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

Rajiv Maheswaran: La matematica alla base delle mosse più incredibili del basket.

Filmed:
2,683,104 views

Il basket è un gioco veloce di improvvisazione, contatto e, ehm, riconoscimento di schemi spazio-temporali. Rajiv Maheswaran e i suoi colleghi analizzano i movimenti alla base delle mosse decisive del gioco, per aiutare allenatori e giocatori a combinare percezione e dati. Con un vantaggio extra: quello che stanno imparando può aiutarci a capire come gli umani si muovono, ovunque.
- 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.

Io e i miei colleghi siamo affascinati
dalla scienza dei punti in movimento.
00:12
My colleaguescolleghi and I are fascinatedaffascinato
by the sciencescienza of movingin movimento dotspunti.
0
954
3583
00:16
So what are these dotspunti?
1
4927
1150
Cosa sono questi punti?
00:18
Well, it's all of us.
2
6101
1287
Beh, siamo tutti noi.
00:19
And we're movingin movimento in our homesle case,
in our officesuffici, as we shopnegozio and travelviaggio
3
7412
5085
Ci spostiamo in casa e in ufficio,
mentre facciamo acquisti o viaggiamo,
00:24
throughoutper tutto our citiescittà
and around the worldmondo.
4
12521
2066
tra le nostre città
e in tutto il mondo.
00:26
And wouldn'tno it be great
if we could understandcapire all this movementmovimento?
5
14958
3669
Sarebbe bello riuscire a capire
tutto questo movimento.
00:30
If we could find patternsmodelli and meaningsenso
and insightintuizione in it.
6
18918
2890
Trovarci schemi,
significati, conoscenze nuove.
E fortunatamente per noi,
viviamo in un'era
00:34
And luckilyfortunatamente for us, we livevivere in a time
7
22259
1785
00:36
where we're incrediblyincredibilmente good
at capturingcattura informationinformazione about ourselvesnoi stessi.
8
24068
4497
in cui siamo incredibilmente bravi
a catturare informazioni su noi stessi.
00:40
So whetherse it's throughattraverso
sensorssensori or videosvideo, or appsapplicazioni,
9
28807
3663
Attraverso sensori,
video, applicazioni, infatti,
noi possiamo tracciare il nostro
movimento in modo davvero dettagliato.
00:44
we can tracktraccia our movementmovimento
with incrediblyincredibilmente fine detaildettaglio.
10
32494
2809
00:48
So it turnsgiri out one of the placesposti
where we have the bestmigliore datadati about movementmovimento
11
36092
5032
E a quanto pare, uno dei settori che
fornisce i migliori dati sul movimento
00:53
is sportsgli sport.
12
41148
1208
è lo sport.
00:54
So whetherse it's basketballpallacanestro or baseballbaseball,
or footballcalcio or the other footballcalcio,
13
42682
5333
Che si tratti di basket o baseball,
di calcio o rubgy,
01:00
we're instrumentingStrumentazione our stadiumsstadi
and our playersGiocatori to tracktraccia theirloro movementsmovimenti
14
48039
4402
stiamo attrezzando
gli stadi e i giocatori
per tracciare i loro movimenti
a ogni frazione di secondo.
01:04
everyogni fractionfrazione of a secondsecondo.
15
52465
1313
Quindi ciò che stiamo facendo
01:05
So what we're doing
is turningsvolta our athletesatleti into --
16
53802
4382
è trasformare i nostri atleti in
-- probabilmente
l'avrete già capito -
01:10
you probablyprobabilmente guessedindovinato it --
17
58208
1959
punti in movimento.
01:12
movingin movimento dotspunti.
18
60191
1396
01:13
So we'venoi abbiamo got mountainsmontagne of movingin movimento dotspunti
and like mostmaggior parte rawcrudo datadati,
19
61946
4934
Quindi abbiamo montagne
di punti in movimento
e, come la maggior parte
dei dati grezzi,
01:18
it's harddifficile to dealaffare with
and not that interestinginteressante.
20
66904
2502
sono difficili da gestire
e spesso non interessanti.
01:21
But there are things that, for exampleesempio,
basketballpallacanestro coachesallenatori want to know.
21
69430
3769
Ma esistono cose che, per esempio,
gli allenatori di basket vogliono sapere.
Il problema è che non possono saperle
01:25
And the problemproblema is they can't know them
because they'davevano have to watch everyogni secondsecondo
22
73223
3810
perché dovrebbero guardare
ogni secondo di ogni partita,
01:29
of everyogni gamegioco, rememberricorda it and processprocesso it.
23
77057
2589
ricordarselo ed esaminarlo.
01:31
And a personpersona can't do that,
24
79804
1930
E una persona non può farlo.
01:33
but a machinemacchina can.
