ABOUT THE SPEAKER
Rajiv Maheswaran - Researcher
Using 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.

More profile about the speaker
Rajiv Maheswaran | Speaker | TED.com
TED2015

Rajiv Maheswaran: The math behind basketball's wildest moves

راجیو مهسواران: ریاضیات مربوط به پیچیده ترین حرکت‎های بسکتبال

Filmed:
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.
- Researcher
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 colleaguesهمکاران and I are fascinatedمجذوب
by the scienceعلوم پایه of movingدر حال حرکت dotsنقطه ها.
0
954
3583
من و همکارانم مجذوب دانش نقطه‎ها هستیم.
00:16
So what are these dotsنقطه ها?
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 movingدر حال حرکت in our homesخانه ها,
in our officesدفاتر, as we shopفروشگاه and travelمسافرت رفتن
3
7412
5085
و ما در خانه‎ها و دفترهایمان، و هنگامی که
به خرید یا مسافرت می‎رویم،
درون شهرهایمان و سراسر دنیا، در حال
حرکت هستیم.
00:24
throughoutدر سراسر our citiesشهرها
and around the worldجهان.
4
12521
2066
00:26
And wouldn'tنمی خواهم it be great
if we could understandفهمیدن all this movementجنبش?
5
14958
3669
و خوب نبود اگر می‎توانستیم همه این
حرکات را درک کنیم؟
00:30
If we could find patternsالگوها and meaningبه معنی
and insightبینش، بصیرت، درون بینی in it.
6
18918
2890
و می‎توانستیم الگو و معنا و مفهوم درون
آنها را بفهمیم.
و خوشبختانه، ما در زمانی زندگی می‎کنیم
00:34
And luckilyخوشبختانه for us, we liveزنده in a time
7
22259
1785
00:36
where we're incrediblyطور باور نکردنی good
at capturingضبط informationاطلاعات about ourselvesخودمان.
8
24068
4497
که به شکل غیر قابل باوری در جمع‎آوری
اطلاعات درباره خودمان پیشرفت کرده‎ایم.
00:40
So whetherچه it's throughاز طریق
sensorsسنسورها or videosفیلم های, or appsبرنامه ها,
9
28807
3663
پس چه از طریق حسگرها یا فیلم‎ها یا
نرم افزارها،
می‎توانیم با جزییات بسیار دقیق، حرکات
خودمان را دنبال کنیم.
00:44
we can trackمسیر our movementجنبش
with incrediblyطور باور نکردنی fine detailجزئیات.
10
32494
2809
و به نظر می‎رسد که یکی از جاهایی که ما
بهترین داده‎ها را درباره حرکت داریم
00:48
So it turnsچرخش out one of the placesمکان ها
where we have the bestبهترین dataداده ها about movementجنبش
11
36092
5032
00:53
is sportsورزش ها.
12
41148
1208
در ورزش است.
پس چه بسکتبال باشد یا بیس بال یا فوتبال
و یا اون یکی فوتبال،
00:54
So whetherچه it's basketballبسکتبال or baseballبیسبال,
or footballفوتبال or the other footballفوتبال,
13
42682
5333
در حال نصب تجهیزات در ورزشگاهها و روی
بازیکنان هستیم
01:00
we're instrumentingابزار دقیق our stadiumsاستادیوم ها
and our playersبازیکنان to trackمسیر theirخودشان movementsحرکات
14
48039
4402
تا بتوانیم در کسری از ثانیه، حرکات
آنها را دنبال کنیم.
01:04
everyهرکدام fractionکسر of a secondدومین.
15
52465
1313
01:05
So what we're doing
is turningچرخش our athletesورزشکاران into --
16
53802
4382
پس کاری که ما می‎کنیم، تبدیل ورزشکاران--
همانطور که حدس می‎زنید--
01:10
you probablyشاید guessedحدس زده it --
17
58208
1959
به نقطه‎های متحرک است.
01:12
movingدر حال حرکت dotsنقطه ها.
18
60191
1396
پس ما کوهی از نقاط متحرک داریم،
و مانند سایر داده‎های خام،
01:13
So we'veما هستیم got mountainsکوه ها of movingدر حال حرکت dotsنقطه ها
and like mostاکثر rawخام dataداده ها,
19
61946
4934
01:18
it's hardسخت to dealمعامله with
and not that interestingجالب هست.
20
66904
2502
کار با آنها سخت و طاقت فرسا است.
اما چیزهایی هست که به طور مثال،
مربیان بسکتبال می‎خواهند بدانند.
01:21
But there are things that, for exampleمثال,
basketballبسکتبال coachesمربیان want to know.
21
69430
3769
و مشکل اینجا است که نمی‎توانند متوجه آنها
شوند، چون برای این کار آنها باید
01:25
And the problemمسئله is they can't know them
because they'dآنها می خواهند have to watch everyهرکدام secondدومین
22
73223
3810
هرثانیه از هر بازی را ببینند، به خاطر
بسپارند و پردازش کنند.
01:29
of everyهرکدام gameبازی, rememberیاد آوردن it and processروند it.
23
77057
2589
و یک انسان قادر به انجام آن نیست،
01:31
And a personفرد can't do that,
24
79804
1930
اما یک ماشین می‎تواند.
01:33
but a machineدستگاه can.
25
81758
1310
مشکل اینجا است که ماشین‎ها نمی‎توانند
بازی را از چشم یک مربی ببینند.
01:35
The problemمسئله is a machineدستگاه can't see
the gameبازی with the eyeچشم of a coachمربی.
26
83661
3410
01:39
At leastکمترین they couldn'tنمی توانستم untilتا زمان now.
