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

ラジブ・マヒシュワラン: バスケットボールの激しい動きの背後にある数学

Filmed:
2,683,104 views

バスケットボールは型にとらわれない動き、選手間の接触、そして「時空パターン認識学的」なる要素をもった速い動きの試合です。ラジブ・マヒシュワランとその仲間は、コーチや選手が新しいデータを直感的なものとを融合出来るように、試合の鍵となるプレイの背後にある動きを解析しています。それだけでなく、この研究で得られた知見は、様々な場面における人々の動きを理解するのにも役立つことでしょう。
- Researcher
Using advanced data analysis tools, Rajiv Maheswaran and Second Spectrum help make basketball teams smarter. Full bio

Double-click the English transcript below to play the video.

00:12
My colleagues同僚 and I are fascinated魅惑的な
by the science科学 of moving動く dotsドット.
0
954
3583
私と研究仲間は
動く点の科学に魅せられています
00:16
So what are these dotsドット?
1
4927
1150
これらの点は何でしょう?
00:18
Well, it's all of us.
2
6101
1287
全て我々自身です
00:19
And we're moving動く in our homes,
in our officesオフィス, as we shopショップ and travel旅行
3
7412
5085
我々は家の中 事務所の中を動き回り
街や世界中で
00:24
throughout全体を通して our cities都市
and around the world世界.
4
12521
2066
買物や旅行をしています
00:26
And wouldn'tしないだろう it be great
if we could understandわかる all this movement移動?
5
14958
3669
こんな動きを全て理解できたら
素晴らしいと思いませんか?
00:30
If we could find patternsパターン and meaning意味
and insight洞察力 in it.
6
18918
2890
ここにパターン、意味を見出し
洞察することができたら?
00:34
And luckily幸運にも for us, we liveライブ in a time
7
22259
1785
幸運なことにも 我々は
00:36
where we're incredibly信じられないほど good
at capturing捕獲 information情報 about ourselves自分自身.
8
24068
4497
自分達自身の情報を実に上手く
取得できる時代に生きています
00:40
So whetherかどうか it's throughを通して
sensorsセンサ or videosビデオ, or appsアプリ,
9
28807
3663
それがセンサー、ビデオ または
アプリであろうとも
00:44
we can trackトラック our movement移動
with incredibly信じられないほど fine detail詳細.
10
32494
2809
見事なほど詳細に
動きを追跡することができます
00:48
So it turnsターン out one of the places場所
where we have the bestベスト dataデータ about movement移動
11
36092
5032
そんな動きを得るのに最適なのが
00:53
is sportsスポーツ.
12
41148
1208
スポーツです
00:54
So whetherかどうか it's basketballバスケットボール or baseball野球,
or footballフットボール or the other footballフットボール,
13
42682
5333
バスケ、野球、サッカーやフットサルであれ
01:00
we're instrumenting装備 our stadiumsスタジアム
and our players選手 to trackトラック their彼らの movements動き
14
48039
4402
競技場に装置を取り付け
選手の動きを1秒にも満たない間隔で
01:04
everyすべて fraction分数 of a second二番.
15
52465
1313
撮影し追跡します
01:05
So what we're doing
is turning旋回 our athletesアスリート into --
16
53802
4382
そう 我々がやっていることは
スポーツ選手を
01:10
you probably多分 guessed推測された it --
17
58208
1959
-皆さんがご想像されるとおり-
01:12
moving動く dotsドット.
18
60191
1396
動く点へと変換することです
01:13
So we've私たちは got mountains山々 of moving動く dotsドット
and like most最も raw dataデータ,
19
61946
4934
他の生データと同様に
膨大な数の動く点を取得します
01:18
it's hardハード to deal対処 with
and not that interesting面白い.
20
66904
2502
取り扱いは面倒で
面白い作業ではありません
01:21
But there are things that, for example,
basketballバスケットボール coachesコーチ want to know.
21
69430
3769
でも選手の動きには 例えばバスケのコーチが
知りたいものが含まれています
01:25
And the problem問題 is they can't know them
because they'd彼らは have to watch everyすべて second二番
