TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
Rajiv Maheswaran: Les maths derrière les mouvements fous du basket
Filmed:
Readability: 3.1
2,683,104 views
Le basket est un jeu rapide d'improvisation, de contact et de reconnaissance spatio-temporelle. Rajiv Maheswaran et ses collègues analysent les mouvements derrière les moments-clés des matchs, afin d'aider les entraineurs et les joueurs à combiner leur intuition avec de nouvelles données. Bonus : ce qu'ils apprennent pourrait nous aider à comprendre comment les hommes se déplacent en toutes circonstances.
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.
Mes collègues et moi sommes fascinés
par la science des « points mobiles ».
par la science des « points mobiles ».
00:12
My colleagues and I are fascinated
by the science of moving dots.
by the science of moving dots.
0
954
3583
Alors, c'est quoi ces points ?
00:16
So what are these dots?
1
4927
1150
00:18
Well, it's all of us.
2
6101
1287
Eh bien, c'est nous tous.
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
Nous nous déplaçons chez nous,
au bureau, au magasin, en voyage
au bureau, au magasin, en voyage
à travers les villes et
autour du monde.
autour du monde.
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
Ça ne serait pas génial si on pouvait
comprendre tous ces mouvements ?
comprendre tous ces mouvements ?
Si on pouvait trouver des schémas,
leur sens et mieux les comprendre ?
leur sens et mieux les comprendre ?
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
Nous avons la chance de vivre à une époque
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
où nous excellons à capturer
des informations sur nous-mêmes.
des informations sur nous-mêmes.
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
Donc que ce soit par des capteurs,
des vidéos ou des applications,
des vidéos ou des applications,
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
on peut suivre nos mouvements
d'une façon incroyablement détaillée.
d'une façon incroyablement détaillée.
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
En fait, un des secteurs dans lequel
nous avons les meilleures données
nous avons les meilleures données
sur le mouvement est le sport.
00:53
is sports.
12
41148
1208
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
Que ce soit le basket, le baseball,
le foot ou le football américain,
le foot ou le football américain,
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
nous équipons nos stades et nos joueurs
afin de suivre leurs mouvements
afin de suivre leurs mouvements
à chaque fraction de seconde.
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
En fait nous transformons
nos athlètes en –
nos athlètes en –
vous avez surement deviné,
01:10
you probably guessed it --
17
58208
1959
01:12
moving dots.
18
60191
1396
des points mobiles.
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
Nous avons donc des tonnes de points
mobiles ; comme toutes les données brutes,
mobiles ; comme toutes les données brutes,
c'est difficile à traiter
et pas vraiment intéressant.
et pas vraiment intéressant.
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
Mais il y a des choses que les entraîneurs
de basket, par exemple, veulent savoir.
de basket, par exemple, veulent savoir.
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
Le problème, c'est que pour les obtenir,
il faudrait qu'ils regardent
il faudrait qu'ils regardent
01:25
And the problem is they can't know them
because they'd have to watch every second
because they'd have to watch every second
22
73223
3810
01:29
of every game, remember it and process it.
23
77057
2589
chaque seconde de chaque match,
s'en rappellent et les analysent.
s'en rappellent et les analysent.
01:31
And a person can't do that,
24
79804
1930
Personne n'est capable de le faire,
01:33
but a machine can.
25
81758
1310
mais une machine le peut.
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
Le problème, c'est qu'elle ne peut
pas voir avec les yeux de l'entraîneur.
pas voir avec les yeux de l'entraîneur.
01:39
At least they couldn't until now.
27
87363
2261
Du moins pas jusqu'à maintenant.
01:42
So what have we taught the machine to see?
28
90228
2103
Alors qu'a-t-on appris
à la machine pour qu'elle voie ?
à la machine pour qu'elle voie ?
01:45
So, we started simply.
29
93569
1787
On a commencé simplement.
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
On lui a d'abord appris des choses comme
les passes, les tirs et les rebonds –
les passes, les tirs et les rebonds –
01:51
Things that most casual fans would know.
31
99203
2541
que la plupart des fans
devraient connaître.
devraient connaître.
Et puis on est passé à des choses
un peu plus compliquées.
un peu plus compliquées.
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
Des choses comme des post-ups,
des pick and rolls et des isolements.
des pick and rolls et des isolements.
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
Peut-être ne les connaissez-vous pas, mais
la plupart des joueurs les connaissent.
la plupart des joueurs les connaissent.