25
81758
1310
Ma una macchina sì!
Però una macchina non può vedere il gioco
con gli occhi di un allenatore.
01:35
The problemproblema is a machinemacchina can't see
the gamegioco with the eyeocchio of a coachallenatore.
26
83661
3410
01:39
At leastmeno they couldn'tnon poteva untilfino a now.
27
87363
2261
Quantomeno non poteva finora.
01:42
So what have we taughtinsegnato the machinemacchina to see?
28
90228
2103
Cosa abbiamo insegnato a vedere
alla macchina, quindi?
01:45
So, we startediniziato simplysemplicemente.
29
93569
1787
Abbiamo iniziato in modo semplice.
01:47
We taughtinsegnato it things like passespassaggi,
shotsscatti and reboundsrimbalzi.
30
95380
3799
Le abbiamo insegnato cose
come i passaggi, i tiri e i rimbalzi.
01:51
Things that mostmaggior parte casualcasuale fanstifosi would know.
31
99203
2541
Cose che molti dei normali fan conoscono.
01:53
And then we movedmosso on to things
slightlyleggermente more complicatedcomplicato.
32
101768
2832
Poi siamo passati a cose
leggermente più complicate.
01:56
EventsEventi like post-upspost-ups,
and pick-and-rollsPick-e-rotoli, and isolationsisolamenti.
33
104624
4588
Azioni come i post alti,
i pick and rolls e gli isolamenti.
Se non li sapete, tranquilli.
Molti normali giocatori li sanno.
02:01
And if you don't know them, that's okay.
MostMaggior parte casualcasuale playersGiocatori probablyprobabilmente do.
34
109377
3543
02:05
Now, we'venoi abbiamo gottenottenuto to a pointpunto where todayoggi,
the machinemacchina understandscapisce complexcomplesso eventseventi
35
113560
5340
Oggi siamo arrivati a macchine
che comprendono eventi complessi
02:10
like down screensschermi and widelargo pinsperni.
36
118924
3073
come i "down screen" e i "wide pins".
02:14
BasicallyFondamentalmente things only professionalsprofessionisti know.
37
122021
2726
Praticamente cose che solo i
professionisti conoscono.
02:16
So we have taughtinsegnato a machinemacchina to see
with the eyesocchi of a coachallenatore.
38
124771
4388
Quindi abbiamo insegnato alla macchina
a guardare con gli occhi di un allenatore.
02:22
So how have we been ablecapace to do this?
39
130009
1857
Come ci siamo riusciti?
02:24
If I askedchiesto a coachallenatore to describedescrivere
something like a pick-and-rollPick-and-roll,
40
132511
3118
Se chiedessi a un allenatore
di descrivere un pick and roll,
02:27
they would give me a descriptiondescrizione,
41
135653
1640
mi darebbe una descrizione
02:29
and if I encodedcon codifica that as an algorithmalgoritmo,
it would be terribleterribile.
42
137317
2856
che sarebbe terribile
da codificare in un algoritmo.
02:33
The pick-and-rollPick-and-roll happensaccade to be this dancedanza
in basketballpallacanestro betweenfra fourquattro playersGiocatori,
43
141026
4278
Il pick and roll nel basket
è una specie di danza tra 4 giocatori,
02:37
two on offenseoffesa and two on defensedifesa.
44
145328
1912
due in attacco e due in difesa.
02:39
And here'secco kindgenere of how it goesva.
45
147486
1618
Ecco più o meno come funziona.
02:41
So there's the guy on offenseoffesa
withoutsenza the ballpalla
46
149128
2533
Qui c'è il giocatore in attacco
senza la palla
02:43
the ballpalla and he goesva nextIl prossimo to the guy
guardingguardia the guy with the ballpalla,
47
151685
3209
e si avvicina al giocatore
che difende contro chi ha la palla
e rimane un po' lì
02:46
and he kindgenere of stayssoggiorni there
48
154918
1257
poi si muovono, succedono cose,
02:48
and they bothentrambi movemossa and stuffcose happensaccade,
and ta-data-da, it's a pick-and-rollPick-and-roll.
49
156199
3317
Ta-da! È un pick and roll.
02:51
(LaughterRisate)
50
159540
2215
(Risate)
Ed è anche un pessimo
esempio di algoritmo.
02:53
So that is alsoanche an exampleesempio
of a terribleterribile algorithmalgoritmo.
51
161779
2508
02:56
So, if the playergiocatore who'schi è the interfererinterferisce --
he's calledchiamato the screenerScreener --
52
164913
4204
Quindi, se il giocatore che marca,
chiamato bloccatore
03:01
goesva closevicino by, but he doesn't stop,
53
169278
2872
va vicino ma non si ferma,
03:04
it's probablyprobabilmente not a pick-and-rollPick-and-roll.
