TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
Раджив Махесваран: Математика хитрих баскетбольних рухів
Filmed:
Readability: 3.1
2,683,104 views
Баскетбол - це динамічна гра, що базується на імпровізації, взаємодії з іншими гравцями і на просторово-часовому розпізнаванні образу. Раджив Махесваран і його колеги аналізують рухи в ключових маневрах, щоб допомогти тренерам і гравцям поєднати інтуїцію з новими даними. Бонус: те, що вони вивчають, може допомогти нам зрозуміти, як люди рухаються всюди.
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
Ми з колегами захоплюємося
природою рухомих точок.
природою рухомих точок.
00:16
So what are these dots?
1
4927
1150
Що таке ці точки?
Це всі ми.
00:18
Well, it's all of us.
2
6101
1287
Всі ми пересуваємося у себе вдома,
в офісах, в магазинах і подорожуємо
в офісах, в магазинах і подорожуємо
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
00:24
throughout our cities
and around the world.
and around the world.
4
12521
2066
по своєму місту або по всьому світу.
Хіба не було б чудово,
якби ми могли зрозуміти ці рухи?
якби ми могли зрозуміти ці рухи?
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
Їх закономірності,
значення і те, що ховається за ними.
значення і те, що ховається за ними.
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
На щастя для нас, ми живемо в такий час,
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
коли ми досягли успіху
в зборі інформації про самих себе.
в зборі інформації про самих себе.
З сенсорів, відео або додатків
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
ми можемо відстежити наш рух
з дивовижною точністю.
з дивовижною точністю.
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
Виявляється, одна з областей,
де зібрані найкращі дані про рух,
де зібрані найкращі дані про рух,
00:53
is sports.
12
41148
1208
це спорт.
Чи то баскетбол чи бейсбол,
звичайний або інший футбол,
звичайний або інший футбол,
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
ми оснащуємо стадіони
і гравців пристроями для відстеження рухів
і гравців пристроями для відстеження рухів
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
01:04
every fraction of a second.
15
52465
1313
кожну частку секунди.
Тобто ми перетворюємо своїх атлетів
01:05
So what we're doing
is turning our athletes into --
is turning our athletes into --
16
53802
4382
01:10
you probably guessed it --
17
58208
1959
- ви, напевно, вже здогадалися,
- в рухомі точки.
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
Тепер у нас маса рухомих точок,
і, як з будь-якими необробленими даними,
і, як з будь-якими необробленими даними,
з ними важко розібратися,
та й не так це цікаво.
та й не так це цікаво.
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
Але є речі, про які, наприклад,
баскетбольні тренери хочуть знати.
баскетбольні тренери хочуть знати.
Проблема в тому, що вони не знають про них,
бо довелося б дивитися кожну секунду
бо довелося б дивитися кожну секунду
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
01:29
of every game, remember it and process it.
23
77057
2589
кожної гри, запам'ятовуючи і обробляючи.
Людина не може зробити цього,
01:31
And a person can't do that,
24
79804
1930
01:33
but a machine can.
25
81758
1310
але машина може.
Але машина не може дивитися
на гру очима тренера.
на гру очима 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
Принаймні, вони не могли
до цього часу.
до цього часу.
01:39
At least they couldn't until now.
27
87363
2261
01:42
So what have we taught the machine to see?
28
90228
2103
Що ми навчили машину бачити?
Ми почали з простого:
01:45
So, we started simply.
29
93569
1787
навчили її таким речам, як паси,
кидки і відскоки.
кидки і відскоки.
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
Тому, що відомо звичайним уболівальникам.
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 потім ми перейшли до складніших речей.
Таким маневрам, як пост-апи,
пік-н-роли та ізоляції.
пік-н-роли та ізоляції.
01:56
Events like post-ups,
and pick-and-rolls, and isolations.
and pick-and-rolls, and isolations.
33
104624
4588
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
Якщо ви їх не знаєте, не страшно.
Більшість гравців, можливо, знає.
Більшість гравців, можливо, знає.
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
На сьогоднішній день
машина розуміє складні маневри
машина розуміє складні маневри
на кшталт заслону і широких пін-даунів.
02:10
like down screens and wide pins.
36
118924
3073
Такі терміни знають тільки професіонали.
02:14
Basically things only professionals know.
37
122021
2726
Отже, ми навчили машину «дивитися»
очами тренера.
очами тренера.
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
Як ми змогли зробити це?
02:22
So how have we been able to do this?
39
130009
1857
Якби я попросив тренера описати,
наприклад, пік-н-рол,
наприклад, пік-н-рол,
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 він дав би мені опис,
02:27
they would give me a description,
41
135653
1640
і якби я закодував це в алгоритм,
то нічого б не вийшло.