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
De nos jours, les machines comprennent
des événements complexes
des événements complexes
02:10
like down screens and wide pins.
36
118924
3073
comme orienter et poser des écrans.
02:14
Basically things only professionals know.
37
122021
2726
Des choses que seuls
les professionnels connaissent.
les professionnels connaissent.
Nous avons appris à une machine à voir
avec les yeux d'un entraîneur.
avec les yeux d'un entraîneur.
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
02:22
So how have we been able to do this?
39
130009
1857
Alors, comment y sommes-nous parvenus ?
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 je demandais à un entraîneur
de décrire un pick and roll,
de décrire un pick and roll,
ils me donneraient une description.
02:27
they would give me a description,
41
135653
1640
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
Et si je l'encodais en un algorithme,
ce serait très mauvais.
ce serait très mauvais.
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
Il se trouve que le pick and roll est
cette danse au basket entre 4 joueurs,
cette danse au basket entre 4 joueurs,
02:37
two on offense and two on defense.
44
145328
1912
deux à l'attaque et deux à la défense.
Et voilà à peu près comment ça se passe.
02:39
And here's kind of how it goes.
45
147486
1618
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
Du côté de l'attaque,
il y a ce type sans le ballon
il y a ce type sans le ballon
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
et il se met près du type qui
couvre le type qui a le ballon,
couvre le type qui a le ballon,
et il reste là
02:46
and he kind of stays there
48
154918
1257
et tous les deux bougent
et le jeu continue,
et le jeu continue,
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
et voilà : un pick and roll.
02:51
(Laughter)
50
159540
2215
(Rires)
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
C'est aussi un exemple
d'un très mauvais algorithme.
d'un très mauvais algorithme.
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
Donc si le joueur interférant,
celui qu'on appelle le garde--
celui qu'on appelle le garde--
03:01
goes close by, but he doesn't stop,
53
169278
2872
s'approche mais ne s'arrête pas,
03:04
it's probably not a pick-and-roll.
54
172174
1765
il ne s'agit sans doute pas
d'un pick and roll.
d'un pick and roll.
03:06
Or if he does stop,
but he doesn't stop close enough,
but he doesn't stop close enough,
55
174560
3945
Ou bien s'il s'arrête,
mais pas assez près,
mais pas assez près,
03:10
it's probably not a pick-and-roll.
56
178529
1761
il ne s'agit sûrement pas
d'un pick and roll.
d'un pick and roll.
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
Ou, s'il s'approche vraiment
et il s'arrête
et il s'arrête
mais ça se passe sous le panier,
ce n'est sans doute pas un pick and roll.
ce n'est sans doute pas un pick and roll.
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
Ou alors je me trompe
03:19
Or I could be wrong,
they could all be pick-and-rolls.
they could all be pick-and-rolls.
59
187462
2524
et tous ces exemples
sont des pick and roll.
sont des pick and roll.
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
Tout dépend du timing,
des distances et des emplacements,
des distances et des emplacements,
et c'est ça qui est difficile à apprécier.
03:26
and that's what makes it hard.
61
194602
1495
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
Mais heureusement, on peut apprendre
aux machines à décrire les choses
aux machines à décrire les choses
qu'on connaît, bien au-delà
de nos capacités.
de nos capacités.
03:33
to describe the things we know.
63
201547
1743
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
Alors comment ça marche ?
Eh bien, on utilise des exemples.
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
On va voir la machine et on lui dit :
« Bonjour, machine.
« Bonjour, machine.
Voila des exemples de pick and roll,
et voici des choses qui n'en sont pas.
et voici des choses qui n'en sont pas.
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
S'il te plaît, trouve un moyen
de faire la différence. »
de faire la différence. »
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
Il s'agit de trouver les caractéristiques
permettant la séparation.
permettant la séparation.
Alors pour lui enseigner
la différence
la différence
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
entre une pomme et une orange,
03:52
between an apple and orange,
70
220940
1381
pourquoi ne pas utiliser
les couleurs et les formes ?
les couleurs et les formes ?
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
Et le problème à résoudre c'est,
quelles sont ces choses ?
quelles sont ces choses ?
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
Quelles sont les caractéristiques
03:59
What are the key features
73
227711
1247
permettant à l'ordinateur de naviguer
04:00
that let a computer navigate
the world of moving dots?
the world of moving dots?
74
228982
3499
dans le monde des points mobiles ?
