TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
רג'יב מהסוורן: המתמטיקה שמאחורי מהלכי הכדורסל הנועזים ביותר
Filmed:
Readability: 3.1
2,683,104 views
כדורסל הוא משחק שמורכב מתנועה מהירה, אלתורים, מגע וגם... זיהוי תבניות מרחב-זמן. רג'יב מהסוורן ועמיתיו מנתחים את התנועות שמאחורי מהלכי מפתח של המשחק כדי לסייע למאמנים ולשחקנים לשלב את האינטואיציה שלהם עם הנתונים החדשים. בונוס: מה שהם לומדים יוכל לסייע לנו להבין איך אנשים נעים בכל מקום.
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
מדע הנקודות הנעות מרתק אותי ואת עמיתיי.
00:16
So what are these dots?
1
4927
1150
אז מהן הנקודות האלו?
00:18
Well, it's all of us.
2
6101
1287
הנקודות הן אנחנו, כולנו.
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
אנחנו נעים בבית, במשרד, בקניות ובחופשה,
00:24
throughout our cities
and around the world.
and around the world.
4
12521
2066
ברחבי הערים ומסביב לעולם.
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
האם לא היה נפלא אילו יכולנו
להבין את התנועה הזאת,
להבין את התנועה הזאת,
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
אילו יכולנו למצוא בה
תבניות, משמעויות ותובנות?
תבניות, משמעויות ותובנות?
00:34
And luckily for us, we live in a time
7
22259
1785
התמזל מזלנו ואנחנו חיים בעידן
עתיר אפשרויות תיעוד עצמי.
עתיר אפשרויות תיעוד עצמי.
00:36
where we're incredibly good
at capturing information about ourselves.
at capturing information about ourselves.
8
24068
4497
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
חיישנים, סרטונים ואפליקציות מאפשרים לנו
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
לעקוב אחרי התנועה שלנו
ולקבל עליה נתונים מפורטים ביותר.
ולקבל עליה נתונים מפורטים ביותר.
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
ומתברר שאחד התחומים שבהם
הנתונים שיש לנו על התנועה טובים במיוחד
הנתונים שיש לנו על התנועה טובים במיוחד
00:53
is sports.
12
41148
1208
הוא הספורט.
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
בכדורסל, בבייסבול, בכדורגל או בפוטבול,
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
אנחנו מתקינים ציוד באצטדיונים שלנו
ועל השחקנים
ועל השחקנים
כדי לתעד את התנועות שלהם בכל שבריר שנייה.
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
למעשה אנחנו הופכים את האתלטים שלנו ל...
01:10
you probably guessed it --
17
58208
1959
אתם בוודאי כבר מנחשים...
01:12
moving dots.
18
60191
1396
נקודות נעות.
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
אז יש לנו הררי נתונים על נקודות נעות.
וכמו רוב המידע הגולמי,
קשה לקרוא אותם והם לא מאוד מעניינים.
קשה לקרוא אותם והם לא מאוד מעניינים.
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
אבל יש דברים שמאמני כדורסל, לדוגמה,
היו רוצים לדעת.
היו רוצים לדעת.
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
אבל הם לא יכולים לדעת אותם,
כי הם יצטרכו לצפות בכל שנייה
של כל משחק, לזכור ולנתח אותן.
של כל משחק, לזכור ולנתח אותן.
01:29
of every game, remember it and process it.
23
77057
2589
01:31
And a person can't do that,
24
79804
1930
בני אדם לא מסוגלים לעשות את זה,
01:33
but a machine can.
25
81758
1310
אבל מכונות יכולות.
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
הבעיה היא שמכונות לא יכולות לראות את המשחק
כמו שמאמן רואה אותו.
כמו שמאמן רואה אותו.
01:39
At least they couldn't until now.
27
87363
2261
לפחות הן לא יכלו לבצע את זה עד כה.
01:42
So what have we taught the machine to see?
28
90228
2103
אז מה לימדנו את המכונה לראות?
01:45
So, we started simply.
29
93569
1787
התחלנו במהלכים פשוטים.