27
87363
2261
حداقل تا کنون نمی‎توانستند.
01:42
So what have we taughtتدریس کرد the machineدستگاه to see?
28
90228
2103
پس ما به ماشین، دیدن چه چیزی را آموختیم؟
خوب، ما به سادگی شروع کردیم.
01:45
So, we startedآغاز شده simplyبه سادگی.
29
93569
1787
01:47
We taughtتدریس کرد it things like passesعبور می کند,
shotsعکس ها and reboundsrebounds.
30
95380
3799
چیزهایی مانند پاس، شوت و ریباند را به آن
یاد دادیم.
چیزهایی که اکثر طرفداران معمولی می‎دانند.
01:51
Things that mostاکثر casualگاه به گاه fansطرفداران would know.
31
99203
2541
و بعد از آن به مسائل کمی پیچیده‎تر رسیدیم.
01:53
And then we movedنقل مکان کرد on to things
slightlyکمی more complicatedبغرنج.
32
101768
2832
مسائلی مانند حالت پشت به حلقه،
سد کردن و چرخش و ایزوله
کردن.
01:56
Eventsمناسبت ها like post-upsپس از یو پی اس,
and pick-and-rollsانتخاب و رول, and isolationsانزوا.
33
104624
4588
02:01
And if you don't know them, that's okay.
Mostاکثر casualگاه به گاه playersبازیکنان probablyشاید do.
34
109377
3543
و اگر با آنها آشنایی ندارید، اشکالی ندارد.
بیشتر بازیکنان آنها را می‎شناسند.
اکنون، به نقطه‎ای رسیده‎ایم که ماشینها
اکثر حرکات پیچیده را درک می‎کنند.
02:05
Now, we'veما هستیم gottenدریافت کردم to a pointنقطه where todayامروز,
the machineدستگاه understandsدرک می کند complexپیچیده eventsمناسبت ها
35
113560
5340
02:10
like down screensصفحه نمایش and wideوسیع pinsپین ها.
36
118924
3073
مانند نمایش پایین و پینهای گسترده.
اساسا مسایلی که تنها حرفه‎ای ها با آن
آشنایی دارند.
02:14
Basicallyاساسا things only professionalsحرفه ای ها know.
37
122021
2726
02:16
So we have taughtتدریس کرد a machineدستگاه to see
with the eyesچشم ها of a coachمربی.
38
124771
4388
پس ما به ماشین آموختیم که با چشم‎های مربی
بازی را ببیند.
02:22
So how have we been ableتوانایی 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،
02:24
If I askedپرسید: a coachمربی to describeتوصیف کردن
something like a pick-and-rollانتخاب و رول,
40
132511
3118
توصیفی را ارائه خواهد داد،
02:27
they would give me a descriptionشرح,
41
135653
1640
و اگر من بخواهم آن را به شکل الگوریتم
دربیاورم، افتضاح خواهد بود
02:29
and if I encodedکدگذاری شده that as an algorithmالگوریتم,
it would be terribleوحشتناک.
42
137317
2856
02:33
The pick-and-rollانتخاب و رول happensاتفاق می افتد to be this danceرقص
in basketballبسکتبال betweenبین fourچهار playersبازیکنان,
43
141026
4278
از قضا، سد کردن و چرخش نوعی رقص بین چهار
بازیکن است،
02:37
two on offenseتوهین and two on defenseدفاع.
44
145328
1912
دو نفر در دفاع و دو نفر در حمله.
02:39
And here'sاینجاست kindنوع of how it goesمی رود.
45
147486
1618
و این تقریبا اتفاقی است که می‎افتد.
02:41
So there's the guy on offenseتوهین
withoutبدون the ballتوپ
46
149128
2533
خوب بازیکن حمله بدون توپ اینجاست
02:43
the ballتوپ and he goesمی رود nextبعد to the guy
guardingامنیت the guy with the ballتوپ,
47
151685
3209
و به پشت بازیکن مدافع حامل توپ
حرکت می‎کند،
و آنجا می‎ایستد
02:46
and he kindنوع of staysباقی می ماند there
48
154918
1257
و بعد هردو حرکت می‎کنند و خلاصه،
این یک حرکت سد کردن و چرخش است.
02:48
and they bothهر دو moveحرکت and stuffچیز happensاتفاق می افتد,
and ta-daتا-دا, it's a pick-and-rollانتخاب و رول.
49
156199
3317
02:51
(Laughterخنده)
50
159540
2215
(خنده)
02:53
So that is alsoهمچنین an exampleمثال
of a terribleوحشتناک algorithmالگوریتم.
51
161779
2508
همچنین این نمونه‎ای از یک الگوریتم
افتضاح است.
02:56
So, if the playerبازیکن who'sچه کسی است the interfererتداخل --
he's calledبه نام the screenerترسناک --
52
164913
4204
پس، اگر بازیکن مداخله‎گر--
به او غربالگر می‎گویند--
03:01
goesمی رود closeبستن by, but he doesn't stop,
53
169278
2872
نزدیک شده و به حرکت ادامه بدهد،
03:04
it's probablyشاید not a pick-and-rollانتخاب و رول.
54
172174
1765
دیگر احتمالا سد کردن وچرخش نخواهد بود.
03:06
Or if he does stop,
but he doesn't stop closeبستن enoughکافی,
55
174560
3945
یا اگر بایستد ولی به اندازه کافی
نزدیک نباشد،
03:10
it's probablyشاید not a pick-and-rollانتخاب و رول.
56
178529
1761
احتمالا سد کردن و چرخش نیست.
