TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
راجیو مهسواران: ریاضیات مربوط به پیچیده ترین حرکتهای بسکتبال
Filmed:
Readability: 3.1
2,683,104 views
بسکتبال یک بازی پر سرعت است که شامل بداهه پردازی، برخورد و البته درک الگوهی فضا_زمانی است. راجیو مهسواران و همکارانش برای کمک به درک بهتر مربیان و بازیکنان ازاطلاعات جدید، در حال پردازش حرکات مربوط به بازیهای پیچیده این ورزش هستند. ارزش: آنچه آنها یاد میگیرند به ما کمک میکند تا بفهمیم انسانها چگونه همه جا در حرکت هستند.
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
من و همکارانم مجذوب دانش نقطهها هستیم.
00:16
So what are these dots?
1
4927
1150
این نقطهها چه هستند؟
00:18
Well, it's all of us.
2
6101
1287
خوب، آنها همه ما هستیم.
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
و ما در خانهها و دفترهایمان، و هنگامی که
به خرید یا مسافرت میرویم،
به خرید یا مسافرت میرویم،
درون شهرهایمان و سراسر دنیا، در حال
حرکت هستیم.
حرکت هستیم.
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
و خوب نبود اگر میتوانستیم همه این
حرکات را درک کنیم؟
حرکات را درک کنیم؟
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
و میتوانستیم الگو و معنا و مفهوم درون
آنها را بفهمیم.
آنها را بفهمیم.
و خوشبختانه، ما در زمانی زندگی میکنیم
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
که به شکل غیر قابل باوری در جمعآوری
اطلاعات درباره خودمان پیشرفت کردهایم.
اطلاعات درباره خودمان پیشرفت کردهایم.
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
پس چه از طریق حسگرها یا فیلمها یا
نرم افزارها،
نرم افزارها،
میتوانیم با جزییات بسیار دقیق، حرکات
خودمان را دنبال کنیم.
خودمان را دنبال کنیم.
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
و به نظر میرسد که یکی از جاهایی که ما
بهترین دادهها را درباره حرکت داریم
بهترین دادهها را درباره حرکت داریم
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
00:53
is sports.
12
41148
1208
در ورزش است.
پس چه بسکتبال باشد یا بیس بال یا فوتبال
و یا اون یکی فوتبال،
و یا اون یکی فوتبال،
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
در حال نصب تجهیزات در ورزشگاهها و روی
بازیکنان هستیم
بازیکنان هستیم
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
تا بتوانیم در کسری از ثانیه، حرکات
آنها را دنبال کنیم.
آنها را دنبال کنیم.
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
پس کاری که ما میکنیم، تبدیل ورزشکاران--
همانطور که حدس میزنید--
01:10
you probably guessed it --
17
58208
1959
به نقطههای متحرک است.
01:12
moving dots.
18
60191
1396
پس ما کوهی از نقاط متحرک داریم،
و مانند سایر دادههای خام،
و مانند سایر دادههای خام،
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
کار با آنها سخت و طاقت فرسا است.
اما چیزهایی هست که به طور مثال،
مربیان بسکتبال میخواهند بدانند.
مربیان بسکتبال میخواهند بدانند.
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
و مشکل اینجا است که نمیتوانند متوجه آنها
شوند، چون برای این کار آنها باید
شوند، چون برای این کار آنها باید
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
هرثانیه از هر بازی را ببینند، به خاطر
بسپارند و پردازش کنند.
بسپارند و پردازش کنند.
01:29
of every game, remember it and process it.
23
77057
2589
و یک انسان قادر به انجام آن نیست،
01:31
And a person can't do that,
24
79804
1930
اما یک ماشین میتواند.
01:33
but a machine can.
25
81758
1310
مشکل اینجا است که ماشینها نمیتوانند
بازی را از چشم یک مربی ببینند.
بازی را از چشم یک مربی ببینند.
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
حداقل تا کنون نمیتوانستند.
01:42
So what have we taught the machine to see?
28
90228
2103
پس ما به ماشین، دیدن چه چیزی را آموختیم؟
خوب، ما به سادگی شروع کردیم.
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
چیزهایی مانند پاس، شوت و ریباند را به آن
یاد دادیم.
یاد دادیم.
چیزهایی که اکثر طرفداران معمولی میدانند.
01:51
Things that most casual fans would know.