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
לימדנו את המכונה מהם
מסירות, זריקות וכדורים חוזרים.
מסירות, זריקות וכדורים חוזרים.
01:51
Things that most casual fans would know.
31
99203
2541
מהלכים פשוטים שכל חובב כדורסל מכיר.
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
משם עברנו למהלכים קצת יותר מורכבים.
01:56
Events like post-ups,
and pick-and-rolls, and isolations.
and pick-and-rolls, and isolations.
33
104624
4588
מהלכים כמו פוסט-אפ, פיק-אנד-רול ובידוד.
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
המהלכים האלה מוכרים לרוב השחקנים החובבנים
וגם אם אינכם מכירים אותם - לא נורא.
וגם אם אינכם מכירים אותם - לא נורא.
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
היום המכונה מבינה כבר מהלכים מורכבים
02:10
like down screens and wide pins.
36
118924
3073
כמו Down screens ו-Wide pins.
02:14
Basically things only professionals know.
37
122021
2726
דברים שרק מקצוענים מכירים.
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
לימדנו את המכונה לראות
מנקודת המבט של המאמן.
מנקודת המבט של המאמן.
02:22
So how have we been able to do this?
39
130009
1857
איך עשינו את זה?
02:24
If I asked a coach to describe
something like a pick-and-roll,
something like a pick-and-roll,
40
132511
3118
אם הייתי מבקש ממאמן
לתאר מהלך כמו פיק-אנד-רול,
לתאר מהלך כמו פיק-אנד-רול,
02:27
they would give me a description,
41
135653
1640
והייתי מקודד את התיאור שלו כאלגוריתם,
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
זה היה איום ונורא.
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
פיק-אנד-רול הוא ריקוד
של ארבעה שחקנים בכדורסל,
של ארבעה שחקנים בכדורסל,
02:37
two on offense and two on defense.
44
145328
1912
שני תוקפים ושני מגינים.
02:39
And here's kind of how it goes.
45
147486
1618
הוא מתנהל בערך ככה:
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
שחקן תוקף שהכדור לא בידיו
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
מתקרב לשחקן ההגנה ששומר על השחקן עם הכדור,
02:46
and he kind of stays there
48
154918
1257
ואז הוא נשאר בסביבה,
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
ושניהם נעים וקורים כל מיני דברים
וטה-דה! קיבלנו פיק-אנד-רול.
וטה-דה! קיבלנו פיק-אנד-רול.
02:51
(Laughter)
50
159540
2215
(צחוק)
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
זאת גם דוגמה לאלגוריתם גרוע.
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
אם השחקן שמפריע, שנקרא השחקן החוסם,
03:01
goes close by, but he doesn't stop,
53
169278
2872
מתקרב לשחקן עם הכדור אבל לא עוצר,
03:04
it's probably not a pick-and-roll.
54
172174
1765
זה כנראה לא פיק-אנד-רול.
03:06
Or if he does stop,
but he doesn't stop close enough,
but he doesn't stop close enough,
55
174560
3945
אם הוא עוצר, אבל לא עוצר מספיק קרוב,
03:10
it's probably not a pick-and-roll.
56
178529
1761
גם זה כנראה לא פיק-אנד-רול.
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
אם הוא עוצר מספיק קרוב,
אבל שני השחקנים מתחת לסל,
אבל שני השחקנים מתחת לסל,
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
גם זה כנראה לא פיק-אנד-רול.
ואולי אני בכלל טועה,
וכל המהלכים האלה יכולים להיות פיק-אנד-רול.
וכל המהלכים האלה יכולים להיות פיק-אנד-רול.
03:19
Or I could be wrong,
they could all be pick-and-rolls.
they could all be pick-and-rolls.
59
187462
2524
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
זה תלוי בתזמון המדויק, במרחקים, במיקומים,
03:26
and that's what makes it hard.
61
194602
1495
וזה מה שמסבך את העניין.
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
למרבה המזל, למידה חישובית מאפשרת לנו
לפרוץ את גבולות היכולת שלנו
לפרוץ את גבולות היכולת שלנו
03:33
to describe the things we know.