04:04
So figuring out all these relationships
with relative and absolute location,
with relative and absolute location,
75
232505
4823
Comprendre toutes ces relations
avec des positions relatives et absolues,
la distance, le temps, les vélocités –
04:09
distance, timing, velocities --
76
237352
1909
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
c'est vraiment le cœur de la science
des points mobiles,
des points mobiles,
ou bien, comme on l'appelle :
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
schéma spatio-temporel de reconnaissance
en langage académique.
en langage académique.
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
Parce que tout d'abord,
il faut que ça sonne compliqué.
il faut que ça sonne compliqué.
04:22
because it is.
80
250847
1278
Parce que ça l'est.
Mais, pour les entraîneurs,
le problème n'est pas de savoir
le problème n'est pas de savoir
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
s'il s'agit d'un pick and roll ou non.
04:27
whether a pick-and-roll happened or not.
82
255575
1922
Ils veulent savoir comment
le pick and roll a pu avoir lieu.
le pick and roll a pu avoir lieu.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
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
Et pourquoi c'est important
pour eux ? Je vous explique.
pour eux ? Je vous explique.
04:34
It turns out in modern basketball,
85
262631
1771
Il se trouve que
dans le basketball moderne,
dans le basketball moderne,
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
ce pick and roll est peut-être le type
de jeu le plus important.
de jeu le plus important.
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
Savoir comment l'initier
et en assurer sa défense,
et en assurer sa défense,
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
est ce qui détermine la plupart
des victoires et des défaites.
des victoires et des défaites.
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
Si bien que cette danse a beaucoup
de formes différentes
de formes différentes
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
et pouvoir identifier ces variations
est vraiment ce qui compte,
est vraiment ce qui compte,
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
et c'est pour ça qu'il faut que ce système
soit vraiment bon.
soit vraiment bon.
Un exemple :
04:55
So, here's an example.
92
283228
1176
2 joueurs en attaque,
2 en défense,
2 en défense,
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
prêts à interpréter la danse
du pick and roll.
du pick and roll.
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
Celui qui a le ballon peut
prendre ou laisser.
prendre ou laisser.
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
Son coéquipier peut se diriger vers une
zone de terrain libre ou poser un écran.
zone de terrain libre ou poser un écran.
05:04
His teammate can either roll or pop.
96
292086
3001
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
Celui qui défend le ballon peut passer
au dessus ou en dessous.
au dessus ou en dessous.
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
Son coéquipier peut se tenir à
distance ou jouer « soft »
distance ou jouer « soft »
et ensemble ils peuvent passer le ballon
ou détruire le pick and roll
ou détruire le pick and roll
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
et je ne connaissais pas tout ça
quand j'ai commencé.
quand j'ai commencé.
05:17
and I didn't know
most of these things when I started
most of these things when I started
100
305352
2659
Ça serait super si tout le monde
pouvait suivre les flêches.
pouvait suivre les flêches.
05:20
and it would be lovely if everybody moved
according to those arrows.
according to those arrows.
101
308035
3920
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
Ça rendrait notre vie bien plus simple,
mais les mouvements sont désordonnés.
mais les mouvements sont désordonnés.
Les gens gigotent beaucoup
et identifier ces variations
et identifier ces variations
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
avec une grande netteté,
05:33
with very high accuracy,
104
321555
1303
quant à la précision et au recalcul,
est difficile
est difficile
05:34
both in precision and recall, is tough
105
322882
1868
05:36
because that's what it takes to get
a professional coach to believe in you.
a professional coach to believe in you.
106
324774
3618
parce que c'est ce qui est nécessaire
pour que l'entraîneur croit en vous.
pour que l'entraîneur croit en vous.
Malgré toutes les difficultés à trouver
les traits spatiotemporels corrects,
les traits spatiotemporels corrects,
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
05:43
we have been able to do that.
108
331820
1474
on a réussi.
Les entraineurs font confiance à nos
machines pour identifier les variations.
machines pour identifier les variations.
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
Nous sommes au point où
presque toutes les équipes
presque toutes les équipes
05:53
for an NBA championship this year
111
341035
1623
en NBA cette année
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
utilisent notre logiciel, construit
sur une machine qui comprend
sur une machine qui comprend
05:59
the moving dots of basketball.
113
347114
1634
les points mobiles du basketball.