54
172174
1765
probabilmente non è un pick and roll.
03:06
Or if he does stop,
but he doesn't stop closevicino enoughabbastanza,
55
174560
3945
O se si ferma, ma non va vicino abbastanza
03:10
it's probablyprobabilmente not a pick-and-rollPick-and-roll.
56
178529
1761
probabilmente non è un pick and roll.
03:12
Or, if he does go closevicino by
and he does stop
57
180642
3237
O, se va vicino e si ferma
03:15
but they do it undersotto the basketcestino,
it's probablyprobabilmente not a pick-and-rollPick-and-roll.
58
183903
3324
ma succede sotto al canestro,
probabilmente non è un pick and roll.
O mi potrei sbagliare,
e sono tutti pick and roll.
03:19
Or I could be wrongsbagliato,
they could all be pick-and-rollsPick-e-rotoli.
59
187462
2524
03:22
It really dependsdipende on the exactesatto timingsincronizzazione,
the distancesdistanze, the locationsposizioni,
60
190010
4568
Dipende fortemente dal momento esatto,
dalle distanze e dalle posizioni.
03:26
and that's what makesfa it harddifficile.
61
194602
1495
Per questo è difficile.
03:28
So, luckilyfortunatamente, with machinemacchina learningapprendimento,
we can go beyondal di là our ownproprio abilitycapacità
62
196579
4944
Ma con l'apprendimento automatico
noi andiamo oltre la nostra capacità
nel descrivere ciò che sappiamo
03:33
to describedescrivere the things we know.
63
201547
1743
03:35
So how does this work?
Well, it's by exampleesempio.
64
203314
2280
E come funziona?
03:37
So we go to the machinemacchina and say,
"Good morningmattina, machinemacchina.
65
205759
2830
Per esempio, andiamo dalla macchina
e le diciamo: "Buongiorno, macchina.
Questi sono alcuni pick and roll,
e qui ci sono alcune cose che non lo sono.
03:41
Here are some pick-and-rollsPick-e-rotoli,
and here are some things that are not.
66
209077
3359
03:44
Please find a way to tell the differencedifferenza."
67
212720
2252
Trova un modo per spiegare le differenze".
E la chiave è trovare caratteristiche
che l'aiutino a distinguere.
03:47
And the keychiave to all of this is to find
featuresCaratteristiche that enableabilitare it to separateseparato.
68
215076
3707
03:50
So if I was going
to teachinsegnare it the differencedifferenza
69
218807
2109
Così come se le insegnassi la differenza
tra una mela e un'arancia,
03:52
betweenfra an appleMela and orangearancia,
70
220940
1381
direi: "Perché non usi
il colore o la forma?"
03:54
I mightpotrebbe say, "Why don't you
use colorcolore or shapeforma?"
71
222345
2375
E il problema davanti a noi è:
03:56
And the problemproblema that we're solvingsoluzione is,
what are those things?
72
224744
2943
cosa sono queste cose,
quali sono queste caratteristiche
03:59
What are the keychiave featuresCaratteristiche
73
227711
1247
che permettono alla macchina di
indagare i punti in movimento?
04:00
that let a computercomputer navigatenavigare
the worldmondo of movingin movimento dotspunti?
74
228982
3499
04:04
So figuringcapire out all these relationshipsrelazioni
with relativeparente and absoluteassoluto locationPosizione,
75
232505
4823
Tenere in mente tutte queste relazioni,
con posizione relative e assoluta,
distanza, tempi, velocità --
04:09
distancedistanza, timingsincronizzazione, velocitiesvelocità --
76
237352
1909
04:11
that's really the keychiave to the sciencescienza
of movingin movimento dotspunti, or as we like to call it,
77
239440
4928
questa è la vera chiave
per la scienza dei punti in movimento,
o, in gergo accademico, riconoscimento
del modello spaziotemporale.
04:16
spatiotemporalspazio-temporale patternmodello recognitionriconoscimento,
in academicaccademico vernacularvernacolare.
78
244392
3344
04:19
Because the first thing is,
you have to make it soundsuono harddifficile --
79
247925
2898
Perché prima di tutto
devi darle un nome difficile...
04:22
because it is.
80
250847
1278
(risate)
...perché lo è.
04:24
The keychiave thing is, for NBANBA coachesallenatori,
it's not that they want to know
81
252410
3141
Il punto è che gli allenatori NBA
non vogliono sapere
04:27
whetherse a pick-and-rollPick-and-roll happenedè accaduto or not.
82
255575
1922
se è avvenuto o meno un pick and roll.
04:29
It's that they want to know
how it happenedè accaduto.
83
257521
2076
Vogliono sapere come è accaduto.
04:31
And why is it so importantimportante to them?
So here'secco a little insightintuizione.
84
259621
2986
Perché è così importante per loro?
