631
1849
10:07
[Shot quality]
203
595278
1150
[Качество броска]
10:09
[Rebound probability]
204
597048
1785
[Возможность отскока]
10:12
Won't go!
205
600373
1173
Промах!
[Вероятность отскока]
10:13
[Rebound probability]
206
601570
1446
10:15
Rebound, Noel.
207
603777
1256
Ноэль ловит мяч,
передаёт его Дарии.
10:17
Back to Daria.
208
605057
1150
10:18
[Shot quality]
209
606509
3365
[Качество броска]
10:22
Her three-pointer -- bang!
210
610676
1620
Трёхочковый — ура!
10:24
Tie game with five seconds left.
211
612320
2197
Мы сравняли счёт, и остаётся ещё 5 секунд.
Трибуны ревут.
10:26
The crowd goes wild.
212
614880
1618
(Смех)
10:28
(Laughter)
213
616522
1659
Примерно вот так всё это произошло.
(Аплодисменты) Примерно.
(Аплодисменты) Примерно.
10:30
That's roughly how it happened.
214
618205
1547
10:31
(Applause)
215
619776
1151
10:32
Roughly.
216
620951
1175
(Аплодисменты)
10:34
(Applause)
217
622150
1531
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
Вероятность этого момента в игре NBA — 9%.
Мы знаем это и ещё множество других вещей.
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
Не буду рассказывать, сколько раз
нам пришлось переигрывать этот момент.
нам пришлось переигрывать этот момент.
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
10:47
(Laughter)
221
635429
1747
(Смех)
10:49
Okay, I will! It was four.
222
637200
1872
Ладно, скажу — 4 раза. (Смех)
10:51
(Laughter)
223
639096
1001
Молодец, док!
10:52
Way to go, Daria.
224
640121
1165
10:53
But the important thing about that video
225
641647
4263
Но главное в этом видео и знаниях,
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
которые у нас есть по каждой секунде
каждой игры NBA — не в этом.
каждой игры NBA — не в этом.
Главное то, что не нужно быть
профессиональной командой,
профессиональной командой,
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
чтобы отслеживать движение;
не нужно быть профессиональным игроком,
чтобы понять все детали движений.
чтобы понять все детали движений.
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
Даже не обязательно
применять это к спорту,
применять это к спорту,
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
ведь мы двигаемся постоянно.
11:15
We're moving in our homes,
230
663654
2369
Мы двигаемся дома,
в офисе,
11:21
in our offices,
231
669428
1205
когда ходим за покупками
11:24
as we shop and we travel
232
672238
2690
или путешествуем
по городу
11:29
throughout our cities
233
677318
1253
11:32
and around our world.
234
680065
1618
и по миру.
11:35
What will we know? What will we learn?
235
683270
2295
Что мы узнаем? Чему научимся?
Может, вместо определения пик-н-роллов,
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
машина сможет определить
и позволит мне узнать момент,
и позволит мне узнать момент,
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
когда моя дочь сделает свои первые шаги.
11:42
when my daughter takes her first steps.
238
690952
2059
Что буквально может
произойти в любой момент.
произойти в любой момент.
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
Возможно, мы можем научиться
лучше планировать здания, города.
лучше планировать здания, города.
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
Я верю, что с развитием науки,
занимающейся изучением движущихся точек,
занимающейся изучением движущихся точек,
мы будем двигаться лучше,
мы будем двигаться разумнее,
мы будем двигаться разумнее,
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
мы будем двигаться вперёд.
12:00
Thank you very much.
243
708607
1189
Спасибо большое.
(Аплодисменты)
12:01
(Applause)
244
709820
5045
Reviewed by Alina Siluyanova
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