06:01
So not only that, we have given advice
that has changed strategies
that has changed strategies
114
349872
5153
Nous avons même fourni des conseils
qui ont changé les stratégies
qui ont changé les stratégies
qui ont aidé des équipes à gagner
des matchs très importants,
des matchs très importants,
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
et c'est vraiment passionnant parce qu'il
y a des entraîneurs qui sont en NBA
y a des entraîneurs qui sont en NBA
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
depuis 30 ans, qui acceptent
les avis d'une machine.
les avis d'une machine.
06:14
for 30 years that are willing to take
advice from a machine.
advice from a machine.
117
362181
3067
06:17
And it's very exciting,
it's much more than the pick-and-roll.
it's much more than the pick-and-roll.
118
365874
2906
Et c'est passionnant,
c'est bien plus que le pick and roll.
c'est bien plus que le pick and roll.
Nos ordinateurs sont partis
de choses simples
de choses simples
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
et ont appris des choses plus complexes
06:22
and learned more and more complex things
120
370904
2064
06:24
and now it knows so many things.
121
372992
1561
et maintenant ils savent tant de choses.
06:26
Frankly, I don't understand
much of what it does,
much of what it does,
122
374577
2835
Franchement, je ne comprends
pas tout ce qu'il fait,
pas tout ce qu'il fait,
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
et bien que ça ne soit pas si
étonnant d'être plus intelligent que moi,
étonnant d'être plus intelligent que moi,
on s'est demandé, est-ce qu'une machine
peut en savoir plus qu'un entraîneur ?
peut en savoir plus qu'un entraîneur ?
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
Peut-elle en savoir plus qu'une personne ?
06:36
Can it know more than person could know?
125
384843
2055
Et il se trouve que la réponse est oui.
06:38
And it turns out the answer is yes.
126
386922
1745
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
On veut que les joueurs
fassent de bons tirs.
fassent de bons tirs.
Donc si je suis près du panier
06:43
So if I'm standing near the basket
128
391272
1651
et qu'il n'y a personne autour,
c'est un bon tir.
c'est un bon tir.
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
Si je suis loin du panier entouré de
défenseurs, c'est un mauvais tir.
défenseurs, c'est un mauvais tir.
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
Mais avant, on ne savait pas
quantifier le bon et le mauvais
quantifier le bon et le mauvais
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
jusqu'à maintenant.
06:56
Until now.
132
404209
1150
Donc, ce qu'on peut faire, c'est utiliser
les traits spatio-temporels,
les traits spatio-temporels,
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
on a étudié tous les tirs.
07:00
we looked at every shot.
134
408853
1374
07:02
We can see: Where is the shot?
What's the angle to the basket?
What's the angle to the basket?
135
410251
3005
On peut voir : Où est le tir ?
Quel est l'angle avec le panier ?
Quel est l'angle avec le panier ?
Où se tiennent les défenseurs ?
A quelle distance ?
A quelle distance ?
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
07:08
What are their angles?
137
416066
1331
Quels sont leurs angles ?
Quand il y a plusieurs défenseurs, on peut
regarder comment les joueurs se déplacent
regarder comment les joueurs se déplacent
07:09
For multiple defenders, we can look
at how the player's moving
at how the player's moving
138
417421
2977
07:12
and predict the shot type.
139
420422
1433
et prédire le type de tir.
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
On peut étudier leur vélocité
et construire un modèle qui prédit
et construire un modèle qui prédit
les chances que ce tir réussisse
dans ces circonstances.
dans ces circonstances.
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
07:22
So why is this important?
142
430188
1500
Alors, pourquoi c'est important ?
07:24
We can take something that was shooting,
143
432102
2803
On peut prendre le tir,
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
qui était une seule chose
et qui en devient deux :
et qui en devient deux :
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
la qualité du tir
et la qualité du tireur.
et la qualité du tireur.
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
Voici un graphique à bulles,
indispensable dans une conférence TED.
indispensable dans une conférence TED.
07:36
(Laughter)
147
444966
1014
(Rires)
Voici des joueurs du NBA.
07:38
Those are NBA players.
148
446004
1311
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
Cette taille est la taille du joueur
et la couleur, sa position.
et la couleur, sa position.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
En abscisse,
on a la probabilité du tir.
on a la probabilité du tir.
07:44
People on the left take difficult shots,
151
452639
1953
Les gens sur la gauche
font des tirs difficiles
font des tirs difficiles
07:46
on the right, they take easy shots.
152
454616
2229
sur la droite, des tirs faciles.
En ordonnée, on trouve
leur habileté au tir.
leur habileté au tir.
07:49
On the [y-axis] is their shooting ability.