31
99203
2541
و بعد از آن به مسائل کمی پیچیدهتر رسیدیم.
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
مسائلی مانند حالت پشت به حلقه،
سد کردن و چرخش و ایزوله
کردن.
سد کردن و چرخش و ایزوله
کردن.
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
و اگر با آنها آشنایی ندارید، اشکالی ندارد.
بیشتر بازیکنان آنها را میشناسند.
بیشتر بازیکنان آنها را میشناسند.
اکنون، به نقطهای رسیدهایم که ماشینها
اکثر حرکات پیچیده را درک میکنند.
اکثر حرکات پیچیده را درک میکنند.
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
02:10
like down screens and wide pins.
36
118924
3073
مانند نمایش پایین و پینهای گسترده.
اساسا مسایلی که تنها حرفهای ها با آن
آشنایی دارند.
آشنایی دارند.
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
پس ما به ماشین آموختیم که با چشمهای مربی
بازی را ببیند.
بازی را ببیند.
02:22
So how have we been able to do this?
39
130009
1857
خوب، ما چگونه قادر به انجام این کار شدیم؟
اگر من از یک مربی بخواهم که چیزی مثل پیک سد کردن و
چرخش را توضیح دهد،
چرخش را توضیح دهد،
02:24
If I asked a coach to describe
something like a pick-and-roll,
something like a pick-and-roll,
40
132511
3118
توصیفی را ارائه خواهد داد،
02:27
they would give me a description,
41
135653
1640
و اگر من بخواهم آن را به شکل الگوریتم
دربیاورم، افتضاح خواهد بود
دربیاورم، افتضاح خواهد بود
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
از قضا، سد کردن و چرخش نوعی رقص بین چهار
بازیکن است،
بازیکن است،
02:37
two on offense and two on defense.
44
145328
1912
دو نفر در دفاع و دو نفر در حمله.
02:39
And here's kind of how it goes.
45
147486
1618
و این تقریبا اتفاقی است که میافتد.
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
خوب بازیکن حمله بدون توپ اینجاست
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
و به پشت بازیکن مدافع حامل توپ
حرکت میکند،
حرکت میکند،
و آنجا میایستد
02:46
and he kind of stays there
48
154918
1257
و بعد هردو حرکت میکنند و خلاصه،
این یک حرکت سد کردن و چرخش است.
این یک حرکت سد کردن و چرخش است.
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
02:51
(Laughter)
50
159540
2215
(خنده)
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
همچنین این نمونهای از یک الگوریتم
افتضاح است.
افتضاح است.
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
پس، اگر بازیکن مداخلهگر--
به او غربالگر میگویند--
به او غربالگر میگویند--
03:01
goes close by, but he doesn't stop,
53
169278
2872
نزدیک شده و به حرکت ادامه بدهد،
03:04
it's probably not a pick-and-roll.
54
172174
1765
دیگر احتمالا سد کردن وچرخش نخواهد بود.
03:06
Or if he does stop,
but he doesn't stop close enough,
but he doesn't stop close enough,
55
174560
3945
یا اگر بایستد ولی به اندازه کافی
نزدیک نباشد،
نزدیک نباشد،
03:10
it's probably not a pick-and-roll.
56
178529
1761
احتمالا سد کردن و چرخش نیست.
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
یا اگر نزدیک باشد و جای درستی بایستد
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
اما این کار را زیر سبد انجام دهند، احتمالا
سد کردن و چرخش نیست.
سد کردن و چرخش نیست.
03:19
Or I could be wrong,
they could all be pick-and-rolls.
they could all be pick-and-rolls.
59
187462
2524
یا ممکن است من اشتباه کنم و همه آنها
سد کردن و چرخش باشند.
سد کردن و چرخش باشند.
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
در واقع همه چیز به زمانبندی دقیق، فاصله
و جایگیری بستگی دارد،
و جایگیری بستگی دارد،
03:26
and that's what makes it hard.
61
194602
1495
و همین کار را سخت میکند.
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
ولی، خوشبختانه، با فراگیری ماشین،
برای توصیف چیزهایی که میدانیم
برای توصیف چیزهایی که میدانیم
03:33
to describe the things we know.
63
201547
1743
میتوانیم ورای توانایی خود عمل کنیم.
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
خوب، این چطور کار میکند،
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
خوب ما سراغ ماشین میرویم و به او میگوییم
"صبح به خیر ماشین.