22
73223
3810
問題はコーチが 各ゲームを逐次観察し
それを記憶し分析することが
01:29
of everyすべて gameゲーム, remember思い出す it and processプロセス it.
23
77057
2589
不可能であるということです
01:31
And a person can't do that,
24
79804
1930
1人の人間には不可能であっても
01:33
but a machine機械 can.
25
81758
1310
機械になら出来ます
01:35
The problem問題 is a machine機械 can't see
the gameゲーム with the eye of a coachコーチ.
26
83661
3410
問題は機械がコーチの様な視点を持って
ゲームを見ることができないことです
01:39
At least少なくとも they couldn'tできなかった until〜まで now.
27
87363
2261
いや 少なくとも今までは不可能でした
01:42
So what have we taught教えた the machine機械 to see?
28
90228
2103
では我々は機械に
何を学習させたのでしょう?
01:45
So, we started開始した simply単に.
29
93569
1787
単純な方法で始めました
01:47
We taught教えた it things like passesパス,
shotsショット and reboundsリバウンド.
30
95380
3799
パス、シュートやリバウンドを
教えました
01:51
Things that most最も casualカジュアル fansファン would know.
31
99203
2541
バスケファンならご存知ですよね?
01:53
And then we moved移動した on to things
slightly少し more complicated複雑な.
32
101768
2832
次にもう少しだけ複雑なことに
取り組みました
01:56
Eventsイベント like post-upsポストアップ,
and pick-and-rollsピック・アンド・ロール, and isolations分離.
33
104624
4588
ポストアップ、ピックアンドロールや
アイソレーションなどです
02:01
And if you don't know them, that's okay.
Most最も casualカジュアル players選手 probably多分 do.
34
109377
3543
選手なら大抵知っていることですが
ご存じなくても問題ありません
02:05
Now, we've私たちは gotten得た to a pointポイント where today今日,
the machine機械 understands理解する complex複合体 eventsイベント
35
113560
5340
そして 今では機械はダウン・スクリーンや
02:10
like down screensスクリーン and wideワイド pinsピン.
36
118924
3073
ワイド・ピンといったプレイも
把握できるようになりました
02:14
Basically基本的に things only professionals専門家 know.
37
122021
2726
基本的に
プロだけが知っているプレイです
02:16
So we have taught教えた a machine機械 to see
with the eyes of a coachコーチ.
38
124771
4388
機械にはコーチの視点で見るように
学習させました
どうやって出来たのでしょう?
02:22
So how have we been ableできる to do this?
39
130009
1857
02:24
If I asked尋ねた a coachコーチ to describe説明する
something like a pick-and-rollピックアンドロール,
40
132511
3118
コーチにピックアンドロールについて
説明を求めれば
02:27
they would give me a description説明,
41
135653
1640
解説してくれたことでしょうが
02:29
and if I encodedコードされた that as an algorithmアルゴリズム,
it would be terribleひどい.
42
137317
2856
それをアルゴリズムに組込むのは
至難の業です
02:33
The pick-and-rollピックアンドロール happens起こる to be this danceダンス
in basketballバスケットボール betweenの間に four4つの players選手,
43
141026
4278
ピックアンドロールとは
4人で行う2対2の攻防戦での
02:37
two on offense犯罪 and two on defense防衛.
44
145328
1912
こういったダンスのような動きです
02:39
And here'sここにいる kind種類 of how it goes行く.
45
147486
1618
このように動いていきます
02:41
So there's the guy on offense犯罪
withoutなし the ball
46
149128
2533
スクリナー(ディフェンスをガードする選手)が
02:43
the ball and he goes行く next to the guy
guarding警備 the guy with the ball,
47
151685
3209
ボールマンのディフェンスの横に行き
02:46
and he kind種類 of stays滞在する there
48
154918
1257
ずっとガードするのです
02:48
and they bothどちらも move動く and stuffもの happens起こる,
and ta-daタダ, it's a pick-and-rollピックアンドロール.
49
156199
3317
そして2人が動き こうなります ジャーン!