63
201547
1743
לתאר את הדברים שאנחנו יודעים.
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
אז איך זה עובד? בעזרת דוגמאות.
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
אנחנו ניגשים למכונה ואומרים לה,
"בוקר טוב, מכונה.
"בוקר טוב, מכונה.
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
הנה כמה מהלכים של פיק-אנד-רול,
והנה כמה מהלכים שהם לא פיק-אנד-רול.
והנה כמה מהלכים שהם לא פיק-אנד-רול.
03:44
Please find a way to tell the difference."
67
212720
2252
תמצאי בבקשה דרך לזהות את ההבדלים ביניהם".
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
המפתח לכך הוא למצוא מאפיינים
שמאפשרים לבצע את ההבחנה הזאת.
שמאפשרים לבצע את ההבחנה הזאת.
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
לדוגמה, אילו רציתי ללמד את המכונה
להבדיל בין תפוזים לתפוחים,
להבדיל בין תפוזים לתפוחים,
03:52
between an apple and orange,
70
220940
1381
הייתי מציע לה "אולי תבדקי צבע או צורה?"
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
הבעיה שאנחנו מנסים לפתור היא,
מהם המאפיינים האלה?
מהם המאפיינים האלה?
03:59
What are the key features
73
227711
1247
מהם מאפייני המפתח שמאפשרים למחשב
לנווט בעולם הנקודות הנעות?
לנווט בעולם הנקודות הנעות?
04:00
that let a computer navigate
the world of moving dots?
the world of moving dots?
74
228982
3499
04:04
So figuring out all these relationships
with relative and absolute location,
with relative and absolute location,
75
232505
4823
הבנת היחסים בין מיקום, מרחק,
תזמון ומהירויות יחסיים ומוחלטים,
תזמון ומהירויות יחסיים ומוחלטים,
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
היא המפתח למדע הנקודות הנעות,
או כפי שאנחנו מכנים זאת בשפה האקדמית,
זיהוי תבניות מרחב-זמן.
זיהוי תבניות מרחב-זמן.
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
זה נשמע מסובך,
04:22
because it is.
80
250847
1278
כי זה באמת מסובך.
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
חשוב להבין שלמאמני אן-בי-איי לא באמת אכפת
04:27
whether a pick-and-roll happened or not.
82
255575
1922
אם היה או לא היה פיק-אנד-רול.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
אלא הם רוצים להבין איך המהלך התרחש.
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
ולמה זה כל כך חשוב להם?
04:34
It turns out in modern basketball,
85
262631
1771
מתברר שבכדורסל מודרני,
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
הפיק-אנד-רול נחשב
למהלך החשוב ביותר במשחק.
למהלך החשוב ביותר במשחק.
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
והידע איך לנהל אותו,
והידע איך להתגונן מפניו,
והידע איך להתגונן מפניו,
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
הם למעשה המפתח לניצחון או להפסד
ברוב המשחקים.
ברוב המשחקים.
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
מתברר שלריקוד הזה יש הרבה מאוד וריאציות,
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
והזיהוי שלהן הוא שורש העניין,
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
ולכן אנחנו צריכים למצוא דרך
לבצע את הזיהוי בצורה מיטבית.
לבצע את הזיהוי בצורה מיטבית.
04:55
So, here's an example.
92
283228
1176
הנה דוגמה.
יש שני תוקפים ושני מגינים
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
שמתכוננים לבצע את ריקוד הפיק-אנד-רול.
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
השחקן עם הכדור יכול לבחור
בין Take לבין Reject.
בין Take לבין Reject.
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
השותף שלו יכול לבחור בין Roll לבין Pop.
05:04
His teammate can either roll or pop.
96
292086
3001
השחקן ששומר על השחקן עם הכדור
יכול לבחור בין Over ל-Under.
יכול לבחור בין Over ל-Under.
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
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
השותף שלו יכול לבחור בין Show
ל-Up to Touch או ל-Soft.
ל-Up to Touch או ל-Soft.
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
וביחד הם יכולים לבחור בין Switch ל-Blitz.