Vediamo un po' meglio.
04:34
It turnsgiri out in modernmoderno basketballpallacanestro,
85
262631
1771
Nel basket moderno,
04:36
this pick-and-rollPick-and-roll is perhapsForse
the mostmaggior parte importantimportante playgiocare.
86
264426
2539
il pick and roll è forse
la mossa più importante.
Sapere come metterla in pratica
e come difendersi da essa
04:39
And knowingsapendo how to runcorrere it,
and knowingsapendo how to defenddifendere it,
87
267065
2620
04:41
is basicallyfondamentalmente a keychiave to winningvincente
and losingperdere mostmaggior parte gamesi giochi.
88
269709
2670
è la chiave per vincere
la maggior parte delle partite
04:44
So it turnsgiri out that this dancedanza
has a great manymolti variationsvariazioni
89
272403
3801
Ne viene fuori che questa sorta di
danza ha tante varianti
04:48
and identifyingidentificazione the variationsvariazioni
is really the thing that mattersquestioni,
90
276228
3648
e identificarle è ciò
che più conta.
04:51
and that's why we need this
to be really, really good.
91
279900
2529
È per questo che bisogna farlo
molto, molto bene.
04:55
So, here'secco an exampleesempio.
92
283228
1176
Ecco un esempio: ci sono
due attaccanti e due difensori,
04:56
There are two offensiveoffensivo
and two defensivedifensiva playersGiocatori,
93
284428
2379
pronti ad inziare la danza
del pick and roll.
04:58
gettingottenere readypronto to do
the pick-and-rollPick-and-roll dancedanza.
94
286831
2152
Il tipo con la palla
può sia accettare o rifiutare il blocco.
05:01
So the guy with ballpalla
can eithero take, or he can rejectrifiutare.
95
289007
2683
05:04
His teammatecompagno di squadra can eithero rollrotolo or poppop.
96
292086
3001
il suo compagno di squadra
può fare roll o pop.
05:07
The guy guardingguardia the ballpalla
can eithero go over or undersotto.
97
295111
2986
il giocatore che difende la palla può
passare sopra o sotto
05:10
His teammatecompagno di squadra can eithero showmostrare
or playgiocare up to touchtoccare, or playgiocare softmorbido
98
298121
4565
Il suo compagno può mostrare,
giocare up-to-touch o giocare soft
ed insieme possono cambiare marcatura
o fare un raddoppio
05:14
and togetherinsieme they can
eithero switchinterruttore or blitzBlitz
99
302710
2618
e quando cominciai io non sapevo
la maggior parte di queste cose
05:17
and I didn't know
mostmaggior parte of these things when I startediniziato
100
305352
2659
05:20
and it would be lovelybello if everybodytutti movedmosso
accordingsecondo to those arrowsfrecce.
101
308035
3920
e sarebbe bello se tutti
si muovessero seguendo queste frecce:
renderebbe la vita molto più semplice.
05:23
It would make our livesvite a lot easierPiù facile,
but it turnsgiri out movementmovimento is very messydisordinato.
102
311979
3905
Ma in realtà il movimento
è molto confuso.
Le persone ondeggiano molto e
identificare queste variazioni
05:28
People wiggleWiggle a lot and gettingottenere
these variationsvariazioni identifiedidentificato
103
316047
5484
con un alto livello di accuratezza
05:33
with very highalto accuracyprecisione,
104
321555
1303
sia in precisione che in memorizzazione,
è difficile, ma è necessario
05:34
bothentrambi in precisionprecisione and recallrichiamare, is toughdifficile
105
322882
1868
05:36
because that's what it takes to get
a professionalprofessionale coachallenatore to believe in you.
106
324774
3618
se vuoi che un allenatore
professionista ti creda.
Malgrado tutti i problemi
con le questioni spaziotemporali,
05:40
And despitenonostante all the difficultiesDifficoltà
with the right spatiotemporalspazio-temporale featuresCaratteristiche
107
328416
3380
ci siamo riusciti.
05:43
we have been ablecapace to do that.
108
331820
1474
Gli allenatori credono nella capacità
della macchina di trovare le varianti.
05:45
CoachesAllenatori trustfiducia our abilitycapacità of our machinemacchina
to identifyidentificare these variationsvariazioni.
109
333318
3927
05:49
We're at the pointpunto where
almostquasi everyogni singlesingolo contenderContender
110
337478
3533
Siamo arrivati al punto che
quasi ogni partecipante
05:53
for an NBANBA championshipCampionato this yearanno
111
341035
1623
al campionato NBA di quest'anno
05:54
is usingutilizzando our softwareSoftware, whichquale is builtcostruito
on a machinemacchina that understandscapisce
112
342682
4408
sta usando il nostro software,
costruito su una macchina
che capisce i punti
in movimento del basket.