"صبح به خیر ماشین.
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
اینها یک سری سد کردن و چرخش هستند، و اینها
چیزهایی هستند که سد کردن و چرخش نیستند.
چیزهایی هستند که سد کردن و چرخش نیستند.
03:44
Please find a way to tell the difference."
67
212720
2252
لطفا راهی برای تشخیصشان از هم پیدا کن."
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
و کلید انجام این کار پیداکردن امکاناتی است
که جداسازی را ممکن کنند.
که جداسازی را ممکن کنند.
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
خوب اگر من میخواستم تفاوت سیب و پرتقال را
03:52
between an apple and orange,
70
220940
1381
به آن یاد بدهم
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
احتمالا میگویم، "چرا از رنگ یا شکل آنها
استفاده نمیکنی؟"
استفاده نمیکنی؟"
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
و مسئلهای که باید حل کنیم این است که
آنها چیستند؟
آنها چیستند؟
03:59
What are the key features
73
227711
1247
امکانات کلیدی که به کامپیوتر امکان بررسی
04:00
that let a computer navigate
the world of moving dots?
the world of moving dots?
74
228982
3499
دنیای نقطههای متحرک را میدهند، چه هستند؟
04:04
So figuring out all these relationships
with relative and absolute location,
with relative and absolute location,
75
232505
4823
پس با پیدا کردن تمام این روابط میان مکان
مطلق و نسبی،
مطلق و نسبی،
04:09
distance, timing, velocities --
76
237352
1909
فاصله، زمانبندی و سرعت--
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
این کلید واقعی ورود به دانش نقاط متحرک است
یا آنطور که ما میگوییم،
یا آنطور که ما میگوییم،
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
تشخیص الگوی مکانی زمانی در
محیط دانشگاهی.
محیط دانشگاهی.
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
چون در وهله اول باید کاری کنیم که سخت
به نظر بیاید--
به نظر بیاید--
04:22
because it is.
80
250847
1278
چو در واقع هست.
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
نکته کلیدی برای مربیان بسکتبال این نیست
که بدانند
که بدانند
04:27
whether a pick-and-roll happened or not.
82
255575
1922
سد کردن و چرخش اتفاق افتاد یا نه.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
بلکه آنها میخواهند نحوه انجام
آن را بدانند.
آن را بدانند.
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
و چرا این مسئله این قدر برای آنها مهم است؟
خوب این هم یک دلیل کوچک.
خوب این هم یک دلیل کوچک.
04:34
It turns out in modern basketball,
85
262631
1771
این طور به نظر میرسد که در بسکتبال مدرن
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
این سد کردن و چرخش مهمترین حرکت بازی است.
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
و اینکه چگونه آن را انجام دهیم،
و چگونه در برابر آن دفاع کنیم،
و چگونه در برابر آن دفاع کنیم،
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
در واقع کلید برد یا باخت در
اکثر بازیها است.
اکثر بازیها است.
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
خوب متوجه شدیم که این رقص گونههای بسیار
متفاوتی دارد
متفاوتی دارد
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
و در واقع نکته مهم، شناسایی این
گونهها است،
گونهها است،
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
و به این دلیل است که این الگوریتم باید
خیلی خیلی خوب عمل کند.
خیلی خیلی خوب عمل کند.
04:55
So, here's an example.
92
283228
1176
خوب، یک مثال.
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
دو بازیکن حمله و دو بازیکن دفاع داریم،
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
که برای انجام حرکت سد کردن و چرخش
آماده میشوند.
آماده میشوند.
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
خوب بازیکن حامل توپ میتواند بگیرد،
و یا رد کند.
و یا رد کند.
05:04
His teammate can either roll or pop.
96
292086
3001
همبازی او میتواند بچرخد یا بزند.
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
بازیکن مدافع توپ میتواند جلو یا عقب برود.
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
هم تیمی او میتواند نمایش بدهد یا دفاع کند
و بازی آرام انجام دهد.
و بازی آرام انجام دهد.
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
و آنها با هم کیتوانند جابجا شوند یا حمله
کنند
کنند
05:17
and I didn't know
most of these things when I started
most of these things when I started
100
305352
2659
و زمانی که شروع کردم، من بیشتر این چیزها
را نمیدانستم
را نمیدانستم
05:20
and it would be lovely if everybody moved
according to those arrows.
according to those arrows.