05:17
and I didn't know
most of these things when I started
most of these things when I started
100
305352
2659
בתחילת הדרך לא הכרתי את רוב המונחים האלה.
05:20
and it would be lovely if everybody moved
according to those arrows.
according to those arrows.
101
308035
3920
אם השחקנים היו תמיד נעים לפי החצים,
החיים שלנו היו הרבה יותר קלים.
החיים שלנו היו הרבה יותר קלים.
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
אבל מתברר שתנועה היא עסק מאוד מבולגן.
התנועה של השחקנים מפותלת מאוד,
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
וקשה מאוד לזהות את הווריאציות השונות
ברמת נכונות גבוהה,
ברמת נכונות גבוהה,
05:33
with very high accuracy,
104
321555
1303
05:34
both in precision and recall, is tough
105
322882
1868
ולשמור על רמות גבוהות של דיוק ואחזור.
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
כדי שמאמנים מקצועיים יאמינו במערכת שלנו
היא חייבת לעמוד בדרישות האלה.
היא חייבת לעמוד בדרישות האלה.
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
ולמרות הקשיים המרובים במציאת
מאפייני המרחב-זמן המתאימים
מאפייני המרחב-זמן המתאימים
05:43
we have been able to do that.
108
331820
1474
הצלחנו לעשות את זה.
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
מאמנים בוטחים ביכולת של המכונה שלנו
לזהות את הווריאציות האלה.
לזהות את הווריאציות האלה.
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
כמעט כל הקבוצות שמתמודדות השנה
על אליפות האן-בי-איי
על אליפות האן-בי-איי
05:53
for an NBA championship this year
111
341035
1623
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
משתמשות בתוכנה שלנו,
שמבוססת על מכונה שמבינה
את הנקודות הנעות במשחק הכדורסל.
את הנקודות הנעות במשחק הכדורסל.
05:59
the moving dots of basketball.
113
347114
1634
06:01
So not only that, we have given advice
that has changed strategies
that has changed strategies
114
349872
5153
מעבר לזה, הייעוץ שלנו
שינה אסטרטגיות של קבוצות
שינה אסטרטגיות של קבוצות
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
ועזר להן לנצח במשחקי מפתח.
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
זה מאוד מרגש אותנו.
מאמנים עם ותק של 30 שנות אימון
מוכנים לקבל עצות ממכונה.
מוכנים לקבל עצות ממכונה.
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
וזה מאוד מרגש.
לא מדובר רק בפיק-אנד-רול.
לא מדובר רק בפיק-אנד-רול.
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
המחשב שלנו התחיל בדברים פשוטים,
06:22
and learned more and more complex things
120
370904
2064
ולמד דברים יותר ויותר מורכבים.
06:24
and now it knows so many things.
121
372992
1561
והיום הוא יודע הרבה מאוד דברים.
06:26
Frankly, I don't understand
much of what it does,
much of what it does,
122
374577
2835
למען האמת, אני כבר לא מבין
הרבה מהדברים שהוא עושה.
הרבה מהדברים שהוא עושה.
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
אמנם לא קשה להיות יותר חכם ממני,
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
אבל תהינו אם מכונה
יכולה לדעת יותר ממאמנים?
יכולה לדעת יותר ממאמנים?
06:36
Can it know more than person could know?
125
384843
2055
האם המכונה יכולה לדעת יותר מאדם?
06:38
And it turns out the answer is yes.
126
386922
1745
והתשובה היא כן.
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
המאמנים רוצים שהשחקנים יזרקו זריקות טובות.
06:43
So if I'm standing near the basket
128
391272
1651
אם אני עומד ליד הסל
ואין אף אחד אחר לידי,
ואין אף אחד אחר לידי,
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
זאת זריקה טובה.
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
אם אני רחוק מהסל ומוקף בשחקני הגנה,
זאת בדרך כלל זריקה גרועה.
זאת בדרך כלל זריקה גרועה.
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
אבל לא ידענו מבחינת כמותית
כמה "טוב" הוא טוב או כמה "רע" הוא רע.
כמה "טוב" הוא טוב או כמה "רע" הוא רע.
06:56
Until now.