03:12
Or, if he does go closeبستن by
and he does stop
57
180642
3237
یا اگر نزدیک باشد و جای درستی بایستد
03:15
but they do it underزیر the basketسبد,
it's probablyشاید not a pick-and-rollانتخاب و رول.
58
183903
3324
اما این کار را زیر سبد انجام دهند، احتمالا
سد کردن و چرخش نیست.
03:19
Or I could be wrongاشتباه,
they could all be pick-and-rollsانتخاب و رول.
59
187462
2524
یا ممکن است من اشتباه کنم و همه آنها
سد کردن و چرخش باشند.
03:22
It really dependsبستگی دارد on the exactدقیق timingزمان سنجی,
the distancesفاصله ها, the locationsمکان ها,
60
190010
4568
در واقع همه چیز به زمانبندی دقیق، فاصله
و جایگیری بستگی دارد،
03:26
and that's what makesباعث می شود it hardسخت.
61
194602
1495
و همین کار را سخت می‎کند.
03:28
So, luckilyخوشبختانه, with machineدستگاه learningیادگیری,
we can go beyondفراتر our ownخودت abilityتوانایی
62
196579
4944
ولی، خوشبختانه، با فراگیری ماشین،
برای توصیف چیزهایی که می‎دانیم
03:33
to describeتوصیف کردن the things we know.
63
201547
1743
می‎توانیم ورای توانایی خود عمل کنیم.
03:35
So how does this work?
Well, it's by exampleمثال.
64
203314
2280
خوب، این چطور کار می‎کند،
03:37
So we go to the machineدستگاه and say,
"Good morningصبح, machineدستگاه.
65
205759
2830
خوب ما سراغ ماشین می‎رویم و به او می‎گوییم
"صبح به خیر ماشین.
03:41
Here are some pick-and-rollsانتخاب و رول,
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.
03:44
Please find a way to tell the differenceتفاوت."
67
212720
2252
لطفا راهی برای تشخیصشان از هم پیدا کن."
03:47
And the keyکلیدی to all of this is to find
featuresامکانات that enableفعال کردن it to separateجداگانه.
68
215076
3707
و کلید انجام این کار پیداکردن امکاناتی است
که جداسازی را ممکن کنند.
03:50
So if I was going
to teachتدریس کنید it the differenceتفاوت
69
218807
2109
خوب اگر من می‎خواستم تفاوت سیب و پرتقال را
03:52
betweenبین an appleسیب and orangeنارنجی,
70
220940
1381
به آن یاد بدهم
03:54
I mightممکن say, "Why don't you
use colorرنگ or shapeشکل?"
71
222345
2375
احتمالا می‎گویم، "چرا از رنگ یا شکل آنها
استفاده نمی‎کنی؟"
03:56
And the problemمسئله that we're solvingحل کردن is,
what are those things?
72
224744
2943
و مسئله‎ای که باید حل کنیم این است که
آنها چیستند؟
03:59
What are the keyکلیدی featuresامکانات
73
227711
1247
امکانات کلیدی که به کامپیوتر امکان بررسی
04:00
that let a computerکامپیوتر navigateحرکت کن
the worldجهان of movingدر حال حرکت dotsنقطه ها?
74
228982
3499
دنیای نقطه‎های متحرک را می‎دهند، چه هستند؟
04:04
So figuringبدانید out all these relationshipsروابط
with relativeنسبت فامیلی and absoluteمطلق locationمحل,
75
232505
4823
پس با پیدا کردن تمام این روابط میان مکان
مطلق و نسبی،
04:09
distanceفاصله, timingزمان سنجی, velocitiesسرعت --
76
237352
1909
فاصله، زمانبندی و سرعت--
04:11
that's really the keyکلیدی to the scienceعلوم پایه
of movingدر حال حرکت dotsنقطه ها, or as we like to call it,
77
239440
4928
این کلید واقعی ورود به دانش نقاط متحرک است
یا آنطور که ما می‎گوییم،
04:16
spatiotemporalفاصله زمانی patternالگو recognitionبه رسمیت شناختن,
in academicعلمی vernacularبومی.
78
244392
3344
تشخیص الگوی مکانی زمانی در
محیط دانشگاهی.
04:19
Because the first thing is,
you have to make it soundصدا hardسخت --
79
247925
2898
چون در وهله اول باید کاری کنیم که سخت
به نظر بیاید--
04:22
because it is.
80
250847
1278
چو در واقع هست.
04:24
The keyکلیدی thing is, for NBANBA coachesمربیان,
it's not that they want to know
81
252410
3141
نکته کلیدی برای مربیان بسکتبال این نیست
که بدانند
04:27
whetherچه a pick-and-rollانتخاب و رول happenedاتفاق افتاد or not.
82
255575
1922
سد کردن و چرخش اتفاق افتاد یا نه.
04:29
It's that they want to know
how it happenedاتفاق افتاد.
83
257521
2076
بلکه آنها می‎خواهند نحوه انجام
آن را بدانند.
04:31
And why is it so importantمهم to them?
So here'sاینجاست a little insightبینش، بصیرت، درون بینی.
84
259621
2986
و چرا این مسئله این قدر برای آنها مهم است؟
خوب این هم یک دلیل کوچک.
04:34
It turnsچرخش out in modernمدرن basketballبسکتبال,
85
262631
1771
این طور به نظر می‎رسد که در بسکتبال مدرن
04:36
this pick-and-rollانتخاب و رول is perhapsشاید
the mostاکثر importantمهم playبازی.
86
264426
2539
این سد کردن و چرخش مهمترین حرکت بازی است.