101
308035
3920
و بسیار خوب میشد اگر همه بر اساس آن
پیکانها حرکت میکردند.
پیکانها حرکت میکردند.
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
در آن صورت زندگی بسیار آسانتر بود، اما
این طور که پیداست حرکات بسیار بینظم هستند
این طور که پیداست حرکات بسیار بینظم هستند
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
بازیکنها خیلی وول میخورند و تایید این
تغییرات
تغییرات
05:33
with very high accuracy,
104
321555
1303
با دقت بسیار بالا
05:34
both in precision and recall, is tough
105
322882
1868
و با جامعیت و صراحت، بسیار دشوار است.
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
زیرا این تنها راهی است که میتوان اعتماد
یک مربی حرفهای را جلب کرد.
یک مربی حرفهای را جلب کرد.
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
و با وجود تمام مشکلات در تحلیل صحیح
الگوهای مکانی زمانی
الگوهای مکانی زمانی
05:43
we have been able to do that.
108
331820
1474
ما توانستیم آن را به انجام برسانیم.
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
مربیها به توانایی ما و ماشینهایمان در
تشخیص این گونهها اعتماد دارند.
تشخیص این گونهها اعتماد دارند.
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
و اکنون در جایگاهی هستیم که امسال
05:53
for an NBA championship this year
111
341035
1623
تمام مدعیان قهرمانی NBA
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
از نرم افزار ما استفاده میکنند، که بر
ماشینی نصب شده
ماشینی نصب شده
05:59
the moving dots of basketball.
113
347114
1634
که حرکات نقاط متحرک بسکتبال را درک میکند.
06:01
So not only that, we have given advice
that has changed strategies
that has changed strategies
114
349872
5153
و نه تنها این، بلکه ما پیشنهادهایی ارائه
دادهایم که استراتژیها را عوض کرده
دادهایم که استراتژیها را عوض کرده
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
و به تیمها در بردن بازیهای بسیار مهم
کمک کرده است،
کمک کرده است،
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
و این خیلی جالب است چون مربیانی هستند که
به مدت
به مدت
06:14
for 30 years that are willing to take
advice from a machine.
advice from a machine.
117
362181
3067
۳۰ سال در لیگ بودهاند اما از یک ماشین
کمک میگیرند.
کمک میگیرند.
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
و این مسئله بسیار هیجان انگیز است،
این بسیار ببیشتر از تشخیص پیک و چرخش است.
این بسیار ببیشتر از تشخیص پیک و چرخش است.
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
کامپیوتر ما از مسائل ساده شروع کرد
06:22
and learned more and more complex things
120
370904
2064
و به تدریج چیزهای پیچیده تری را یاد گرفت
06:24
and now it knows so many things.
121
372992
1561
و اکنون چیزهای خیلی زیادی میداند.
06:26
Frankly, I don't understand
much of what it does,
much of what it does,
122
374577
2835
در حقیقت، من بیشتر کارهای او را متوجه
نمیشوم،
نمیشوم،
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
و از آنجا که به اندازهای خاص نیست که
از من باهوشتر باشد،
از من باهوشتر باشد،
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
این سوال برایمان مطرح شد، که آیا یک ماشین
میتواند بیش از یک مربی بداند؟
میتواند بیش از یک مربی بداند؟
06:36
Can it know more than person could know?
125
384843
2055
آیا میتواند بیش از توانایی انسان بداند؟
06:38
And it turns out the answer is yes.
126
386922
1745
و مشخص شد که جواب مثبت است.
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
مربیان از بازیکنان میخواهند که
ضربات خوبی به دست بیاورند.
ضربات خوبی به دست بیاورند.
06:43
So if I'm standing near the basket
128
391272
1651
پس اگر من زیر سبد باشم
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
و کسی دور و بر من نباشد، این
یک ضربه خوب است.
یک ضربه خوب است.
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
اگر از سبد دور باشم و مدافعین اطراف من
باشند، معمولا این یک ضربه بد است.
باشند، معمولا این یک ضربه بد است.
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
اما هیچ گاه نمیدانیم که "خوب" چه اندازه
خوب است، یا "بد"چه اندازه بد است.
خوب است، یا "بد"چه اندازه بد است.
06:56
Until now.
132
404209
1150
تا امروز.