132
404209
1150
עד עכשיו.
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
כעת, בעזרת מאפיינים של מרחב-זמן
07:00
we looked at every shot.
134
408853
1374
אנחנו יכולים לבחון כל זריקה.
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
אנחנו יכולים לראות:
מאיפה מתבצעת הזריקה? מה הזווית לסל?
מאיפה מתבצעת הזריקה? מה הזווית לסל?
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
איפה עומדים המגינים?
מה המרחקים מהם?
מה המרחקים מהם?
מה הזוויות שלהם?
07:08
What are their angles?
137
416066
1331
אם יש כמה מגינים,
07:09
For multiple defenders, we can look
at how the player's moving
at how the player's moving
138
417421
2977
אנחנו יכולים לבדוק איך השחקן נע
ולחזות את סוג הזריקה שלו.
ולחזות את סוג הזריקה שלו.
07:12
and predict the shot type.
139
420422
1433
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
אנחנו יכולים לבחון את המהירויות שלהם,
ואנחנו יכולים לבנות מודל שחוזה מראש
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
מה הסיכוי שהזריקה הזאת
תיכנס לסל בנסיבות האלה.
תיכנס לסל בנסיבות האלה.
07:22
So why is this important?
142
430188
1500
מה החשיבות של זה?
07:24
We can take something that was shooting,
143
432102
2803
אנחנו יכולים לקחת זריקה,
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
ולחלק אותה לשני חלקים:
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
איכות הזריקה ואיכות הזורק.
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
זה תרשים בועות,
כי ב-TED אי אפשר בלי תרשים בועות...
כי ב-TED אי אפשר בלי תרשים בועות...
07:36
(Laughter)
147
444966
1014
(צחוק)
07:38
Those are NBA players.
148
446004
1311
אלה שחקני אן-בי-איי.
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
גודל הבועה הוא גובה השחקן
והצבע שלה הוא המיקום שלו.
והצבע שלה הוא המיקום שלו.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
ציר ה-x מציג את סיכויי הזריקה.
07:44
People on the left take difficult shots,
151
452639
1953
השחקנים שמשמאל זורקים זריקות קשות,
07:46
on the right, they take easy shots.
152
454616
2229
ושחקנים בצד ימין זורקים זריקות קלות.
07:49
On the [y-axis] is their shooting ability.
153
457194
2057
ציר ה-y מציג את כישורי הזריקה שלהם.
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
השחקנים הטובים נמצאים למעלה,
והגרועים למטה.
והגרועים למטה.
07:53
So for example, if there was a player
155
461861
1760
נניח לדוגמה ששחקן
מגיע ל-47 אחוזי הצלחה בזריקות.
מגיע ל-47 אחוזי הצלחה בזריקות.
07:55
who generally made
47 percent of their shots,
47 percent of their shots,
156
463621
2097
07:57
that's all you knew before.
157
465718
1389
בעבר זה כל מה שידענו עליו.
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
אבל היום אני יכול לספר לכם
שהשחקן זורק זריקות
שהשחקן זורק זריקות
08:04
would make 49 percent of the time,
159
472219
1961
ששחקן ממוצע באן-בי-איי
מצליח ב-49 אחוזים מהן.
מצליח ב-49 אחוזים מהן.
08:06
and they are two percent worse.
160
474204
1684
כלומר, הוא גרוע מהשחקן הממוצע
בשני אחוזים.
בשני אחוזים.
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
והנתון הזה חשוב, כי יש הרבה שחקני 47.
08:13
And so it's really important to know
162
481714
2549
וחשוב מאוד לדעת
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
אם שחקן ה-47 ששוקלים לשלם לו
מאה מיליון דולר
מאה מיליון דולר
08:20
is a good shooter who takes bad shots
164
488267
3055
הוא קלע טוב שזורק זריקות גרועות
08:23
or a bad shooter who takes good shots.
165
491346
2397
או קלע גרוע שזורק זריקות טובות.
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
ההבנה של המכונה לא משנה
רק את ההסתכלות שלנו על שחקנים,
רק את ההסתכלות שלנו על שחקנים,
08:30
it changes how we look at the game.