04:39
And knowingدانستن how to runاجرا کن it,
and knowingدانستن how to defendدفاع it,
87
267065
2620
و اینکه چگونه آن را انجام دهیم،
و چگونه در برابر آن دفاع کنیم،
04:41
is basicallyاساسا a keyکلیدی to winningبرنده شدن
and losingاز دست دادن mostاکثر gamesبازی ها.
88
269709
2670
در واقع کلید برد یا باخت در
اکثر بازی‎ها است.
04:44
So it turnsچرخش out that this danceرقص
has a great manyبسیاری variationsتغییرات
89
272403
3801
خوب متوجه شدیم که این رقص گونه‎های بسیار
متفاوتی دارد
04:48
and identifyingشناسایی the variationsتغییرات
is really the thing that mattersمسائل,
90
276228
3648
و در واقع نکته مهم، شناسایی این
گونه‎ها است،
04:51
and that's why we need this
to be really, really good.
91
279900
2529
و به این دلیل است که این الگوریتم باید
خیلی خیلی خوب عمل کند.
04:55
So, here'sاینجاست an exampleمثال.
92
283228
1176
خوب، یک مثال.
04:56
There are two offensiveتوهین آمیز
and two defensiveدفاعی playersبازیکنان,
93
284428
2379
دو بازیکن حمله و دو بازیکن دفاع داریم،
04:58
gettingگرفتن readyآماده to do
the pick-and-rollانتخاب و رول danceرقص.
94
286831
2152
که برای انجام حرکت سد کردن و چرخش
آماده می‎شوند.
05:01
So the guy with ballتوپ
can eitherیا take, or he can rejectرد کنید.
95
289007
2683
خوب بازیکن حامل توپ می‎تواند بگیرد،
و یا رد کند.
05:04
His teammateهم تیمی can eitherیا rollرول or popپاپ.
96
292086
3001
همبازی او می‎تواند بچرخد یا بزند.
05:07
The guy guardingامنیت the ballتوپ
can eitherیا go over or underزیر.
97
295111
2986
بازیکن مدافع توپ می‎تواند جلو یا عقب برود.
05:10
His teammateهم تیمی can eitherیا showنشان بده
or playبازی up to touchدست زدن به, or playبازی softنرم
98
298121
4565
هم تیمی او می‎تواند نمایش بدهد یا دفاع کند
و بازی آرام انجام دهد.
05:14
and togetherبا یکدیگر they can
eitherیا switchسوئیچ or blitzرعد و برق
99
302710
2618
و آنها با هم کی‎توانند جابجا شوند یا حمله
کنند
05:17
and I didn't know
mostاکثر of these things when I startedآغاز شده
100
305352
2659
و زمانی که شروع کردم، من بیشتر این چیزها
را نمی‎دانستم
05:20
and it would be lovelyدوست داشتني if everybodyهمه movedنقل مکان کرد
accordingبا توجه to those arrowsفلش ها.
101
308035
3920
و بسیار خوب می‎شد اگر همه بر اساس آن
پیکان‎ها حرکت می‎کردند.
05:23
It would make our livesزندگی می کند a lot easierآسان تر,
but it turnsچرخش out movementجنبش is very messyبی نظم.
102
311979
3905
در آن صورت زندگی بسیار آسان‎تر بود، اما
این طور که پیداست حرکات بسیار بی‎نظم هستند
05:28
People wiggleتکان دادن a lot and gettingگرفتن
these variationsتغییرات identifiedشناخته شده است
103
316047
5484
بازیکن‎ها خیلی وول می‎خورند و تایید این
تغییرات
05:33
with very highبالا accuracyدقت,
104
321555
1303
با دقت بسیار بالا
05:34
bothهر دو in precisionدقت and recallبه خاطر آوردن, is toughسخت است
105
322882
1868
و با جامعیت و صراحت، بسیار دشوار است.
05:36
because that's what it takes to get
a professionalحرفه ای coachمربی to believe in you.
106
324774
3618
زیرا این تنها راهی است که می‎توان اعتماد
یک مربی حرفه‎ای را جلب کرد.
05:40
And despiteبا وجود all the difficultiesمشکلات
with the right spatiotemporalفاصله زمانی featuresامکانات
107
328416
3380
و با وجود تمام مشکلات در تحلیل صحیح
الگوهای مکانی زمانی
05:43
we have been ableتوانایی to do that.
108
331820
1474
ما توانستیم آن را به انجام برسانیم.
05:45
Coachesمربیان trustاعتماد our abilityتوانایی of our machineدستگاه
to identifyشناسایی these variationsتغییرات.
109
333318
3927
مربی‎ها به توانایی ما و ماشین‎هایمان در
تشخیص این گونه‎ها اعتماد دارند.
05:49
We're at the pointنقطه where
almostتقریبا everyهرکدام singleتنها contenderمتقاعد کننده
110
337478
3533
و اکنون در جایگاهی هستیم که امسال
05:53
for an NBANBA championshipقهرمانی this yearسال
111
341035
1623
تمام مدعیان قهرمانی NBA
05:54
is usingاستفاده كردن our softwareنرم افزار, whichکه is builtساخته شده
on a machineدستگاه that understandsدرک می کند
112
342682
4408
از نر‎م افزار ما استفاده می‎کنند، که بر
ماشینی نصب شده
05:59
the movingدر حال حرکت dotsنقطه ها of basketballبسکتبال.
113
347114
1634
که حرکات نقاط متحرک بسکتبال را درک می‎کند.