то нічого б не вийшло.
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
Пік-н-рол - це свого роду танець
в баскетболі між чотирма гравцями,
в баскетболі між чотирма гравцями,
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
02:37
two on offense and two on defense.
44
145328
1912
двоє в захисті і двоє в нападі.
02:39
And here's kind of how it goes.
45
147486
1618
Ось, як це відбувається.
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
Гравець в нападі без м'яча
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
йде поруч, захищає гравця з м'ячем,
02:46
and he kind of stays there
48
154918
1257
і залишається в зоні.
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
Вони переміщаються, щось відбувається,
і -та-та! - це і є пік-н-рол.
і -та-та! - це і є пік-н-рол.
02:51
(Laughter)
50
159540
2215
(Сміх)
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
Це також приклад поганого алгоритму.
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
Якщо гравець, який заважає, -
робить заслону, -
робить заслону, -
підійде ближче, але не зупиниться,
03:01
goes close by, but he doesn't stop,
53
169278
2872
можливо, це не буде пік-н-рол.
03:04
it's probably not a pick-and-roll.
54
172174
1765
Або якщо він зупиниться,
але буде недостатньо близько,
але буде недостатньо близько,
03:06
Or if he does stop,
but he doesn't stop close enough,
but he doesn't stop close enough,
55
174560
3945
03:10
it's probably not a pick-and-roll.
56
178529
1761
то це теж, можливо, не пік-н-рол.
Або якщо він підійде близько і зупиниться,
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
але всі вони виявляться під кошиком,
це, можливо, не пік-н-рол.
це, можливо, не пік-н-рол.
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
Або я помиляюся, може,
і це все пік-н-роли.
і це все пік-н-роли.
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 ділі, це залежить від точного часу,
відстані, місця розташування -
відстані, місця розташування -
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
ось що робить це таким складним.
03:26
and that's what makes it hard.
61
194602
1495
На щастя, машина може навчатись,
ми можемо вийти за межі своїх можливостей,
ми можемо вийти за межі своїх можливостей,
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
03:33
to describe the things we know.
63
201547
1743
щоб описати те, що знаємо.
Як це працює?
Розглянемо на прикладі.
Розглянемо на прикладі.
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
Отже, ми підходимо до машини і кажемо:
«Доброго ранку, машино.
«Доброго ранку, машино.
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
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
Ось кілька пік-н-ролів
і кілька маневрів - не пік-н-ролів.
і кілька маневрів - не пік-н-ролів.
03:44
Please find a way to tell the difference."
67
212720
2252
Будь ласка, знайди спосіб відрізнити їх.»
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
І ключ до всього -
знайти риси, які дозволяють розрізняти їх.
знайти риси, які дозволяють розрізняти їх.
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
Якби я хотів навчити машину,
яка різниця
яка різниця
03:52
between an apple and orange,
70
220940
1381
між яблуком і апельсином,
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
я б спитав: "Чому ти не використовуєш
колір і форму?»
колір і форму?»
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
Проблема, яку ми вирішуємо:
за якими параметрами відрізняти?
за якими параметрами відрізняти?
03:59
What are the key features
73
227711
1247
Які ключові риси
дозволяють комп'ютеру орієнтуватися
в світі рухомих точок?
в світі рухомих точок?
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
З'ясування всіх цих відносин
між відносним і абсолютним розташуванням,
між відносним і абсолютним розташуванням,
відстанню, часом, швидкістю -
04:09
distance, timing, velocities --
76
237352
1909
це і є ключ до природи
рухомих точок, або, як ми їх називаємо,
рухомих точок, або, як ми їх називаємо,
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
просторово-тимчасове розпізнання образів.
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
Адже, у першу чергу,
потрібно назвати це якось складно -
потрібно назвати це якось складно -
тому що це складно.
04:22
because it is.
80
250847
1278
Головне для тренерів NBA - знати не те,
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
04:27
whether a pick-and-roll happened or not.
82
255575
1922
чи був пік-н-рол чи ні.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
Вони просто хочуть знати, як це сталося.
Чому це так важливо для них?
Так ось є така гіпотеза.
Так ось є така гіпотеза.
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
Виявляється, в сучасному баскетболі
04:34
It turns out in modern basketball,
85
262631
1771
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
цей пік-н-рол -
чи не найважливіший маневр.
чи не найважливіший маневр.
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
Знати, як це відбувається
і як оборонятися від нього,
і як оборонятися від нього,
по суті, запорука виграшу
або поразки в більшості ігор.
або поразки в більшості ігор.