167
498487
1858
היא משנה גם את ההסתכלות שלנו על המשחק.
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
לפני כמה שנים התנהל המשחק המרגש הבא
בסדרת הגמר של האן-בי-איי.
בסדרת הגמר של האן-בי-איי.
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
מיאמי פיגרה בשלוש נקודות,
ונותרו 20 שניות לסיום.
ונותרו 20 שניות לסיום.
08:39
They were about to lose the championship.
170
507379
2025
הם עמדו לאבד את האליפות.
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
בחור בשם לברון ג'יימס
זרק שלשה כדי להשוות את התוצאה.
זרק שלשה כדי להשוות את התוצאה.
08:44
He missed.
172
512793
1198
הוא החטיא.
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
חברו לקבוצה כריס בוש תפס את הכדור החוזר,
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
ומסר אותו לחברם לקבוצה ריי אלן.
08:50
He sank a three. It went into overtime.
175
518059
1919
הוא קלע שלשה והמשחק הגיע להארכה.
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
הם ניצחו במשחק.
הם זכו באליפות.
הם זכו באליפות.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
זה היה אחד המשחקים המרגשים ביותר בכדורסל.
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
היכולת שלנו לדעת את אחוזי הקליעה
של כל שחקן בכל שנייה
של כל שחקן בכל שנייה
09:00
at every second,
179
528891
1188
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
ואת הסיכוי של כל שחקן
לתפוס כדור חוזר בכל שנייה
לתפוס כדור חוזר בכל שנייה
09:05
can illuminate this moment in a way
that we never could before.
that we never could before.
181
533083
3443
יכולה לשפוך אור על כל רגע
בדרך שלא היתה קיימת בעבר.
בדרך שלא היתה קיימת בעבר.
09:09
Now unfortunately,
I can't show you that video.
I can't show you that video.
182
537618
2668
לרוע המזל אני לא יכול להציג לכם את הסרטון.
09:12
But for you, we recreated that moment
183
540310
4493
אבל שחזרנו עבורכם את הרגע ההוא
במשחק הכדורסל השבועי שלנו
לפני שלושה שבועות.
לפני שלושה שבועות.
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
09:19
(Laughter)
185
547279
2167
(צחוק)
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
ושחזרנו גם את כל המהלכים
שהובילו לתובנות שלנו.
שהובילו לתובנות שלנו.
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
הנה אנחנו בצ'יינטאון שבלוס אנג'לס
09:29
a park we play at every week,
188
557478
1564
בפארק שבו אנחנו משחקים כל שבוע.
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
וכאן אנחנו משחזרים את הרגע של ריי אלן
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
ואת כל המהלכים שהובילו אליו.
09:36
So, here's the shot.
191
564772
1517
זאת הזריקה.
09:38
I'm going to show you that moment
192
566313
2516
עכשיו נראה את הרגע ההוא
09:40
and all the insights of that moment.
193
568853
2587
ואת כל התובנות שלנו על הרגע ההוא.
09:43
The only difference is, instead
of the professional players, it's us,
of the professional players, it's us,
194
571464
3730
ההבדל היחיד הוא שאנחנו ממלאים את מקום
השחקנים המקצועיים,
השחקנים המקצועיים,
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
ואני ממלא את מקומו של הכרוז המקצועי.
09:49
So, bear with me.
196
577860
1477
אז תהיו סבלניים כלפיי.
09:53
Miami.
197
581153
1150
מיאמי.
09:54
Down three.
198
582671
1150
פיגור של שלוש נקודות.
09:56
Twenty seconds left.
199
584107
1150
עשרים שניות לסיום.
09:59
Jeff brings up the ball.
200
587385
1198
ג'ף מקדם את הכדור.
10:02
Josh catches, puts up a three!
201
590656
1535
ג'וש תופס את הכדור וזורק שלשה!
10:04
[Calculating shot probability]
202
592631
1849
[הסיכוי לקליעה - 33%]
10:07
[Shot quality]
203
595278
1150
[איכות הזריקה - ג'וש - 33%]
10:09
[Rebound probability]
204
597048
1785
[הסיכוי לריבאונד - נואל - 12%]
10:12
Won't go!