153
457194
2057
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
Ceux qui sont bons sont en haut
et les mauvais en bas.
et les mauvais en bas.
07:53
So for example, if there was a player
155
461861
1760
Par exemple, s'il y avait un joueur
07:55
who generally made
47 percent of their shots,
47 percent of their shots,
156
463621
2097
qui réussissait généralement
47% de ses tirs,
47% de ses tirs,
07:57
that's all you knew before.
157
465718
1389
c'était tout ce qu'on savait avant.
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
Mais maintenant, ce joueur fait des tirs
qu'un joueur du NBA moyen
qu'un joueur du NBA moyen
08:04
would make 49 percent of the time,
159
472219
1961
réussirait 49% du temps,
08:06
and they are two percent worse.
160
474204
1684
donc il est moins bon de 2 points.
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
La raison pour laquelle c'est important:
il y a beaucoup de 47 sur le marché.
il y a beaucoup de 47 sur le marché.
08:13
And so it's really important to know
162
481714
2549
Donc, c'est vraiment important de savoir
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
si le 47 à qui vous envisagez de donner
100 millions de dollars
100 millions de dollars
08:20
is a good shooter who takes bad shots
164
488267
3055
est un bon tireur qui fait de mauvais tirs
08:23
or a bad shooter who takes good shots.
165
491346
2397
ou un mauvais tireur qui fait
de bons tirs.
de bons tirs.
La compréhension de la machine ne change
pas comment nous voyons les joueurs,
pas comment nous voyons les joueurs,
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
ça change la manière de voir le jeu.
08:30
it changes how we look at the game.
167
498487
1858
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
Il y a deux ans, il y a eu
une finale passionnante.
une finale passionnante.
Miami perdait par trois points
et il restait 20 secondes.
et il restait 20 secondes.
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
Ils étaient sur le point de perdre
le titre de champion.
le titre de champion.
08:39
They were about to lose the championship.
170
507379
2025
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 homme nommé Lebron James a tiré
pour essayer d'égaliser le score.
pour essayer d'égaliser le score.
Il a manqué.
08:44
He missed.
172
512793
1198
Son coéquipier Chris Bosh a eu le rebond,
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
l'a passé à un autre coéquipier,
Ray Allen.
Ray Allen.
Il a marqué 3 points.
Il y a eu prolongation.
Il y a eu prolongation.
08:50
He sank a three. It went into overtime.
175
518059
1919
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
Ils ont gagné le match et le championnat.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
C'était un des meilleurs matchs
de l'histoire du basketball.
de l'histoire du basketball.
Et notre capacité à connaître la
probabilité des tirs
probabilité des tirs
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
pour chaque joueur à chaque seconde,
09:00
at every second,
179
528891
1188
et les chances qu'ils ont d'avoir
un rebond à chaque seconde
un rebond à chaque seconde
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
peut éclairer ce moment comme
jamais auparavant.
jamais auparavant.
09:05
can illuminate this moment in a way
that we never could before.
that we never could before.
181
533083
3443
Malheureusement, je ne peux pas
vous montrer cette vidéo.
vous montrer cette vidéo.
09:09
Now unfortunately,
I can't show you that video.
I can't show you that video.
182
537618
2668
Mais nous avons reconstruit
ce moment pour vous
ce moment pour vous
09:12
But for you, we recreated that moment
183
540310
4493
lors de notre match hebdomadaire
il y a 3 semaines.
il y a 3 semaines.
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
09:19
(Laughter)
185
547279
2167
(Rires)
Et nous avons recréé
ce moment de révélation.
ce moment de révélation.
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
Alors, nous voilà.
Nous sommes à Chinatown à Los Angeles,
Nous sommes à Chinatown à Los Angeles,
dans un parc où nous jouons
toutes les semaines,
toutes les semaines,
09:29
a park we play at every week,
188
557478
1564
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
et nous voilà recréant
le moment de Ray Allen
le moment de Ray Allen
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
et tout le pistage qui va avec.
09:36
So, here's the shot.
191
564772
1517
Voilà le tir.
09:38
I'm going to show you that moment
192
566313
2516
Je vais vous montrer cette partie
09:40
and all the insights of that moment.
193
568853
2587
et les coulisses de ce moment.
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 seule différence : au lieu de joueurs
professionnels, c'est nous,
professionnels, c'est nous,
et à la place d'un commentateur
professionnel, c'est moi.
professionnel, c'est moi.