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
Виявляється, у цього танцю безліч варіацій
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
і визначення цих варіацій -
єдина важлива річ.
єдина важлива річ.
І саме тому нам потрібно,
щоб машина з'ясовувала це дуже, дуже точно.
щоб машина з'ясовувала це дуже, дуже точно.
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
Ось приклад:
04:55
So, here's an example.
92
283228
1176
є два нападники і два захисники,
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
готові виконати танець пік-н-рол.
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
Гравець з м'ячем може або навести
на заслін або відмовитися.
на заслін або відмовитися.
05:04
His teammate can either roll or pop.
96
292086
3001
Його товариш по команді може
провалитися або відкритися.
провалитися або відкритися.
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
Гравець, який охороняє м'яч,
може прослизнути або обігнути заслін.
може прослизнути або обігнути заслін.
Його товариш по команді може допомогти,
зробити обмін або залишитись.
зробити обмін або залишитись.
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
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
І разом вони можуть
зробити обмін або контратакувати.
зробити обмін або контратакувати.
Я більшу частину цього не знав,
коли тільки починав.
коли тільки починав.
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
Було б чудово, якби всі рухалися
згідно з цими стрілками.
згідно з цими стрілками.
Нам було б набагато легше,
але рух - явище досить заплутане.
але рух - явище досить заплутане.
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
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
Люди рухаються багато і визначити
ці варіації
ці варіації
05:33
with very high accuracy,
104
321555
1303
з дуже високою точністю
одночасно точно і по пам'яті,
- складно.
- складно.
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
Адже саме це потрібно,
щоб професійний тренер повірив в тебе.
щоб професійний тренер повірив в тебе.
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
Незважаючи на всі труднощі
з просторово-часовими характеристиками,
з просторово-часовими характеристиками,
05:43
we have been able to do that.
108
331820
1474
ми змогли зробити це.
Тренери вірять в можливості нашої машини
визначати ці варіації.
визначати ці варіації.
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
Ми знаходимося на стадії, коли
практично кожен претендент
практично кожен претендент
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
05:53
for an NBA championship this year
111
341035
1623
на чемпіонат NBA в цьому році
використовує нашу програму,
вбудовану на пристрої, який розуміє,
вбудовану на пристрої, який розуміє,
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
як рухаються точки в баскетболі.
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
Крім того, ми дали пораду,
що змінила стратегії,
що змінила стратегії,
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
які допомогли командам виграти
важливі гри.
важливі гри.
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
Це дуже цікаво, адже є навіть
такі тренери, які перебувають в Лізі
такі тренери, які перебувають в Лізі
06:14
for 30 years that are willing to take
advice from a machine.
advice from a machine.
117
362181
3067
30 років, але все ж готові отримати
пораду від машини.
пораду від машини.
Це дуже цікаво,
навіть більше, ніж пік-н-рол.
навіть більше, ніж пік-н-рол.
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
Наш комп'ютер починав з простих речей
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
і вивчав все більше і більше
складних речей,
складних речей,
06:22
and learned more and more complex things
120
370904
2064
і тепер знає дуже багато всього.
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
Чесно кажучи, я не знаю стільки,
скільки він.
скільки він.
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
І це не дивно, що він знає більше за мене.
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
Нам було цікаво,
чи може машина знати більше, ніж тренер?
чи може машина знати більше, ніж тренер?
Чи може вона знати більше, ніж людина?
06:36
Can it know more than person could know?
125
384843
2055
Виявилося, що так.
06:38
And it turns out the answer is yes.
126
386922
1745
Тренери хочуть,
щоб гравці виконували гарні кидки.
щоб гравці виконували гарні кидки.
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
Якщо я стою біля кошика
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
і нікого немає поруч зі мною,
це хороший кидок.
це хороший кидок.
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
Якщо я стою далеко, оточений захисниками,
це, зазвичай, поганий кидок.
це, зазвичай, поганий кидок.
Але ми не знали, як оцінити
кількісно «хороші» чи «погані» кидки.
кількісно «хороші» чи «погані» кидки.
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 цього часу.
06:56
Until now.
132
404209
1150
Використовуючи
просторово-часові характеристики,
просторово-часові характеристики,
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
ми переглядаємо кожен кидок.
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
Дізнатися: Звідки він зроблений?
Який кут відносно корзини?
Який кут відносно корзини?
Де стоять захисники?
Яка їхня відстань?
Яка їхня відстань?
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
07:08
What are their angles?
137
416066
1331
Під якими вони кутами?
07:09
For multiple defenders, we can look
at how the player's moving
at how the player's moving
138
417421
2977
Серед захисників ми можемо
побачити, як рухається гравець
побачити, як рухається гравець
і передбачити тип кидка.