205
600373
1173
לא נכנס!
10:13
[Rebound probability]
206
601570
1446
[הסיכוי לריבאונד - נואל - 32%]
10:15
Rebound, Noel.
207
603777
1256
ריבאונד, נואל.
10:17
Back to Daria.
208
605057
1150
בחזרה לדריה.
10:18
[Shot quality]
209
606509
3365
[איכות הזריקה - דריה - 37%]
10:22
Her three-pointer -- bang!
210
610676
1620
שלוש נקודות - בנג!
10:24
Tie game with five seconds left.
211
612320
2197
נותרו חמש שניות לסיום.
10:26
The crowd goes wild.
212
614880
1618
הקהל משתולל.
10:28
(Laughter)
213
616522
1659
(צחוק)
10:30
That's roughly how it happened.
214
618205
1547
ככה בערך זה קרה.
10:31
(Applause)
215
619776
1151
(מחיאות כפיים)
10:32
Roughly.
216
620951
1175
בערך.
10:34
(Applause)
217
622150
1531
(מחיאות כפיים)
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
לרגע הזה היה סיכוי של כתשעה אחוזים
להתרחש באן-בי-איי.
להתרחש באן-בי-איי.
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
ואנחנו יודעים את זה והרבה דברים נוספים.
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
לא אגלה לכם כמה ניסיונות עשינו עד שהצלחנו.
10:47
(Laughter)
221
635429
1747
(צחוק)
10:49
Okay, I will! It was four.
222
637200
1872
טוב, בכל זאת אגלה לכם.
ניסינו ארבע פעמים.
ניסינו ארבע פעמים.
10:51
(Laughter)
223
639096
1001
(צחוק)
10:52
Way to go, Daria.
224
640121
1165
כל הכבוד, דריה.
10:53
But the important thing about that video
225
641647
4263
אבל הסרטון הזה והתובנות שלנו
לגבי כל שנייה של כל משחק אן-בי-איי
לגבי כל שנייה של כל משחק אן-בי-איי
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
חשובים מסיבה אחרת.
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
והסיבה היא שלא צריך להיות קבוצה מקצוענית
כדי לעקוב אחרי תנועה.
כדי לעקוב אחרי תנועה.
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
לא צריך להיות שחקן מקצועי
כדי לקבל תובנות על תנועה.
כדי לקבל תובנות על תנועה.
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
למעשה, הנושא אינו מוגבל רק לספורט,
כי אנחנו נעים בכל מקום.
כי אנחנו נעים בכל מקום.
11:15
We're moving in our homes,
230
663654
2369
אנחנו נעים בבתים שלנו,
11:21
in our offices,
231
669428
1205
במשרדים שלנו,
11:24
as we shop and we travel
232
672238
2690
כשאנחנו יוצאים לקניות,
כשאנחנו מטיילים
כשאנחנו מטיילים
11:29
throughout our cities
233
677318
1253
בתוך הערים
11:32
and around our world.
234
680065
1618
ומסביב לעולם.
11:35
What will we know? What will we learn?
235
683270
2295
מה נדע? מה נלמד?
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
אולי, במקום לזהות פיק-אנד-רול,
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
המכונה תוכל לזהות את הרגע
11:42
when my daughter takes her first steps.
238
690952
2059
ולהודיע לי מתי הבת שלי
צועדת את צעדיה הראשונים.
צועדת את צעדיה הראשונים.
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
דבר שצפוי להתרחש בכל רגע.
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
אולי נוכל ללמוד לנצל בצורה טובה יותר
את הבניינים שלנו
את הבניינים שלנו
ולתכנן טוב יותר את הערים שלנו.
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
אני מאמין שכשמדע הנקודות הנעות יתפתח,
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
ננוע טוב יותר, ננוע בצורה חכמה יותר,
ננוע קדימה.
ננוע קדימה.
12:00
Thank you very much.
243
708607
1189
תודה רבה.
12:01
(Applause)
244
709820
5045
(מחיאות כפיים)
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