06:01
So not only that, we have givenداده شده adviceمشاوره
that has changedتغییر کرد strategiesاستراتژی ها
114
349872
5153
و نه تنها این، بلکه ما پیشنهادهایی ارائه
داده‎ایم که استراتژی‎ها را عوض کرده
06:07
that have helpedکمک کرد teamsتیم ها winپیروزی
very importantمهم gamesبازی ها,
115
355049
3352
و به تیم‎ها در بردن بازیهای بسیار مهم
کمک کرده است،
06:10
and it's very excitingهیجان انگیز because you have
coachesمربیان who'veچه کسی been in the leagueلیگ
116
358425
3732
و این خیلی جالب است چون مربیانی هستند که
به مدت
06:14
for 30 yearsسالها that are willingمایلم to take
adviceمشاوره from a machineدستگاه.
117
362181
3067
۳۰ سال در لیگ بوده‎اند اما از یک ماشین
کمک می‎گیرند.
06:17
And it's very excitingهیجان انگیز,
it's much more than the pick-and-rollانتخاب و رول.
118
365874
2906
و این مسئله بسیار هیجان انگیز است،
این بسیار ببیشتر از تشخیص پیک و چرخش است.
06:20
Our computerکامپیوتر startedآغاز شده out
with simpleساده things
119
368804
2076
کامپیوتر ما از مسائل ساده شروع کرد
06:22
and learnedیاد گرفتم more and more complexپیچیده things
120
370904
2064
و به تدریج چیزهای پیچیده تری را یاد گرفت
06:24
and now it knowsمی داند so manyبسیاری things.
121
372992
1561
و اکنون چیزهای خیلی زیادی می‎داند.
06:26
Franklyصادقانه بگویم, I don't understandفهمیدن
much of what it does,
122
374577
2835
در حقیقت، من بیشتر کارهای او را متوجه
نمی‎شوم،
06:29
and while it's not that specialویژه
to be smarterهوشمندانه than me,
123
377436
3715
و از آنجا که به اندازه‎ای خاص نیست که
از من باهوش‎تر باشد،
06:33
we were wonderingتعجب کردم,
can a machineدستگاه know more than a coachمربی?
124
381175
3644
این سوال برایمان مطرح شد، که آیا یک ماشین
می‎تواند بیش از یک مربی بداند؟
06:36
Can it know more than personفرد could know?
125
384843
2055
آیا می‎تواند بیش از توانایی انسان بداند؟
06:38
And it turnsچرخش out the answerپاسخ is yes.
126
386922
1745
و مشخص شد که جواب مثبت است.
06:40
The coachesمربیان want playersبازیکنان
to take good shotsعکس ها.
127
388691
2557
مربیان از بازیکنان می‎خواهند که
ضربات خوبی به دست بیاورند.
06:43
So if I'm standingایستاده nearنزدیک the basketسبد
128
391272
1651
پس اگر من زیر سبد باشم
06:44
and there's nobodyهيچ كس nearنزدیک me,
it's a good shotشات.
129
392947
2166
و کسی دور و بر من نباشد، این
یک ضربه خوب است.
06:47
If I'm standingایستاده farدور away surroundedاحاطه شده
by defendersمدافعان, that's generallyبطور کلی a badبد shotشات.
130
395137
3940
اگر از سبد دور باشم و مدافعین اطراف من
باشند، معمولا این یک ضربه بد است.
06:51
But we never knewمی دانست how good "good" was,
or how badبد "badبد" was quantitativelyکمی.
131
399101
4876
اما هیچ گاه نمی‎دانیم که "خوب" چه اندازه
خوب است، یا "بد"چه اندازه بد است.
06:56
Untilتا زمان now.
132
404209
1150
تا امروز.
06:57
So what we can do, again,
usingاستفاده كردن spatiotemporalفاصله زمانی featuresامکانات,
133
405771
3058
خوب، دوباره با استفاده از الگوی
مکانی زمانی، چه کار می‎توانیم بکنیم
07:00
we lookedنگاه کرد at everyهرکدام shotشات.
134
408853
1374
ما به تمام ضربات توجه کردیم.
07:02
We can see: Where is the shotشات?
What's the angleزاویه to the basketسبد?
135
410251
3005
می‎توانیم ببینیم: ضربه کجاست؟ در چه
زاویه‎ای نسبت به سبد قرار دارد؟
07:05
Where are the defendersمدافعان standingایستاده?
What are theirخودشان distancesفاصله ها?
136
413280
2762
مدافعین کجا هستند؟ فاصله آنها چقدر است؟
07:08
What are theirخودشان anglesزاویه?
137
416066
1331
در چه زاویه‎ای هستند؟
07:09
For multipleچندگانه defendersمدافعان, we can look
at how the player'sپخش کننده movingدر حال حرکت
138
417421
2977
در مورد چند مدافع، می‎توانیم به نحوه حرکت
آنها نگاه کنیم
07:12
and predictپیش بینی the shotشات typeتایپ کنید.
139
420422
1433
و نحوه پرتاب را پیش بینی کنیم.
07:13
We can look at all theirخودشان velocitiesسرعت
and we can buildساختن a modelمدل that predictsپیش بینی می کند
140
421879
4074
می‎توانیم سرعت حرکت تمام آنها را بررسی
کنیم و مدلی برای پیش بینی ارائه دهیم
07:17
what is the likelihoodاحتمال that this shotشات
would go in underزیر these circumstancesشرایط?
141
425977
4052
که احتمال گل شدن این پرتاب در این شرایط
چقدر است؟
07:22
So why is this importantمهم?