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
خوب، دوباره با استفاده از الگوی
مکانی زمانی، چه کار میتوانیم بکنیم
مکانی زمانی، چه کار میتوانیم بکنیم
07:00
we looked at every shot.
134
408853
1374
ما به تمام ضربات توجه کردیم.
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
میتوانیم ببینیم: ضربه کجاست؟ در چه
زاویهای نسبت به سبد قرار دارد؟
زاویهای نسبت به سبد قرار دارد؟
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
مدافعین کجا هستند؟ فاصله آنها چقدر است؟
07:08
What are their angles?
137
416066
1331
در چه زاویهای هستند؟
07:09
For multiple defenders, we can look
at how the player's moving
at how the player's moving
138
417421
2977
در مورد چند مدافع، میتوانیم به نحوه حرکت
آنها نگاه کنیم
آنها نگاه کنیم
07:12
and predict the shot type.
139
420422
1433
و نحوه پرتاب را پیش بینی کنیم.
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
میتوانیم سرعت حرکت تمام آنها را بررسی
کنیم و مدلی برای پیش بینی ارائه دهیم
کنیم و مدلی برای پیش بینی ارائه دهیم
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
که احتمال گل شدن این پرتاب در این شرایط
چقدر است؟
چقدر است؟
07:22
So why is this important?
142
430188
1500
خوب، اهمیت این کار در چیست؟
07:24
We can take something that was shooting,
143
432102
2803
میتوانیم چیزی که پرتاب خوانده میشود
را درنظر بگیریم
را درنظر بگیریم
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
که قبل از این یک چیز بود، و به آن را
دو چیز مجزا تفکیک کنیم:
دو چیز مجزا تفکیک کنیم:
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
کیفیت پرتاب و کیفیت پرتاب کننده.
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
خوب این یک نمودار حبابی است،
چون TED بدون نمودار بی فایده است.
چون TED بدون نمودار بی فایده است.
07:36
(Laughter)
147
444966
1014
(خنده)
07:38
Those are NBA players.
148
446004
1311
اینها بازیکنان NBA هستند.
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
اندازه، نشان دهنده ابعاد بازیکن و رنگ
نشان دهنده جایگاه او است.
نشان دهنده جایگاه او است.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
در محور طولی احتمال گل شدن پرتاب را داریم.
07:44
People on the left take difficult shots,
151
452639
1953
افراد سمت چپ پرتابهای سختی میگیرند،
07:46
on the right, they take easy shots.
152
454616
2229
در سمت راست، پرتابهای آسان.
07:49
On the [y-axis] is their shooting ability.
153
457194
2057
بر روی محور عمودی توانایی پرتاب بازیکنان
قرار دارد.
قرار دارد.
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
بالا خوبها و پایین ضعیفترها قرار دارند.
07:53
So for example, if there was a player
155
461861
1760
پس به عنوان مثال، اگر بازیکنی
07:55
who generally made
47 percent of their shots,
47 percent of their shots,
156
463621
2097
معمولا ۴۷ درصد از پرتابهای خود را
وارد سبد کند،
وارد سبد کند،
07:57
that's all you knew before.
157
465718
1389
این تنها چیزی بود که تا پیش از این
میدانستیم.
میدانستیم.
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
اما امروز، من میتوانم بگویم که این بازیکن
پرتابهایی به دست میآورد که یک بازیکن
پرتابهایی به دست میآورد که یک بازیکن
08:04
would make 49 percent of the time,
159
472219
1961
متوسط NBA با احتمال ۴۹ درصدآن را
وارد سبد میکند،
وارد سبد میکند،
08:06
and they are two percent worse.
160
474204
1684
و او دو درصد پایینتر است.
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
و دلیل اهمیت این موضوع این است که تعداد
زیادی بازیکن با احتمال ۴۷ درصد وجود دارند.
زیادی بازیکن با احتمال ۴۷ درصد وجود دارند.
08:13
And so it's really important to know
162
481714
2549
و بسیار مهم است که بدانیم
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
که این ۴۷ درصدی که قرار است ۱۰۰ میلیون
دلار دستمزد بگیرد
دلار دستمزد بگیرد
08:20
is a good shooter who takes bad shots
164
488267
3055
پرتاب کننده خوبی است که پرتابهای
ضعیفی میگیرد
ضعیفی میگیرد
08:23
or a bad shooter who takes good shots.