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
Alors accrochez-vous.
09:49
So, bear with me.
196
577860
1477
09:53
Miami.
197
581153
1150
Miami.
09:54
Down three.
198
582671
1150
Trois points de retard.
09:56
Twenty seconds left.
199
584107
1150
20 secondes restantes.
09:59
Jeff brings up the ball.
200
587385
1198
Jeff apporte le ballon.
Josh l'attrape, et marque 3 points.
10:02
Josh catches, puts up a three!
201
590656
1535
10:04
[Calculating shot probability]
202
592631
1849
(Calcul de probabilité du tir)
10:07
[Shot quality]
203
595278
1150
(Qualité du tir)
10:09
[Rebound probability]
204
597048
1785
(Probabilité de rebond)
10:12
Won't go!
205
600373
1173
Il ne rentre pas !
10:13
[Rebound probability]
206
601570
1446
(Probabilité de rebond)
10:15
Rebound, Noel.
207
603777
1256
Rebond, Noel.
10:17
Back to Daria.
208
605057
1150
Passe à Daria.
10:18
[Shot quality]
209
606509
3365
(Qualité de tir)
10:22
Her three-pointer -- bang!
210
610676
1620
Trois points !
10:24
Tie game with five seconds left.
211
612320
2197
Égalité à 5 secondes de la fin !
10:26
The crowd goes wild.
212
614880
1618
La foule est en délire.
10:28
(Laughter)
213
616522
1659
(Rires)
C'est à peu près comment
ça s'est passé.
ça s'est passé.
10:30
That's roughly how it happened.
214
618205
1547
10:31
(Applause)
215
619776
1151
A peu près.
10:32
Roughly.
216
620951
1175
10:34
(Applause)
217
622150
1531
(Applaudissements)
Cet instant avait à peu près 9%
de chance d'arriver pendant la finale,
de chance d'arriver pendant la finale,
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
et on sait ça et
beaucoup d'autres choses.
beaucoup d'autres choses.
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
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
Je ne vous dirai pas combien
d'essais il nous a fallu pour y arriver.
d'essais il nous a fallu pour y arriver.
(Rires)
10:47
(Laughter)
221
635429
1747
Bon d'accord ! Quatre.
10:49
Okay, I will! It was four.
222
637200
1872
(Rires)
10:51
(Laughter)
223
639096
1001
Bravo Daria.
10:52
Way to go, Daria.
224
640121
1165
10:53
But the important thing about that video
225
641647
4263
Mais ce qui est important dans cette vidéo
et les connaissances qu'elle apporte sur
chaque seconde du match -- n'est pas ça.
chaque seconde du match -- n'est pas ça.
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
C'est le fait qu'on puisse suivre les
déplacements de toutes sortes d'équipes.
déplacements de toutes sortes d'équipes.
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
Il n'est pas nécessaire d'être un joueur
professionnel pour étudier les mouvements.
professionnel pour étudier les mouvements.
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
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
En fait, la technologie s'adapte hors
du sport parce qu'on se déplace partout.
du sport parce qu'on se déplace partout.
11:15
We're moving in our homes,
230
663654
2369
On bouge dans nos maisons,
11:21
in our offices,
231
669428
1205
dans nos bureaux,
11:24
as we shop and we travel
232
672238
2690
quand on fait des courses,
quand on voyage
quand on voyage
dans les villes
11:29
throughout our cities
233
677318
1253
11:32
and around our world.
234
680065
1618
et autour du monde.
11:35
What will we know? What will we learn?
235
683270
2295
Qu'est-ce qu'on va apprendre
à connaître ?
à connaître ?
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
Peut-être qu'au lieu d'identifier des
pick and rolls,
pick and rolls,
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
une machine peut identifier
le moment et me dire
le moment et me dire
11:42
when my daughter takes her first steps.
238
690952
2059
quand ma fille commence à marcher.
Ce qui pourrait d'ailleurs arriver
sous peu.
sous peu.
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
On pourrait apprendre à mieux utiliser
nos immeubles, mieux planifier nos villes.
nos immeubles, mieux planifier nos villes.
Je crois qu'avec le développement
de la science des points mobiles,
de la science des points mobiles,
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
on se déplacera mieux,
plus intelligemment, on ira de l'avant.
plus intelligemment, on ira de l'avant.
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
12:00
Thank you very much.
243
708607
1189
Merci beaucoup.
12:01
(Applause)
244
709820
5045
(Applaudissements)
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