142
430188
1500
خوب، اهمیت این کار در چیست؟
07:24
We can take something that was shootingتیراندازی کردن,
143
432102
2803
می‎توانیم چیزی که پرتاب خوانده می‎شود
را درنظر بگیریم
07:26
whichکه was one thing before,
and turnدور زدن it into two things:
144
434929
2680
که قبل از این یک چیز بود، و به آن را
دو چیز مجزا تفکیک کنیم:
07:29
the qualityکیفیت of the shotشات
and the qualityکیفیت of the shooterتیرانداز.
145
437633
2651
کیفیت پرتاب و کیفیت پرتاب کننده.
07:33
So here'sاینجاست a bubbleحباب chartچارت سازمانی,
because what's TEDTED withoutبدون a bubbleحباب chartچارت سازمانی?
146
441680
3262
خوب این یک نمودار حبابی است،
چون TED بدون نمودار بی فایده است.
07:36
(Laughterخنده)
147
444966
1014
(خنده)
07:38
Those are NBANBA playersبازیکنان.
148
446004
1311
اینها بازیکنان NBA هستند.
07:39
The sizeاندازه is the sizeاندازه of the playerبازیکن
and the colorرنگ is the positionموقعیت.
149
447339
3120
اندازه، نشان دهنده ابعاد بازیکن و رنگ
نشان دهنده جایگاه او است.
07:42
On the x-axisمحور x,
we have the shotشات probabilityاحتمال.
150
450483
2132
در محور طولی احتمال گل شدن پرتاب را داریم.
07:44
People on the left take difficultدشوار shotsعکس ها,
151
452639
1953
افراد سمت چپ پرتاب‎های سختی می‎گیرند،
07:46
on the right, they take easyآسان shotsعکس ها.
152
454616
2229
در سمت راست، پرتاب‎های آسان.
07:49
On the [y-axisمحور Y] is theirخودشان shootingتیراندازی کردن abilityتوانایی.
153
457194
2057
بر روی محور عمودی توانایی پرتاب بازیکنان
قرار دارد.
07:51
People who are good are at the topبالا,
badبد at the bottomپایین.
154
459275
2562
بالا خوب‎ها و پایین ضعیف‎ترها قرار دارند.
07:53
So for exampleمثال, if there was a playerبازیکن
155
461861
1760
پس به عنوان مثال، اگر بازیکنی
07:55
who generallyبطور کلی madeساخته شده
47 percentدرصد of theirخودشان shotsعکس ها,
156
463621
2097
معمولا ۴۷ درصد از پرتابهای خود را
وارد سبد ‎کند،
07:57
that's all you knewمی دانست before.
157
465718
1389
این تنها چیزی بود که تا پیش از این
می‎دانستیم.
07:59
But todayامروز, I can tell you that playerبازیکن
takes shotsعکس ها that an averageمیانگین NBANBA playerبازیکن
158
467345
4850
اما امروز، من می‎توانم بگویم که این بازیکن
پرتابهایی به دست می‎آورد که یک بازیکن
08:04
would make 49 percentدرصد of the time,
159
472219
1961
متوسط NBA با احتمال ۴۹ درصدآن را
وارد سبد می‎کند،
08:06
and they are two percentدرصد worseبدتر.
160
474204
1684
و او دو درصد پایین‎تر است.
08:08
And the reasonدلیل that's importantمهم
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.
08:13
And so it's really importantمهم to know
162
481714
2549
و بسیار مهم است که بدانیم
08:16
if the 47 that you're consideringبا توجه به
givingدادن 100 millionمیلیون dollarsدلار to
163
484287
3956
که این ۴۷ درصدی که قرار است ۱۰۰ میلیون
دلار دستمزد بگیرد
08:20
is a good shooterتیرانداز who takes badبد shotsعکس ها
164
488267
3055
پرتاب کننده خوبی است که پرتابهای
ضعیفی می‎گیرد
08:23
or a badبد shooterتیرانداز who takes good shotsعکس ها.
165
491346
2397
یا پرتاب کننده بدی است که پرتابهای
خوبی می‎گیرد.
08:27
Machineدستگاه understandingدرك كردن doesn't just changeتغییر دادن
how we look at playersبازیکنان,
166
495130
3333
دانایی ماشین تنها نحوه نگاه ما به
بازیکنان را تغییر نمی‎دهد
08:30
it changesتغییرات how we look at the gameبازی.
167
498487
1858
بلکه نحوه نگاه ما به بازی را هم
عوض می‎کند.
08:32
So there was this very excitingهیجان انگیز gameبازی
a coupleزن و شوهر of yearsسالها agoپیش, in the NBANBA finalsنهایی.
168
500369
3755
مثلا، دو سال پیش یک بازی بسیار هیجان انگیز
در فینال NBA در جریان بود:
08:36
Miamiمیامی was down by threeسه,
there was 20 secondsثانیه left.
169
504148
3207
میامی سه امتیاز عقب بود و تنها 20 ثانیه
باقی مانده بود.
08:39
They were about to loseاز دست دادن the championshipقهرمانی.
170
507379
2025
آنها در حال از دست دادن قهرمانی بودند.
08:41
A gentlemanنجیب زاده namedتحت عنوان LeBronLeBron Jamesجیمز
cameآمد up and he tookگرفت a threeسه to tieکراوات.
171
509428
3341
یک آقای محترمی به نام لبران جیمز آمد و
یک سه امتیازی پرتاب کرد تا مساوی کنند.
08:44
He missedاز دست رفته.
172
512793
1198
پرتاب را از دست داد.
08:46
His teammateهم تیمی Chrisکریس Boshبوش got a reboundعقب نشینی,
173
514015
1837
همبازی او کریس باش ریباند کرد،
08:47
passedگذشت it to anotherیکی دیگر teammateهم تیمی
namedتحت عنوان Rayاشعه Allenآلن.
