TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
Rajiv Maheswaran: La matemática subyacente a los movimientos más locos del baloncesto
Filmed:
Readability: 3.1
2,683,104 views
El baloncesto es un juego de movimiento rápido e improvisación, de contacto y, ejem, de reconocimiento de patrones espacio-temporales. Rajiv Maheswaran y sus colegas analizan los movimientos subyacentes a las tácticas clave del juego, para ayudar a entrenadores y jugadores a combinar la intuición con los nuevos datos. Bono: Lo que están aprendiendo podría ayudar a entender cómo nos movemos los seres humanos por todas partes.
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
A mis colegas y a mí nos fascina
la ciencia de los puntos móviles.
la ciencia de los puntos móviles.
00:16
So what are these dots?
1
4927
1150
¿Qué son estos puntos?
Somos nosotros.
00:18
Well, it's all of us.
2
6101
1287
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
Nos movemos en casa, en la oficina,
mientras compramos y viajamos
mientras compramos y viajamos
por nuestras ciudades
y alrededor del mundo.
y alrededor del mundo.
00:24
throughout our cities
and around the world.
and around the world.
4
12521
2066
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
¿No sería genial si pudiéramos
entender estos movimientos,
entender estos movimientos,
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
si pudiéramos encontrar patrones,
significado y sentido en eso?
significado y sentido en eso?
00:34
And luckily for us, we live in a time
7
22259
1785
Por fortuna para nosotros,
vivimos en una época
vivimos en una época
00:36
where we're incredibly good
at capturing information about ourselves.
at capturing information about ourselves.
8
24068
4497
en la que somos muy buenos capturando
información sobre nosotros mismos.
información sobre nosotros mismos.
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
Sea mediante sensores, videos
o aplicaciones,
o aplicaciones,
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
podemos rastrear los movimientos
con mucho detalle.
con mucho detalle.
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
Y una de las mejores fuentes
de datos sobre el movimiento
de datos sobre el movimiento
00:53
is sports.
12
41148
1208
es en los deportes.
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
Sea baloncesto o béisbol,
fútbol americano o el otro fútbol,
fútbol americano o el otro fútbol,
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
equipamos los estadios y jugadores
para seguir sus movimientos
para seguir sus movimientos
01:04
every fraction of a second.
15
52465
1313
en cada fracción de segundo.
01:05
So what we're doing
is turning our athletes into --
is turning our athletes into --
16
53802
4382
Así que convertimos a los atletas
01:10
you probably guessed it --
17
58208
1959
--quizá lo adivinaron--
01:12
moving dots.
18
60191
1396
en puntos móviles.
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
Tenemos montañas de puntos móviles
y como la mayoría de los datos en crudo
y como la mayoría de los datos en crudo
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
son difíciles de manejar,
y no son tan interesantes.
y no son tan interesantes.
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
Pero hay cosas que los entrenadores
de baloncesto quieren saber.
de baloncesto quieren saber.
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
El problema es que no pueden
retener cada segundo
retener cada segundo
01:29
of every game, remember it and process it.
23
77057
2589
de cada juego, recordarlo y procesarlo.
01:31
And a person can't do that,
24
79804
1930
Nadie puede hacer eso,
pero una máquina sí.
pero una máquina sí.
01:33
but a machine can.
25
81758
1310
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
El problema de la máquina es que
no ve el juego con ojo de entrenador.
no ve el juego con ojo de entrenador.
01:39
At least they couldn't until now.
27
87363
2261
Al menos no podía hasta ahora.
01:42
So what have we taught the machine to see?
28
90228
2103
Así que ¿qué le enseñamos
a ver a la máquina?
a ver a la máquina?
Empezamos con cosas simples.
01:45
So, we started simply.
29
93569
1787
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
Le enseñamos cosas como pases,
tiros y rebotes.
tiros y rebotes.
01:51
Things that most casual fans would know.
31
99203
2541
Cosas que cualquier fan conoce.
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
Y luego seguimos con cosas
levemente más complicadas:
levemente más complicadas:
01:56
Events like post-ups,
and pick-and-rolls, and isolations.
and pick-and-rolls, and isolations.
33
104624
4588
Posteos, bloqueos y continuación,
aislamientos.
aislamientos.