05:59
the movingin movimento dotspunti of basketballpallacanestro.
113
347114
1634
06:01
So not only that, we have givendato adviceconsigli
that has changedcambiato strategiesstrategie
114
349872
5153
Non solo abbiamo dato consigli che
hanno cambiato le strategie di gioco
06:07
that have helpedaiutato teamssquadre winvincere
very importantimportante gamesi giochi,
115
355049
3352
che hanno aiutato le squadre a
vincere competizioni molto importanti
ed è esaltante vedere allenatori
06:10
and it's very excitingemozionante because you have
coachesallenatori who'veche hanno been in the leaguelega
116
358425
3732
con 30 anni di esperienza in lega pronti
a farsi consigliare da una macchina.
06:14
for 30 yearsanni that are willingdisposto to take
adviceconsigli from a machinemacchina.
117
362181
3067
È appassionante, è c'è molto più
dei pick and roll.
06:17
And it's very excitingemozionante,
it's much more than the pick-and-rollPick-and-roll.
118
365874
2906
La macchina ha cominciato
con cose semplici,
06:20
Our computercomputer startediniziato out
with simplesemplice things
119
368804
2076
poi ha imparato cose
sempre più complesse
06:22
and learnedimparato more and more complexcomplesso things
120
370904
2064
e ora sa davvero molte cose.
06:24
and now it knowsconosce so manymolti things.
121
372992
1561
Francamente, io non capisco
gran parte di quello che fa,
06:26
FranklyFrancamente, I don't understandcapire
much of what it does,
122
374577
2835
06:29
and while it's not that specialspeciale
to be smarterpiù intelligente than me,
123
377436
3715
e anche se non ci vuol molto
ad essere più bravi di me,
06:33
we were wonderingchiedendosi,
can a machinemacchina know more than a coachallenatore?
124
381175
3644
ci chiedevamo, può una macchina
sapere più di un allenatore?
06:36
Can it know more than personpersona could know?
125
384843
2055
Sapere più di quello che sa una persona?
06:38
And it turnsgiri out the answerrisposta is yes.
126
386922
1745
Viene fuori che la risposta è si.
Gli allenatori vogliono che i giocatori
facciamo dei bei tiri.
06:40
The coachesallenatori want playersGiocatori
to take good shotsscatti.
127
388691
2557
06:43
So if I'm standingin piedi nearvicino the basketcestino
128
391272
1651
Quindi, se sono vicino al canestro
06:44
and there's nobodynessuno nearvicino me,
it's a good shottiro.
129
392947
2166
con nessuno vicino a me,
è un buon tiro.
06:47
If I'm standingin piedi farlontano away surroundedcircondato
by defendersdifensori, that's generallygeneralmente a badcattivo shottiro.
130
395137
3940
Se sono lontano circondato da difensori,
in genere è un tiro scadente.
Ma quanto "buoni" o "scadenti"
sono i tiri buoni o scadenti?
06:51
But we never knewconosceva how good "good" was,
or how badcattivo "badcattivo" was quantitativelyquantitativamente.
131
399101
4876
06:56
UntilFino al now.
132
404209
1150
Finora non potevi saperlo.
06:57
So what we can do, again,
usingutilizzando spatiotemporalspazio-temporale featuresCaratteristiche,
133
405771
3058
Quindi cosa possiamo fare
usando coordinate spaziotemporali?
07:00
we lookedguardato at everyogni shottiro.
134
408853
1374
Abbiamo guardato ogni tiro.
07:02
We can see: Where is the shottiro?
What's the angleangolo to the basketcestino?
135
410251
3005
Possiamo vedere: dove è il tiro?
Qual è l'angolo col canestro?
07:05
Where are the defendersdifensori standingin piedi?
What are theirloro distancesdistanze?
136
413280
2762
Dove sono i difensori?
Quali sono le loro distanze?
Quali sono i loro angoli?
07:08
What are theirloro anglesangoli?
137
416066
1331
Con più difensori, possiamo guardare
a come si muove il giocatore
07:09
For multiplemultiplo defendersdifensori, we can look
at how the player'sdi giocatore movingin movimento
138
417421
2977
07:12
and predictpredire the shottiro typetipo.
139
420422
1433
e prevedere il tipo di tiro.
07:13
We can look at all theirloro velocitiesvelocità
and we can buildcostruire a modelmodello that predictspredice
140
421879
4074
Possiamo guardare alle loro velocità
e costruire un modello che prevede
07:17
what is the likelihoodprobabilità that this shottiro
would go in undersotto these circumstancescondizioni?
141
425977
4052
la probabilità che questo tiro vada dentro,
date queste circostanze?
07:22
So why is this importantimportante?
142
430188
1500
E perché questo è importante?