174
515876
2159
و به همبازی دیگرشان، ری الن پاس داد.
08:50
He sankغرق شدن a threeسه. It wentرفتی into overtimeاضافه کار.
175
518059
1919
او سه امتیاز گرفت. بازی به وقت اضافی
کشیده شد.
08:52
They wonبرنده شد the gameبازی.
They wonبرنده شد the championshipقهرمانی.
176
520002
2096
آنها بازی را بردند و قهرمان فصل شدند.
08:54
It was one of the mostاکثر excitingهیجان انگیز
gamesبازی ها in basketballبسکتبال.
177
522122
2444
یکی از هیجان انگیز ترین بازی‎های بسکتبال
بود.
08:57
And our abilityتوانایی to know
the shotشات probabilityاحتمال for everyهرکدام playerبازیکن
178
525438
3429
و توانایی ما در دانستن احتمال پرتاب
برای هر بازیکن
09:00
at everyهرکدام secondدومین,
179
528891
1188
در هر لحظه از بازی،
09:02
and the likelihoodاحتمال of them gettingگرفتن
a reboundعقب نشینی at everyهرکدام secondدومین
180
530103
2956
و احتمال ریباند گرفتن آنها در طول بازی
09:05
can illuminateروشن شدن this momentلحظه in a way
that we never could before.
181
533083
3443
می‎تواند این اتفاق را بهتر از هر وقت دیگری
روشن کند.
09:09
Now unfortunatelyمتاسفانه,
I can't showنشان بده you that videoویدئو.
182
537618
2668
الان متاسفانه، نمی‎توانم آن تصویر را
به شما نشان دهم.
09:12
But for you, we recreatedدوباره بازسازی شد that momentلحظه
183
540310
4493
اما به خاطر شما، ما این لحظه را
09:16
at our weeklyهفتگی basketballبسکتبال gameبازی
about 3 weeksهفته ها agoپیش.
184
544827
2336
در بازی‎های هفتگی بسکتبال خودمان
بازسازی کردیم.
09:19
(Laughterخنده)
185
547279
2167
(خنده)
09:21
And we recreatedدوباره بازسازی شد the trackingردیابی
that led to the insightsبینش.
186
549573
3410
و حرکات را دنبال کردیم تا همه چیز
روشن شود.
09:25
So, here is us.
This is Chinatownچینی شهر in Losلوس Angelesآنجلس,
187
553199
4255
خوب، این ماییم. اینجا محله چینی‎ها
در لس‎انجلس است،
09:29
a parkپارک we playبازی at everyهرکدام weekهفته,
188
557478
1564
پارکی ما هر هفته در آن بازی می‎کنیم.
09:31
and that's us recreatingبازسازی
the Rayاشعه Allenآلن momentلحظه
189
559066
2231
و اینها ما هستیم که داریم لحظه پرتاب
ری الن را
09:33
and all the trackingردیابی
that's associatedهمراه with it.
190
561321
2229
با تمام ردیابی‎های مربوط به آن
بازسازی می‎کنیم.
09:36
So, here'sاینجاست the shotشات.
191
564772
1517
و حالا پرتاب.
09:38
I'm going to showنشان بده you that momentلحظه
192
566313
2516
من می‎خواهم آن لحظه را با تمام بینش
09:40
and all the insightsبینش of that momentلحظه.
193
568853
2587
مربوط به آن . به شما نشان دهم.
09:43
The only differenceتفاوت is, insteadبجای
of the professionalحرفه ای playersبازیکنان, it's us,
194
571464
3730
تنها تفاوت اینجاست که به جای بازیکنان
حرفه‎ای، ما بازی می‎کنیم،
09:47
and insteadبجای of a professionalحرفه ای
announcerگوینده, it's me.
195
575218
2618
و به جای یک گزارشگر حرفه‎ای،
من گزارش می‎کنم.
09:49
So, bearخرس with me.
196
577860
1477
پس با من باشید.
09:53
Miamiمیامی.
197
581153
1150
میامی.
09:54
Down threeسه.
198
582671
1150
سه امتیاز کمتر دارند.
09:56
Twentyبیست secondsثانیه left.
199
584107
1150
تنها بیست ثانیه تا پایان بازی.
09:59
Jeffجف bringsبه ارمغان می آورد up the ballتوپ.
200
587385
1198
جف توپ رو میگیره.
10:02
Joshجاش catchesجلب می کند, putsقرار می دهد up a threeسه!
201
590656
1535
پاس میده به جاش، جاش یه سه امتیازی
پرتاب میکنه!
10:04
[Calculatingمحاسبه shotشات probabilityاحتمال]
202
592631
1849
[محاسبه احتمال پرتاب]
10:07
[Shotشات qualityکیفیت]
203
595278
1150
[کیفیت پرتاب]
10:09
[Reboundعقب نشینی probabilityاحتمال]
204
597048
1785
[احتمال ریباند]
10:12
Won'tنخواهد بود go!
205
600373
1173
و گل نمیشه!
10:13
[Reboundعقب نشینی probabilityاحتمال]
206
601570
1446
[احتمال ریباند]
10:15
Reboundعقب نشینی, Noelنوئل.
207
603777
1256
نویل ریباند می‎کنه.
10:17
Back to Dariaداریا.
208
605057
1150
به عقب پاس میده به داریا.
10:18
[Shotشات qualityکیفیت]
209
606509
3365
[کیفیت پرتاب]
10:22
Her three-pointerسه اشارهگر -- bangانفجار!
210
610676
1620
و این هم از سه امتیازی، گل میشه!