07:12
and predict the shot type.
139
420422
1433
Ми можемо обчислити їх швидкості
і побудувати модель, яка передбачить
і побудувати модель, яка передбачить
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
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
ймовірність здійснення кидка
при даних обставинах.
при даних обставинах.
07:22
So why is this important?
142
430188
1500
Чому це так важливо?
Ми можемо визначити кидок,
07:24
We can take something that was shooting,
143
432102
2803
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
який раніше був єдиний
і скласти його в два параметри:
і скласти його в два параметри:
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
якості кидка і здатності кидаючого.
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
Ось бульбашкова діаграма.
Який виступ на TED без діаграми?
Який виступ на TED без діаграми?
07:36
(Laughter)
147
444966
1014
(Сміх)
07:38
Those are NBA players.
148
446004
1311
Це гравці 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
Розмір - це розмір гравців,
а колір - позиція.
а колір - позиція.
На осі Х - ймовірність кидка.
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
Гравці зліва роблять складні кидки,
07:46
on the right, they take easy shots.
152
454616
2229
праворуч - легкі.
По осі У - їх вміння здійснювати кидки.
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
Хороші гравці нагорі, а гірші внизу.
Наприклад, якщо раніше був гравець
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
чия ефективність кидків зазвичай 47%,
це все, що вам було відомо.
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
Сьогодні я можу сказати вам, що гравець
робить кидки, як середньостатистичний гравець NBA
робить кидки, як середньостатистичний гравець NBA
в 49% випадків,
08:04
would make 49 percent of the time,
159
472219
1961
і що вони на 2% гірші.
08:06
and they are two percent worse.
160
474204
1684
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
Це важливо знати тому,
що є багато гравців з 47%.
що є багато гравців з 47%.
Дуже важливо знати,
08:13
And so it's really important to know
162
481714
2549
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
чи з тих 47% гравець, в якого ви плануєте
вкласти 100 мільйонів доларів,
вкласти 100 мільйонів доларів,
08:20
is a good shooter who takes bad shots
164
488267
3055
є хорошим бомбардиром,
який робить погані кидки,
який робить погані кидки,
чи поганим бомбардиром,
що виконує хороші кидки.
що виконує хороші кидки.
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
Машинний аналіз змінює не тільки те,
як ми розглядаємо гравців,
як ми розглядаємо гравців,
08:30
it changes how we look at the game.
167
498487
1858
але і те, як ми бачимо гру.
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
Кілька років тому відбулася дуже
захоплююча гра в фіналі NBA .
захоплююча гра в фіналі NBA .
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
«Miami» відставало на 3 очки,
залишалось 20 секунд.
залишалось 20 секунд.
Вони були на межі програшу чемпіонату.
08:39
They were about to lose the championship.
170
507379
2025
Джентльмен на ім'я Леброн Джеймс
кинув триочковий, щоб зрівняти рахунок.
кинув триочковий, щоб зрівняти рахунок.
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
Він промахнувся.
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
Його товариш Кріс Бош підібрав м'яч,
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
і передав іншому гравцю в
команді, Рею Аллену.
команді, Рею Аллену.
Він закинув триочковий.
Гра продовжилась в овертаймі.
Гра продовжилась в овертаймі.
08:50
He sank a three. It went into overtime.
175
518059
1919
Вони виграли гру і чемпіонат.
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
Це була одна з найбільш захоплюючих
ігор в баскетболі.
ігор в баскетболі.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
Наша здатність передбачати
ймовірність кидка для кожного гравця
ймовірність кидка для кожного гравця
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
кожну секунду
09:00
at every second,
179
528891
1188
і можливість відбору м'яча кожної секунди
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
може пролити світло на цей момент
так, як ніколи раніше.
так, як ніколи раніше.
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
На жаль,
я не можу показати вам запис тієї гри.
я не можу показати вам запис тієї гри.
Але для вас ми відтворили цей момент
09:12
But for you, we recreated that moment
183
540310
4493
на нашій щотижневій грі в баскетбол
3 тижні тому.
3 тижні тому.
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
(Сміх)
09:19
(Laughter)
185
547279
2167
Ми відтворили їх дії,
що призвело до прозріння.
що призвело до прозріння.
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
Ось ми.
Це Китайський квартал в Лос-Анджелесі,
Це Китайський квартал в Лос-Анджелесі,
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
парк, де ми граємо щотижня,
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
і це ми відтворюємо момент Рея Аллена
і відстежуємо рухи.
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
Ось кидок.
09:36
So, here's the shot.