07:24
We can take something that was shootingtiro,
143
432102
2803
Possiamo prendere ciò che era il tirare,
07:26
whichquale was one thing before,
and turnturno it into two things:
144
434929
2680
che prima era una cosa sola,
e separarla in due:
07:29
the qualityqualità of the shottiro
and the qualityqualità of the shootersparatutto.
145
437633
2651
la qualità del tiro
e la qualità del tiratore.
07:33
So here'secco a bubblebolla chartgrafico,
because what's TEDTED withoutsenza a bubblebolla chartgrafico?
146
441680
3262
Ecco un grafico a bolle: che TED sarebbe,
senza un grafico a bolle?
07:36
(LaughterRisate)
147
444966
1014
(Risate)
07:38
Those are NBANBA playersGiocatori.
148
446004
1311
Questi sono giocatori NBA.
07:39
The sizedimensione is the sizedimensione of the playergiocatore
and the colorcolore is the positionposizione.
149
447339
3120
La dimensione è quella del giocatore
e il colore è la posizione.
Sull'asse delle x abbiamo
la probabilità di tiro.
07:42
On the x-axisasse x,
we have the shottiro probabilityprobabilità.
150
450483
2132
07:44
People on the left take difficultdifficile shotsscatti,
151
452639
1953
Le persone sulla sinistra
fanno tiri difficili,
07:46
on the right, they take easyfacile shotsscatti.
152
454616
2229
sulla destra, tiri facili.
Sull'asse delle y
c'è la loro abilità di tiro.
07:49
On the [y-axisasse y] is theirloro shootingtiro abilitycapacità.
153
457194
2057
07:51
People who are good are at the topsuperiore,
badcattivo at the bottomparte inferiore.
154
459275
2562
Quelli bravi sono in alto,
gli altri in basso.
07:53
So for exampleesempio, if there was a playergiocatore
155
461861
1760
Per esempio, se c'era un giocatore
07:55
who generallygeneralmente madefatto
47 percentper cento of theirloro shotsscatti,
156
463621
2097
che in genere realizzava
il 47% dei tiri,
prima questo era
tutto ciò che sapevamo.
07:57
that's all you knewconosceva before.
157
465718
1389
07:59
But todayoggi, I can tell you that playergiocatore
takes shotsscatti that an averagemedia NBANBA playergiocatore
158
467345
4850
Ma oggi ti posso dire che quel giocatore
fa tiri che il giocatore NBA di media
08:04
would make 49 percentper cento of the time,
159
472219
1961
farebbe il 49% delle volte,
08:06
and they are two percentper cento worsepeggio.
160
474204
1684
e quindi è del 2% peggiore.
08:08
And the reasonragionare that's importantimportante
is that there are lots of 47s out there.
161
476266
4515
E il motivo per cui è importante
è che ci sono tanti 47 in giro,
08:13
And so it's really importantimportante to know
162
481714
2549
e quindi è molto importante sapere
08:16
if the 47 that you're consideringconsiderando
givingdando 100 millionmilione dollarsdollari to
163
484287
3956
se il 47 a cui stai pensando di dare
100 milioni di dollari
08:20
is a good shootersparatutto who takes badcattivo shotsscatti
164
488267
3055
è un buon tiratore
ma che sceglie tiri difficili
08:23
or a badcattivo shootersparatutto who takes good shotsscatti.
165
491346
2397
o è un cattivo tiratore
che sceglie tiri buoni.
08:27
MachineMacchina understandingcomprensione doesn't just changemodificare
how we look at playersGiocatori,
166
495130
3333
L'analisi della macchina non cambia solo
come guardiamo ai giocatori,
08:30
it changesi cambiamenti how we look at the gamegioco.
167
498487
1858
cambia il modo di guardare al gioco.
08:32
So there was this very excitingemozionante gamegioco
a couplecoppia of yearsanni agofa, in the NBANBA finalsfinale.
168
500369
3755
C'era questa partita emozionante,
un paio di anni fa, nelle finali NBA.
08:36
MiamiMiami was down by threetre,
there was 20 secondssecondi left.
169
504148
3207
Miami perdeva per 3 punti,
e mancavano 20 secondi.
08:39
They were about to loseperdere the championshipCampionato.
170
507379
2025
Stavano per perdere il campionato.
Un certo LeBron James ebbe l'occasione
di un tiro da 3 per pareggiare.
08:41
A gentlemansignore nameddi nome LeBronLeBron JamesJames
cameè venuto up and he tookha preso a threetre to tiecravatta.
171
509428
3341
08:44
He missedperse.
172
512793
1198
Sbagliò, il suo compagno Chris Bosh
prese un rimbalzo,
08:46
His teammatecompagno di squadra ChrisChris BoshBosh got a reboundrimbalzo,
173
514015
1837
lo passò ad un altro, Ray Allen.