165
491346
2397
یا پرتاب کننده بدی است که پرتابهای
خوبی میگیرد.
خوبی میگیرد.
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
دانایی ماشین تنها نحوه نگاه ما به
بازیکنان را تغییر نمیدهد
بازیکنان را تغییر نمیدهد
08:30
it changes how we look at the game.
167
498487
1858
بلکه نحوه نگاه ما به بازی را هم
عوض میکند.
عوض میکند.
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
مثلا، دو سال پیش یک بازی بسیار هیجان انگیز
در فینال NBA در جریان بود:
در فینال NBA در جریان بود:
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
میامی سه امتیاز عقب بود و تنها 20 ثانیه
باقی مانده بود.
باقی مانده بود.
08:39
They were about to lose the championship.
170
507379
2025
آنها در حال از دست دادن قهرمانی بودند.
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
یک آقای محترمی به نام لبران جیمز آمد و
یک سه امتیازی پرتاب کرد تا مساوی کنند.
یک سه امتیازی پرتاب کرد تا مساوی کنند.
08:44
He missed.
172
512793
1198
پرتاب را از دست داد.
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
همبازی او کریس باش ریباند کرد،
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
و به همبازی دیگرشان، ری الن پاس داد.
08:50
He sank a three. It went into overtime.
175
518059
1919
او سه امتیاز گرفت. بازی به وقت اضافی
کشیده شد.
کشیده شد.
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
آنها بازی را بردند و قهرمان فصل شدند.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
یکی از هیجان انگیز ترین بازیهای بسکتبال
بود.
بود.
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
و توانایی ما در دانستن احتمال پرتاب
برای هر بازیکن
برای هر بازیکن
09:00
at every second,
179
528891
1188
در هر لحظه از بازی،
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
و احتمال ریباند گرفتن آنها در طول بازی
09:05
can illuminate this moment in a way
that we never could before.
that we never could before.
181
533083
3443
میتواند این اتفاق را بهتر از هر وقت دیگری
روشن کند.
روشن کند.
09:09
Now unfortunately,
I can't show you that video.
I can't show you that video.
182
537618
2668
الان متاسفانه، نمیتوانم آن تصویر را
به شما نشان دهم.
به شما نشان دهم.
09:12
But for you, we recreated that moment
183
540310
4493
اما به خاطر شما، ما این لحظه را
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
در بازیهای هفتگی بسکتبال خودمان
بازسازی کردیم.
بازسازی کردیم.
09:19
(Laughter)
185
547279
2167
(خنده)
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
و حرکات را دنبال کردیم تا همه چیز
روشن شود.
روشن شود.
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
خوب، این ماییم. اینجا محله چینیها
در لسانجلس است،
در لسانجلس است،
09:29
a park we play at every week,
188
557478
1564
پارکی ما هر هفته در آن بازی میکنیم.
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
و اینها ما هستیم که داریم لحظه پرتاب
ری الن را
ری الن را
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
با تمام ردیابیهای مربوط به آن
بازسازی میکنیم.
بازسازی میکنیم.
09:36
So, here's the shot.
191
564772
1517
و حالا پرتاب.
09:38
I'm going to show you that moment
192
566313
2516
من میخواهم آن لحظه را با تمام بینش
09:40
and all the insights of that moment.
193
568853
2587
مربوط به آن . به شما نشان دهم.
09:43
The only difference is, instead
of the professional players, it's us,
of the professional players, it's us,
194
571464
3730
تنها تفاوت اینجاست که به جای بازیکنان
حرفهای، ما بازی میکنیم،
حرفهای، ما بازی میکنیم،
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
و به جای یک گزارشگر حرفهای،
من گزارش میکنم.
من گزارش میکنم.
09:49
So, bear with me.
196
577860
1477
پس با من باشید.
09:53
Miami.
197
581153
1150
میامی.
09:54
Down three.
198
582671
1150
سه امتیاز کمتر دارند.
09:56
Twenty seconds left.
199
584107
1150
تنها بیست ثانیه تا پایان بازی.
09:59
Jeff brings up the ball.
200
587385
1198
جف توپ رو میگیره.
10:02
Josh catches, puts up a three!
201
590656
1535
پاس میده به جاش، جاش یه سه امتیازی
پرتاب میکنه!
پرتاب میکنه!