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
Si no las conocen, está bien. Los
jugadores aficionados quizá lo sepan.
jugadores aficionados quizá lo sepan.
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
Hemos logrado que la máquina
entienda secuencias complejas
entienda secuencias complejas
02:10
like down screens and wide pins.
36
118924
3073
como bloqueos verticales abajo
y hasta con rotaciones complejas.
y hasta con rotaciones complejas.
02:14
Basically things only professionals know.
37
122021
2726
Básicamente cosas que
solo saben los profesionales.
solo saben los profesionales.
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
Hemos enseñado a la máquina
a ver con ojos de entrenador.
a ver con ojos de entrenador.
¿Cómo hemos podido hacerlo?
02:22
So how have we been able to do this?
39
130009
1857
02:24
If I asked a coach to describe
something like a pick-and-roll,
something like a pick-and-roll,
40
132511
3118
Si pidiera a un entrenador
describir un bloqueo y continuación,
describir un bloqueo y continuación,
02:27
they would give me a description,
41
135653
1640
me daría una descripción;
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
y si pusiera eso en un algoritmo,
sería terrible.
sería terrible.
El bloqueo y continuación es esa danza
del baloncesto entre cuatro jugadores,
del baloncesto entre cuatro jugadores,
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
dos atacantes y dos defensores.
02:39
And here's kind of how it goes.
45
147486
1618
Es más o menos así.
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
Hay un tipo en ataque sin la pelota,
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
se pone al lado del tipo que marca
y que tiene la posesión de la pelota,
y que tiene la posesión de la pelota,
02:46
and he kind of stays there
48
154918
1257
se queda allí,
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
y ambos se mueven y ocurre, cha-chan,
un bloqueo y continuación.
un bloqueo y continuación.
02:51
(Laughter)
50
159540
2215
(Risas)
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
Eso es un ejemplo de
un algoritmo complicado.
un algoritmo complicado.
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
Si el jugador que se interpone,
llamado bloqueador,
llamado bloqueador,
03:01
goes close by, but he doesn't stop,
53
169278
2872
se acerca, pero no se detiene,
03:04
it's probably not a pick-and-roll.
54
172174
1765
quizá no sea un bloqueo y continuación.
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 si se detiene, pero no queda muy cerca,
03:10
it's probably not a pick-and-roll.
56
178529
1761
quizá no sea un bloqueo y continuación.
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
O si se acerca al otro y realmente para,
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
pero lo hacen debajo de la cesta,
quizá no sea un bloqueo y continuación.
quizá no sea un bloqueo y continuación.
03:19
Or I could be wrong,
they could all be pick-and-rolls.
they could all be pick-and-rolls.
59
187462
2524
O podría equivocarme, todos esos casos
podrían ser bloqueos y continuación.
podrían ser bloqueos y continuación.
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
Todo depende del tiempo exacto,
las distancias, los posicionamientos,
las distancias, los posicionamientos,
03:26
and that's what makes it hard.
61
194602
1495
y eso lo hace difícil.
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
Por suerte, con el aprendizaje máquina,
podemos exceder nuestra capacidad
podemos exceder nuestra capacidad
03:33
to describe the things we know.
63
201547
1743
de describir las cosas que conocemos.
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
¿Cómo funciona esto?
Bueno, con ejemplos.
Bueno, con ejemplos.
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
Vamos a la máquina y le decimos:
"Buenos días, máquina.
"Buenos días, máquina.
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
Aquí hay bloqueos y continuación,
y aquí otras cosas que no lo son.
y aquí otras cosas que no lo son.
Por favor, encuentra cómo
establecer la diferencia".
establecer la diferencia".
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
Y la clave de todo esto es encontrar
características que le permitan separar.
características que le permitan separar.
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
Si yo tuviera que enseñar la diferencia
entre una manzana y una naranja,
entre una manzana y una naranja,
03:52
between an apple and orange,
70
220940
1381
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
podría decir: "¿Por qué no usar
el color y la forma?"
el color y la forma?"
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
El problema que enfrentamos
es encontrar esas cosas.
es encontrar esas cosas.
¿Qué características son
03:59
What are the key features
73
227711
1247
las que permiten a una computadora
navegar el mundo de los puntos móviles?
navegar el mundo de los puntos móviles?