08:47
passedpassato it to anotherun altro teammatecompagno di squadra
nameddi nome RayRay AllenAllen.
174
515876
2159
Che infilò un tre.
Andarono ai supplementari.
08:50
He sankaffondò a threetre. It wentandato into overtimecol tempo.
175
518059
1919
08:52
They wonha vinto the gamegioco.
They wonha vinto the championshipCampionato.
176
520002
2096
Vinsero la partita.
Vinsero il campionato.
Fu una delle partite più emozionanti
della storia del basket.
08:54
It was one of the mostmaggior parte excitingemozionante
gamesi giochi in basketballpallacanestro.
177
522122
2444
E la capacità di conoscere
la probabilità di tiro
08:57
And our abilitycapacità to know
the shottiro probabilityprobabilità for everyogni playergiocatore
178
525438
3429
di ognuno,
a ogni secondo,
09:00
at everyogni secondsecondo,
179
528891
1188
la probabilità che prendessero
un rimbalzo a ogni secondo
09:02
and the likelihoodprobabilità of them gettingottenere
a reboundrimbalzo at everyogni secondsecondo
180
530103
2956
può far luce su questo momento
in modo completamente nuovo.
09:05
can illuminateilluminare this momentmomento in a way
that we never could before.
181
533083
3443
09:09
Now unfortunatelypurtroppo,
I can't showmostrare you that videovideo.
182
537618
2668
Sfortunatamente non posso
farvi vedere il video.
09:12
But for you, we recreatedricreato that momentmomento
183
540310
4493
Ma per voi,
abbiamo ricreato quel momento
durante la nostra partita settimanale
circa 3 settimane fa.
09:16
at our weeklysettimanalmente basketballpallacanestro gamegioco
about 3 weekssettimane agofa.
184
544827
2336
09:19
(LaughterRisate)
185
547279
2167
(Risate)
09:21
And we recreatedricreato the trackingpuntamento
that led to the insightsapprofondimenti.
186
549573
3410
E abbiamo ricreato l'analisi
che ci ha portato a nuove informazioni.
09:25
So, here is us.
This is ChinatownChinatown in LosLos AngelesAngeles,
187
553199
4255
Eccoci qui.
Questa è Chinatown a Los Angeles,
un parco dove giochiamo
tutte le settimane,
09:29
a parkparco we playgiocare at everyogni weeksettimana,
188
557478
1564
09:31
and that's us recreatingricreando
the RayRay AllenAllen momentmomento
189
559066
2231
e questi siamo noi che ricreiamo
il momento Ray Allen
09:33
and all the trackingpuntamento
that's associatedassociato with it.
190
561321
2229
e tutte le analisi associate.
09:36
So, here'secco the shottiro.
191
564772
1517
Ecco il tiro.
09:38
I'm going to showmostrare you that momentmomento
192
566313
2516
Vi faccio vedere quel momento
09:40
and all the insightsapprofondimenti of that momentmomento.
193
568853
2587
e tutte le informazioni di quel momento.
09:43
The only differencedifferenza is, insteadanziché
of the professionalprofessionale playersGiocatori, it's us,
194
571464
3730
L'unica differenza è che, invece di
giocatori professionisti, ci siamo noi,
09:47
and insteadanziché of a professionalprofessionale
announcerannunciatore, it's me.
195
575218
2618
e invece di un professionista,
commento io.
09:49
So, bearorso with me.
196
577860
1477
Quindi siate comprensivi.
09:53
MiamiMiami.
197
581153
1150
Miami.
09:54
Down threetre.
198
582671
1150
Sotto 3 punti.
09:56
TwentyVenti secondssecondi left.
199
584107
1150
20 secondi rimasti.
09:59
JeffJeff bringsporta up the ballpalla.
200
587385
1198
Jeff porta avanti la palla.
10:02
JoshJosh catchescatture, putsmette up a threetre!
201
590656
1535
Josh l'afferra,
fa un tiro da 3 punti!
10:04
[CalculatingCalcolo shottiro probabilityprobabilità]
202
592631
1849
[Calcolo della probabilità del tiro]
10:07
[ShotColpo qualityqualità]
203
595278
1150
[Qualità del tiro]
10:09
[ReboundRimbalzo probabilityprobabilità]
204
597048
1785
[Probabilità di rimbalzo]
10:12
Won'tNon go!
205
600373
1173
Non entra!
10:13
[ReboundRimbalzo probabilityprobabilità]
206
601570
1446
[Probabilità di rimbalzo]
10:15
ReboundRimbalzo, NoelNoel.
207
603777
1256
Rimbalzo, Noel.
10:17
Back to DariaDaria.
208
605057
1150
Indietro a Daria.