191
564772
1517
Я збираюся показати вам той момент
09:38
I'm going to show you that moment
192
566313
2516
і всі деталі того моменту.
09:40
and all the insights of that moment.
193
568853
2587
Єдина різниця: замість
професійних гравців граємо ми,
професійних гравців граємо ми,
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 замість професійного коментатора
буду я.
буду я.
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
09:49
So, bear with me.
196
577860
1477
Будьте до мене поблажливі.
09:53
Miami.
197
581153
1150
«Miami».
09:54
Down three.
198
582671
1150
Розрив в три очки.
09:56
Twenty seconds left.
199
584107
1150
Залишилось 20 секунд.
Джефф передає м'яч.
09:59
Jeff brings up the ball.
200
587385
1198
10:02
Josh catches, puts up a three!
201
590656
1535
Джош його ловить і кидає триочковий.
10:04
[Calculating shot probability]
202
592631
1849
[Обчислюється ймовірність кидка]
10:07
[Shot quality]
203
595278
1150
[Якість кидка]
10:09
[Rebound probability]
204
597048
1785
[Можливість відскоку]
Промах!
10:12
Won't go!
205
600373
1173
10:13
[Rebound probability]
206
601570
1446
[Можливість відскоку]
10:15
Rebound, Noel.
207
603777
1256
Ноель ловить м'яч.
10:17
Back to Daria.
208
605057
1150
Передає його Дарії.
10:18
[Shot quality]
209
606509
3365
[Якість кидка]
10:22
Her three-pointer -- bang!
210
610676
1620
Триочковий - ура!
10:24
Tie game with five seconds left.
211
612320
2197
Ми зрівняли рахунок,
і залишається ще 5 секунд.
і залишається ще 5 секунд.
Натовп божеволіє.
10:26
The crowd goes wild.
212
614880
1618
10:28
(Laughter)
213
616522
1659
(Сміх)
10:30
That's roughly how it happened.
214
618205
1547
Приблизно ось так
все це сталося.
все це сталося.
10:31
(Applause)
215
619776
1151
(Оплески)
Приблизно.
10:32
Roughly.
216
620951
1175
(Оплески)
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
Імовірність цього моменту в грі NBA - 9%,
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
і ми знаємо це і ще безліч інших речей.
Не буду розповідати, скільки разів
нам довелося перегравати цей момент.
нам довелося перегравати цей 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
(Сміх)
10:49
Okay, I will! It was four.
222
637200
1872
Гаразд, я скажу - 4 рази.
(Сміх)
10:51
(Laughter)
223
639096
1001
Молодець, Дарія!
10:52
Way to go, Daria.
224
640121
1165
10:53
But the important thing about that video
225
641647
4263
Але головне в цьому відео
і знаннях, які ми маємо по кожній секунді
кожної гри NBA - не в цьому.
кожної гри NBA - не в цьому.
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
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
Головне те, що не потрібно бути
професійною командою, щоб відстежувати рух;
професійною командою, щоб відстежувати рух;
Тобі не потрібно бути професійним
гравцем, щоб зрозуміти всі деталі рухів.
гравцем, щоб зрозуміти всі деталі рухів.
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
Навіть не обов'язково застосовувати
це до спорту, адже ми рухаємося постійно.
це до спорту, адже ми рухаємося постійно.
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
Ми рухаємося в будинку,
11:21
in our offices,
231
669428
1205
в нашому офісі,
11:24
as we shop and we travel
232
672238
2690
коли ходимо за покупками або подорожуємо
11:29
throughout our cities
233
677318
1253
по місту
11:32
and around our world.
234
680065
1618
і по всьому світу.
11:35
What will we know? What will we learn?
235
683270
2295
Що ми дізнаємося? Чому ми навчимось?
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
Можливо, замість визначення пік-н-ролів
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
машина зможе визначити
момент і дозволить мені дізнатися,
момент і дозволить мені дізнатися,
коли моя дочка зробить свої перші кроки.
11:42
when my daughter takes her first steps.
238
690952
2059
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
Що буквально може статися
в будь-який момент.
в будь-який момент.
Можливо, ми зможемо навчитися
краще проектувати наші будівлі, міста.
краще проектувати наші будівлі, міста.
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
Я вірю, що з розвитком науки,
що займається вивченням рухомих точок,
що займається вивченням рухомих точок,
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
ми будемо рухатися краще, будемо
рухатися розумніше, будемо рухатися вперед.
рухатися розумніше, будемо рухатися вперед.
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
12:00
Thank you very much.
243
708607
1189
Щиро вдячний.
(Оплески)
12:01
(Applause)
244
709820
5045
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