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
Imaginar todas estas relaciones
con ubicación relativa y absoluta,
con ubicación relativa y absoluta,
04:09
distance, timing, velocities --
76
237352
1909
--distancia, tiempo, velocidad--
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
es la clave de la ciencia de los puntos
móviles, como nos gusta llamarla,
móviles, como nos gusta llamarla,
reconocimiento espacio-temporal
de patrones,
de patrones,
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
en lenguaje académico.
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
Ante todo tenemos que hacer
que suene difícil,
que suene difícil,
04:22
because it is.
80
250847
1278
porque lo es.
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
Pero la clave para los entrenadores
de la NBA no es saber
de la NBA no es saber
04:27
whether a pick-and-roll happened or not.
82
255575
1922
si hubo un bloqueo y continuación o no.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
Ellos quieren saber cómo ocurrió.
Y ¿por qué eso es tan importante
para ellos?
para ellos?
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
Aquí hay una idea importante.
04:34
It turns out in modern basketball,
85
262631
1771
Resulta que en el baloncesto moderno,
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
el bloqueo y continuación es quizá
el juego más importante.
el juego más importante.
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
Y saber cómo manejarlo,
y saber cómo defenderlo,
y saber cómo defenderlo,
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
básicamente es la clave para ganar
o perder casi todos los juegos.
o perder casi todos los juegos.
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
Pero resulta que esta danza
tiene muchas variantes
tiene muchas variantes
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
e identificar las variantes
es lo que importa,
es lo que importa,
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
por eso necesitamos que esto
sea muy, muy bueno.
sea muy, muy bueno.
04:55
So, here's an example.
92
283228
1176
Este es un ejemplo.
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
Hay dos jugadores en ataque
y dos en defensa,
y dos en defensa,
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
listos para la danza del
bloqueo y continuación.
bloqueo y continuación.
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
El tipo con la pelota puede
usar o no el bloqueo.
usar o no el bloqueo.
05:04
His teammate can either roll or pop.
96
292086
3001
Su compañero puede girar a canasta
o abrir para recibir el pase.
o abrir para recibir el pase.
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
El que marca al jugador con
la pelota puede avanzar o retroceder.
la pelota puede avanzar o retroceder.
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
Su compañero puede avanzar,
marcar o solo acompañar
marcar o solo acompañar
y juntos pueden cambiar asignación
defensiva o redoblar la marca.
defensiva o redoblar la marca.
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
05:17
and I didn't know
most of these things when I started
most of these things when I started
100
305352
2659
Yo no sabía casi nada de esto
cuando empecé
cuando empecé
05:20
and it would be lovely if everybody moved
according to those arrows.
according to those arrows.
101
308035
3920
y sería estupendo si todos
se movieran siguiendo esas flechas.
se movieran siguiendo esas flechas.
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
Haría mucho más fáciles nuestras vidas,
pero el movimiento es muy desordenado.
pero el movimiento es muy desordenado.
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
Las personas se menean mucho
e identificar estas variaciones
e identificar estas variaciones
05:33
with very high accuracy,
104
321555
1303
con muy alta precisión,
05:34
both in precision and recall, is tough
105
322882
1868
en precisión y en recuerdo, es difícil
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
y es lo que hace que un entrenador
profesional crea en ti.
profesional crea en ti.
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
Aun con las dificultades de las correctas
características espacio-temporales
características espacio-temporales
05:43
we have been able to do that.
108
331820
1474
lo hemos logrado.
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
Los entrenadores confían en que las
máquinas pueden identificar variaciones.
máquinas pueden identificar variaciones.
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
Estamos en el punto en el que
casi todos los contendientes
casi todos los contendientes
05:53
for an NBA championship this year
111
341035
1623
en el campeonato de la NBA este año
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
usan nuestro software, construido
en una máquina que entiende
en una máquina que entiende
05:59
the moving dots of basketball.
113
347114
1634
los puntos móviles
en el baloncesto.
en el baloncesto.
06:01
So not only that, we have given advice
that has changed strategies
that has changed strategies
114
349872
5153
No solo eso, hemos dado consejos
que han cambiado estrategias
que han cambiado estrategias
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
que han ayudado a equipos a ganar
juegos muy importantes,
juegos muy importantes,
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
y es muy apasionante porque hay
entrenadores que han estado en la liga
entrenadores que han estado en la liga
06:14
for 30 years that are willing to take
advice from a machine.
advice from a machine.