10:18
[ShotColpo qualityqualità]
209
606509
3365
[Qualità del tiro]
10:22
Her three-pointertre-pointer -- bangscoppio!
210
610676
1620
E lei fa i 3 punti! Bang!
10:24
TieCravatta gamegioco with fivecinque secondssecondi left.
211
612320
2197
Partita pareggiata con 5 secondi rimasti.
10:26
The crowdfolla goesva wildselvaggio.
212
614880
1618
Il pubblico impazzisce.
10:28
(LaughterRisate)
213
616522
1659
(Risate)
10:30
That's roughlyapprossimativamente how it happenedè accaduto.
214
618205
1547
Più o meno è andata così.
10:31
(ApplauseApplausi)
215
619776
1151
(Applausi)
10:32
RoughlyPiù o meno.
216
620951
1175
Più o meno.
10:34
(ApplauseApplausi)
217
622150
1531
(Applausi)
10:36
That momentmomento had about a ninenove percentper cento
chanceopportunità of happeningavvenimento in the NBANBA
218
624121
5484
Quel momento aveva una probabilità
di accadere nell'NBA del 9%
10:41
and we know that
and a great manymolti other things.
219
629629
2261
e noi lo sappiamo
come moltissime altre cose.
10:43
I'm not going to tell you how manymolti timesvolte
it tookha preso us to make that happenaccadere.
220
631914
3491
Non sto a darvi quante volte
ci abbiamo messo per replicarlo.
10:47
(LaughterRisate)
221
635429
1747
(Risate)
10:49
Okay, I will! It was fourquattro.
222
637200
1872
Via, ve lo dico. Quattro volte.
10:51
(LaughterRisate)
223
639096
1001
(Risate)
10:52
Way to go, DariaDaria.
224
640121
1165
Grande Daria!
10:53
But the importantimportante thing about that videovideo
225
641647
4263
Ma la cosa importante di questo video,
e quello che capiamo
di ogni secondo, non è tanto quello.
10:57
and the insightsapprofondimenti we have for everyogni secondsecondo
of everyogni NBANBA gamegioco -- it's not that.
226
645934
4568
È che non devi essere un professionista
per tener traccia dei movimenti.
11:02
It's the factfatto you don't have to be
a professionalprofessionale teamsquadra to tracktraccia movementmovimento.
227
650639
3929
Non serve essere un professionista
per comprendere meglio il movimento.
11:07
You do not have to be a professionalprofessionale
playergiocatore to get insightsapprofondimenti about movementmovimento.
228
655083
3657
E in fondo, non deve nemmeno
essere sport, perché ci muoviamo ovunque.
11:10
In factfatto, it doesn't even have to be about
sportsgli sport because we're movingin movimento everywhereovunque.
229
658764
3858
11:15
We're movingin movimento in our homesle case,
230
663654
2369
Ci muoviamo nelle nostre case,
11:21
in our officesuffici,
231
669428
1205
nei nostri uffici,
11:24
as we shopnegozio and we travelviaggio
232
672238
2690
mentre facciamo acquisti
e viaggiamo
11:29
throughoutper tutto our citiescittà
233
677318
1253
attraverso le nostre città
11:32
and around our worldmondo.
234
680065
1618
e intorno al mondo.
11:35
What will we know? What will we learnimparare?
235
683270
2295
Quanto conosceremo? Cosa impareremo?
11:37
PerhapsForse, insteadanziché of identifyingidentificazione
pick-and-rollsPick-e-rotoli,
236
685589
2305
Forse, invece di identificare
pick and roll
11:39
a machinemacchina can identifyidentificare
the momentmomento and let me know
237
687918
3010
una macchina può identificare il momento
e informarmi quando mia figlia
fa i suoi primi passi.
11:42
when my daughterfiglia takes her first stepspassaggi.
238
690952
2059
Che potrebbe davvero succedere
da un momento all'altro.
11:45
WhichChe could literallyletteralmente be happeningavvenimento
any secondsecondo now.
239
693035
2536
Forse si può usare meglio i nostri edifici
o pianificare meglio le nostre città.
11:48
PerhapsForse we can learnimparare to better use
our buildingsedifici, better planPiano our citiescittà.
240
696140
3697
11:52
I believe that with the developmentsviluppo
of the sciencescienza of movingin movimento dotspunti,
241
700362
4173
Io credo che con lo sviluppo della scienza
dei punti in movimento,
11:56
we will movemossa better, we will movemossa smarterpiù intelligente,
we will movemossa forwardinoltrare.
242
704559
3643
ci muoveremo meglio, più intelligentemente
e faremo grandi progressi.
12:00
Thank you very much.
243
708607
1189
Grazie mille.
12:01
(ApplauseApplausi)
244
709820
5045
(Applausi)
Translated by Claudia Arrighi
Reviewed by silvio stoppoloni

▲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