10:04
[Calculating shot probability]
202
592631
1849
[محاسبه احتمال پرتاب]
10:07
[Shot quality]
203
595278
1150
[کیفیت پرتاب]
10:09
[Rebound probability]
204
597048
1785
[احتمال ریباند]
10:12
Won't go!
205
600373
1173
و گل نمیشه!
10:13
[Rebound probability]
206
601570
1446
[احتمال ریباند]
10:15
Rebound, Noel.
207
603777
1256
نویل ریباند میکنه.
10:17
Back to Daria.
208
605057
1150
به عقب پاس میده به داریا.
10:18
[Shot quality]
209
606509
3365
[کیفیت پرتاب]
10:22
Her three-pointer -- bang!
210
610676
1620
و این هم از سه امتیازی، گل میشه!
10:24
Tie game with five seconds left.
211
612320
2197
پنج ثانیه از بازی مانده و مساوی میکنند.
10:26
The crowd goes wild.
212
614880
1618
تماشاچیها غوغا به پا میکنند.
10:28
(Laughter)
213
616522
1659
(خنده)
10:30
That's roughly how it happened.
214
618205
1547
این تقریبا اتفاقی بود که افتاد.
10:31
(Applause)
215
619776
1151
(تشویق)
10:32
Roughly.
216
620951
1175
تقریبا.
10:34
(Applause)
217
622150
1531
(تشویق)
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
احتمال وقوع این لحظه در NBA نه درصد بود.
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
و ما این را و خیلی چیزهای خوب دیگر را
میدانیم.
میدانیم.
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
به شما نخواهم گفت چند بار تلاش کردیم
تا این اتفاق بیافتد.
تا این اتفاق بیافتد.
10:47
(Laughter)
221
635429
1747
(خنده)
10:49
Okay, I will! It was four.
222
637200
1872
خیلی خوب، میگم! چهار بار.
10:51
(Laughter)
223
639096
1001
(خنده)
10:52
Way to go, Daria.
224
640121
1165
راه درازی در پیش داری داریا.
10:53
But the important thing about that video
225
641647
4263
اما نکته مهم درباره این ویدیو
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
و بینشی که از هر لحظه بازیهای NBA به دست
آوردهایم -- این نیست.
آوردهایم -- این نیست.
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
این است که لازم نیست شما یک تیم حرفهای
باشید تا بتوانید حرکات را ردیابی کنید.
باشید تا بتوانید حرکات را ردیابی کنید.
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
حتی لازم نیست یک بازیکن حرفهای باشید تا
حرکات را درک کنید.
حرکات را درک کنید.
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
در واقع، اصلا نیازی نیست که فقط درباره
ورزش باشد، چون ما همه جا در حال حرکتیم.
ورزش باشد، چون ما همه جا در حال حرکتیم.
11:15
We're moving in our homes,
230
663654
2369
در خانهمان حرکت میکنیم.
11:21
in our offices,
231
669428
1205
در دفترهایمان،
11:24
as we shop and we travel
232
672238
2690
زمانی که به خرید یا مسافرت میرویم
11:29
throughout our cities
233
677318
1253
در شهرها
11:32
and around our world.
234
680065
1618
و سراسر دنیا.
11:35
What will we know? What will we learn?
235
683270
2295
چه چیزی را متوجه میشویم؟
چه چیزی یاد میگیریم؟
چه چیزی یاد میگیریم؟
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
شاید به جای تشخیص سد کردن و چرخش،
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
یک ماشین بتواند لحظه را بیابد و به من
اطلاع دهد
اطلاع دهد
11:42
when my daughter takes her first steps.
238
690952
2059
که دخترم کی اولین قدمش را بر خواهد داشت.
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
که در واقع ممکن است همین الان باشد.
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
شاید بتوانیم یاد بگیریم که از ساختمانها
بهتر استفاده کنیم، شهرها را بهتر بسازیم.
بهتر استفاده کنیم، شهرها را بهتر بسازیم.
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
من باور دارم که با توسعه دانش نقطهها،
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
ما بهتر حرکت خواهیم کرد، هوشمندانه تر
عمل میکنیم و پیشرفت خواهیم کرد.
عمل میکنیم و پیشرفت خواهیم کرد.
12:00
Thank you very much.
243
708607
1189
بسیار سپاسگزارم.
12:01
(Applause)
244
709820
5045
(تشویق)
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