117
362181
3067
durante 30 años que desean recibir
consejos de una máquina.
consejos de una máquina.
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
Y es muy apasionante, mucho más
que el bloqueo y continuación.
que el bloqueo y continuación.
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
Nuestra computadora empezó
con cosas simples,
con cosas simples,
06:22
and learned more and more complex things
120
370904
2064
aprendió cosas cada vez más complejas
06:24
and now it knows so many things.
121
372992
1561
y ahora sabe cada vez más cosas.
06:26
Frankly, I don't understand
much of what it does,
much of what it does,
122
374577
2835
Francamente, no entiendo
gran parte de lo que hace,
gran parte de lo que hace,
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
y si bien no es algo tan especial
ser más inteligente que yo,
ser más inteligente que yo,
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
nos hemos preguntado, ¿puede una
máquina saber más que un entrenador?
máquina saber más que un entrenador?
06:36
Can it know more than person could know?
125
384843
2055
¿Puede saber más de lo que
podría saber una persona?
podría saber una persona?
06:38
And it turns out the answer is yes.
126
386922
1745
Y resulta que la respuesta es sí.
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
Los entrenadores quieren que
los jugadores disparen bien.
los jugadores disparen bien.
06:43
So if I'm standing near the basket
128
391272
1651
Si estoy cerca de la cesta
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
y no hay nadie cerca,
es un buen tiro.
es un buen 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
Si estoy lejos, rodeado por defensores,
generalmente es un mal tiro.
generalmente es un mal tiro.
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
Pero no sabíamos cuán bueno o malo era
lo "bueno" o lo "malo" cuantitativamente.
lo "bueno" o lo "malo" cuantitativamente.
06:56
Until now.
132
404209
1150
Hasta ahora.
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
Entonces, de nuevo, con las
características espacio-temporales,
características espacio-temporales,
07:00
we looked at every shot.
134
408853
1374
analizamos cada 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
Podemos ver dónde está el tiro,
cuál es el ángulo a la cesta,
cuál es el ángulo a la cesta,
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
dónde están los defensores,
cuáles son sus distancias,
cuáles son sus distancias,
07:08
What are their angles?
137
416066
1331
cuáles son los ángulos.
07:09
For multiple defenders, we can look
at how the player's moving
at how the player's moving
138
417421
2977
Para múltiples defensores,
podemos ver cómo se mueve el jugador
podemos ver cómo se mueve el jugador
07:12
and predict the shot type.
139
420422
1433
y predecir el tipo de 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
Podemos ver todas sus velocidades
y construir un modelo que prediga
y construir un modelo que prediga
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 probabilidad de que este disparo
vaya en estas circunstancias.
vaya en estas circunstancias.
07:22
So why is this important?
142
430188
1500
¿Por qué importa esto?
07:24
We can take something that was shooting,
143
432102
2803
Podemos tomar un tiro,
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
que antes era una cosa y ahora
se transforma en dos cosas:
se transforma en dos cosas:
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
la calidad del tiro
y la calidad del tirador.
y la calidad del tirador.
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
Este es un gráfico de burbujas
porque ¿qué es TED sin ellos?
porque ¿qué es TED sin ellos?
07:36
(Laughter)
147
444966
1014
(Risas)
07:38
Those are NBA players.
148
446004
1311
Esos son jugadores de la 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
El tamaño es el tamaño del jugador
y el color es su posición.
y el color es su posición.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
En el eje X, tenemos
la probabilidad del disparo.
la probabilidad del disparo.
07:44
People on the left take difficult shots,
151
452639
1953
Las personas de la izquierda
hacen tiros difíciles,
hacen tiros difíciles,
07:46
on the right, they take easy shots.
152
454616
2229
a la derecha, hacen tiros fáciles.
07:49
On the [y-axis] is their shooting ability.
153
457194
2057
En el eje Y, es la capacidad de disparo.
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
Las personas que disparan bien van
arriba, las que disparan mal abajo.
arriba, las que disparan mal abajo.