10:24
Tieگردن gameبازی with fiveپنج secondsثانیه left.
211
612320
2197
پنج ثانیه از بازی مانده و مساوی می‎کنند.
10:26
The crowdجمعیت goesمی رود wildوحشی.
212
614880
1618
تماشاچی‎ها غوغا به پا می‎کنند.
10:28
(Laughterخنده)
213
616522
1659
(خنده)
10:30
That's roughlyتقریبا how it happenedاتفاق افتاد.
214
618205
1547
این تقریبا اتفاقی بود که افتاد.
10:31
(Applauseتشویق و تمجید)
215
619776
1151
(تشویق)
10:32
Roughlyتقریبا.
216
620951
1175
تقریبا.
10:34
(Applauseتشویق و تمجید)
217
622150
1531
(تشویق)
10:36
That momentلحظه had about a nineنه percentدرصد
chanceشانس of happeningاتفاق می افتد in the NBANBA
218
624121
5484
احتمال وقوع این لحظه در NBA نه درصد بود.
10:41
and we know that
and a great manyبسیاری other things.
219
629629
2261
و ما این را و خیلی چیزهای خوب دیگر را
می‎دانیم.
10:43
I'm not going to tell you how manyبسیاری timesبار
it tookگرفت us to make that happenبه وقوع پیوستن.
220
631914
3491
به شما نخواهم گفت چند بار تلاش کردیم
تا این اتفاق بیافتد.
10:47
(Laughterخنده)
221
635429
1747
(خنده)
10:49
Okay, I will! It was fourچهار.
222
637200
1872
خیلی خوب، میگم! چهار بار.
10:51
(Laughterخنده)
223
639096
1001
(خنده)
10:52
Way to go, Dariaداریا.
224
640121
1165
راه درازی در پیش داری داریا.
10:53
But the importantمهم thing about that videoویدئو
225
641647
4263
اما نکته مهم درباره این ویدیو
10:57
and the insightsبینش we have for everyهرکدام secondدومین
of everyهرکدام NBANBA gameبازی -- it's not that.
226
645934
4568
و بینشی که از هر لحظه بازیهای NBA به دست
آورده‎ایم -- این نیست.
11:02
It's the factواقعیت you don't have to be
a professionalحرفه ای teamتیم to trackمسیر movementجنبش.
227
650639
3929
این است که لازم نیست شما یک تیم حرفه‎ای
باشید تا بتوانید حرکات را ردیابی کنید.
11:07
You do not have to be a professionalحرفه ای
playerبازیکن to get insightsبینش about movementجنبش.
228
655083
3657
حتی لازم نیست یک بازیکن حرفه‎ای باشید تا
حرکات را درک کنید.
11:10
In factواقعیت, it doesn't even have to be about
sportsورزش ها because we're movingدر حال حرکت everywhereدر همه جا.
229
658764
3858
در واقع، اصلا نیازی نیست که فقط درباره
ورزش باشد، چون ما همه جا در حال حرکتیم.
11:15
We're movingدر حال حرکت in our homesخانه ها,
230
663654
2369
در خانه‎مان حرکت می‎کنیم.
11:21
in our officesدفاتر,
231
669428
1205
در دفترهایمان،
11:24
as we shopفروشگاه and we travelمسافرت رفتن
232
672238
2690
زمانی که به خرید یا مسافرت می‎رویم
11:29
throughoutدر سراسر our citiesشهرها
233
677318
1253
در شهرها
11:32
and around our worldجهان.
234
680065
1618
و سراسر دنیا.
11:35
What will we know? What will we learnیاد گرفتن?
235
683270
2295
چه چیزی را متوجه می‎شویم؟
چه چیزی یاد می‎گیریم؟
11:37
Perhapsشاید, insteadبجای of identifyingشناسایی
pick-and-rollsانتخاب و رول,
236
685589
2305
شاید به جای تشخیص سد کردن و چرخش،
11:39
a machineدستگاه can identifyشناسایی
the momentلحظه and let me know
237
687918
3010
یک ماشین بتواند لحظه را بیابد و به من
اطلاع دهد
11:42
when my daughterفرزند دختر takes her first stepsمراحل.
238
690952
2059
که دخترم کی اولین قدمش را بر خواهد داشت.
11:45
Whichکدام could literallyعینا be happeningاتفاق می افتد
any secondدومین now.
239
693035
2536
که در واقع ممکن است همین الان باشد.
11:48
Perhapsشاید we can learnیاد گرفتن to better use
our buildingsساختمان ها, better planطرح our citiesشهرها.
240
696140
3697
شاید بتوانیم یاد بگیریم که از ساختمانها
بهتر استفاده کنیم، شهرها را بهتر بسازیم.
11:52
I believe that with the developmentتوسعه
of the scienceعلوم پایه of movingدر حال حرکت dotsنقطه ها,
241
700362
4173
من باور دارم که با توسعه دانش نقطه‎ها،
11:56
we will moveحرکت better, we will moveحرکت smarterهوشمندانه,
we will moveحرکت forwardرو به جلو.
242
704559
3643
ما بهتر حرکت خواهیم کرد، هوشمندانه تر
عمل می‎کنیم و پیشرفت خواهیم کرد.
12:00
Thank you very much.
243
708607
1189
بسیار سپاسگزارم.
12:01
(Applauseتشویق و تمجید)
244
709820
5045
(تشویق)
Translated by sadegh zabihi
Reviewed by Leila Ataei

▲Back to top

ABOUT THE SPEAKER
Rajiv Maheswaran - Researcher
Using 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.

More profile about the speaker
Rajiv Maheswaran | Speaker | TED.com