07:53
So for example, if there was a player
155
461861
1760
Por ejemplo, si había un jugador
07:55
who generally made
47 percent of their shots,
47 percent of their shots,
156
463621
2097
que generalmente encestaba
el 47 % de los tiros,
el 47 % de los tiros,
07:57
that's all you knew before.
157
465718
1389
eso es lo que se sabía antes.
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
Pero hoy, puedo decir que el jugador
hace disparos que un jugador medio NBA
hace disparos que un jugador medio NBA
08:04
would make 49 percent of the time,
159
472219
1961
convertiría el 49 % del tiempo,
08:06
and they are two percent worse.
160
474204
1684
y que ellos son un 2 % peores.
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
Y es importante porque
hay muchos con 47 % por allí.
hay muchos con 47 % por allí.
08:13
And so it's really important to know
162
481714
2549
Y por eso es muy importante saber
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
si el 47 % al que están evaluando
pagarle USD 100 millones
pagarle USD 100 millones
08:20
is a good shooter who takes bad shots
164
488267
3055
es un buen tirador que hace malos tiros
08:23
or a bad shooter who takes good shots.
165
491346
2397
o un mal tirador que hace buenos tiros.
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
La comprensión de máquina no cambia
la forma de ver a los jugadores,
la forma de ver a los jugadores,
08:30
it changes how we look at the game.
167
498487
1858
cambia la forma de ver el juego.
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
Hace unos años hubo un juego
muy apasionante en la final de la NBA.
muy apasionante en la final de la NBA.
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
Miami estaba tres puntos abajo,
quedaban 20 segundos.
quedaban 20 segundos.
08:39
They were about to lose the championship.
170
507379
2025
Estaban a punto de perder el campeonato.
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
Un caballero de nombre LeBron James
tiró de tres para empatar.
tiró de tres para empatar.
08:44
He missed.
172
512793
1198
Falló.
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
Su compañero Chris Bosh
consiguió un rebote,
consiguió un rebote,
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
hizo un pase a otro compañero
llamado Ray Allen.
llamado Ray Allen.
Clavó un triple.
Fue en tiempo suplementario.
Fue en tiempo suplementario.
08:50
He sank a three. It went into overtime.
175
518059
1919
Ganaron el juego.
Ganaron el campeonato.
Ganaron el campeonato.
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
Fue uno de los juegos de baloncesto
más emocionantes.
más emocionantes.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
Y nuestra capacidad de conocer
la probabilidad del tiro de cada jugador
la probabilidad del tiro de cada jugador
09:00
at every second,
179
528891
1188
a cada segundo,
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
y la probabilidad de conseguir
un rebote a cada segundo
un rebote a cada segundo
puede iluminar este momento
como nunca antes.
como nunca antes.
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
Desafortunadamente, no puedo
mostrarles ese video.
mostrarles ese video.
09:12
But for you, we recreated that moment
183
540310
4493
Pero lo hemos recreado
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
en nuestro juego semanal
de baloncesto hace 3 semanas.
de baloncesto hace 3 semanas.
09:19
(Laughter)
185
547279
2167
(Risas)
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
Y recreamos el seguimiento
del que extrajimos las ideas.
del que extrajimos las ideas.
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
Aquí estamos. Esto es Chinatown
en Los Ángeles,
en Los Ángeles,
09:29
a park we play at every week,
188
557478
1564
un parque en el que
jugamos todas las semanas,
jugamos todas las semanas,
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
y allí estamos recreando
el momento Ray Allen
el momento Ray Allen
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
y todo el seguimiento asociado.
09:36
So, here's the shot.
191
564772
1517
Este es el disparo.
09:38
I'm going to show you that moment
192
566313
2516
Les mostraré ese momento
09:40
and all the insights of that moment.
193
568853
2587
y lo que aprendimos de ese 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
La única diferencia es que en vez de
jugadores profesionales, somos nosotros,
jugadores profesionales, somos nosotros,
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
y en vez de un locutor profesional,
soy yo.
soy yo.
09:49
So, bear with me.
196
577860
1477
Así que tengan paciencia conmigo.
09:53
Miami.
197
581153
1150
Miami.
09:54
Down three.
198
582671
1150
Tres puntos abajo.
09:56
Twenty seconds left.
199
584107
1150
Quedan 20 segundos.
09:59
Jeff brings up the ball.
200
587385
1198
Jeff trae la pelota.
10:02
Josh catches, puts up a three!
201
590656
1535
Josh la atrapa, ¡marca un triple!
10:04
[Calculating shot probability]
202
592631
1849
[Calculando probabilidad de tiro: 33 %]
10:07
[Shot quality]
203
595278
1150
[Calidad del tiro: JOSH 33 %]
10:09
[Rebound probability]
204
597048
1785
[Probabilidad de rebote: NOEL 12 %]
10:12
Won't go!
205
600373
1173
¡No entrará!
10:13
[Rebound probability]
206
601570
1446
[Probabilidad de rebote: NOEL 37 %]
10:15
Rebound, Noel.
207
603777
1256
Rebote, Noel.
10:17
Back to Daria.
208
605057
1150
Vuelve a Daria.
10:18
[Shot quality]
209
606509
3365
[Calidad del tiro: DARIA 37 %]
10:22
Her three-pointer -- bang!
210
610676
1620
Su triple... ¡bang!
10:24
Tie game with five seconds left.
211
612320
2197
Empate y quedan 5 segundos.
10:26
The crowd goes wild.
212
614880
1618
La multitud enloquece.
10:28
(Laughter)
213
616522
1659
(Risas)
10:30
That's roughly how it happened.
214
618205
1547
Es más o menos lo que pasó.
10:31
(Applause)
215
619776
1151
(Aplausos)
10:32
Roughly.
216
620951
1175
Más o menos.
10:34
(Applause)
217
622150
1531
(Aplausos)
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
Ese momento tenía un 9 % de
probabilidad de ocurrir en la NBA;
probabilidad de ocurrir en la NBA;
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
sabemos eso y muchas otras cosas.
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
No les diré las veces que intentamos
hasta que ocurrió.
hasta que ocurrió.
10:47
(Laughter)
221
635429
1747
(Risas)
10:49
Okay, I will! It was four.
222
637200
1872
Bien, ¡se los diré!
Fueron cuatro.
Fueron cuatro.
10:51
(Laughter)
223
639096
1001
(Risas)
10:52
Way to go, Daria.
224
640121
1165
Así se hace, Daria.
10:53
But the important thing about that video
225
641647
4263
Pero lo importante de ese video
10:57
and the insights we have for every second
of every NBA game -- it's not that.
of every NBA game -- it's not that.
226
645934
4568
y las ideas obtenidas en cada segundo
de un juego de la NBA, no es eso.
de un juego de la NBA, no es eso.
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
Es que no hay que ser un equipo
profesional para seguir el movimiento.
profesional para seguir el movimiento.
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
No hay que ser jugador profesional
para aprender sobre el movimiento.
para aprender sobre el movimiento.
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
De hecho, no se trata del deporte
porque nos movemos por doquier.
porque nos movemos por doquier.
11:15
We're moving in our homes,
230
663654
2369
Nos movemos en nuestras casas,
11:21
in our offices,
231
669428
1205
en nuestras oficinas,
11:24
as we shop and we travel
232
672238
2690
mientras compramos y viajamos
11:29
throughout our cities
233
677318
1253
por las ciudades
11:32
and around our world.
234
680065
1618
y alrededor del mundo.
11:35
What will we know? What will we learn?
235
683270
2295
¿Qué conoceremos?
¿Qué aprenderemos?
¿Qué aprenderemos?
Quizá en vez de identificar
bloqueos y continuación,
bloqueos y continuación,
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
una máquina pueda identificar
el momento y me avise
el momento y me avise
11:42
when my daughter takes her first steps.
238
690952
2059
cuando mi hija dé el primer paso.
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
Algo que podría ocurrir
en cualquier momento próximo.
en cualquier momento próximo.
Quizá podamos aprender
a usar mejor los edificios,
a usar mejor los edificios,
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
planificar mejor las ciudades.
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
Creo que con el desarrollo de la
ciencia de los puntos móviles,
ciencia de los puntos móviles,
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
nos moveremos mejor,
con más inteligencia,
con más inteligencia,
nos moveremos hacia adelante.
12:00
Thank you very much.
243
708607
1189
Muchas gracias.
12:01
(Applause)
244
709820
5045
(Aplausos)
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