これがピックアンドロールです
02:51
(Laughter笑い)
50
159540
2215
(笑)
02:53
So that is alsoまた、 an example
of a terribleひどい algorithmアルゴリズム.
51
161779
2508
アルゴリズム化が困難な例です
02:56
So, if the playerプレーヤー who'sだれの the interferer干渉源 --
he's calledと呼ばれる the screenerスクリーナ --
52
164913
4204
スクリナーが邪魔をするのですが
03:01
goes行く close閉じる by, but he doesn't stop,
53
169278
2872
近づいても 停止しなければ
03:04
it's probably多分 not a pick-and-rollピックアンドロール.
54
172174
1765
おそらくピックアンドロールでは
ありません
03:06
Or if he does stop,
but he doesn't stop close閉じる enough十分な,
55
174560
3945
逆に 停止しても
十分に近づかなければ
03:10
it's probably多分 not a pick-and-rollピックアンドロール.
56
178529
1761
ピックアンドロールとは
ならないでしょう
03:12
Or, if he does go close閉じる by
and he does stop
57
180642
3237
近づいて停止しても
03:15
but they do it under the basketバスケット,
it's probably多分 not a pick-and-rollピックアンドロール.
58
183903
3324
リングの下では
ピックアンドロールにはならないでしょう
03:19
Or I could be wrong違う,
they could all be pick-and-rollsピック・アンド・ロール.
59
187462
2524
私の間違いで何れも
ピックアンドロールかもしれません
03:22
It really depends依存する on the exact正確 timingタイミング,
the distances距離, the locations場所,
60
190010
4568
正確なタイミング、距離と場所に
依存するので
03:26
and that's what makes作る it hardハード.
61
194602
1495
判断を難しくしています
03:28
So, luckily幸運にも, with machine機械 learning学習,
we can go beyond超えて our own自分の ability能力
62
196579
4944
幸いにも機械学習では
我々が知っていることの記述を
03:33
to describe説明する the things we know.
63
201547
1743
我々の限界以上にこなします
03:35
So how does this work?
Well, it's by example.
64
203314
2280
どのように?
例をお見せしましょう
03:37
So we go to the machine機械 and say,
"Good morning, machine機械.
65
205759
2830
機械に向かって言います
「おはよう 機械君
03:41
Here are some pick-and-rollsピック・アンド・ロール,
and here are some things that are not.
66
209077
3359
ここにピックアンドロールと
そうでないものが あるんだ
03:44
Please find a way to tell the difference."
67
212720
2252
違いを見分けてごらん」
03:47
And the keyキー to all of this is to find
features特徴 that enable有効にする it to separate別々の.
68
215076
3707
この問題を解く鍵は
判別を可能とする特徴を捉えることです
03:50
So if I was going
to teach教える it the difference
69
218807
2109
りんごとみかんの違いを
03:52
betweenの間に an apple林檎 and orangeオレンジ,
70
220940
1381
学習させるならば
03:54
I mightかもしれない say, "Why don't you
use color or shape形状?"
71
222345
2375
「色と形に注目してみたら?」
と言うことでしょう
03:56
And the problem問題 that we're solving解決する is,
what are those things?
72
224744
2943
我々が解決すべき問題は
違いが何かということです
03:59
What are the keyキー features特徴
73
227711
1247
コンピューターが
04:00
that let a computerコンピューター navigateナビゲートする
the world世界 of moving動く dotsドット?
74
228982
3499
動く点を追跡する時に
鍵となる特徴とは何でしょうか?
04:04
So figuring想像する out all these relationships関係
with relative相対 and absolute絶対の locationロケーション,
75
232505
4823
相対的 絶対的な位置、距離、タイミング
それに速度といった
04:09
distance距離, timingタイミング, velocities速度 --
76
237352
1909
全ての情報を把握すること
04:11
that's really the keyキー to the science科学
of moving動く dotsドット, or as we like to call it,
77
239440
4928
それこそが 動く点の科学の神髄です
04:16
spatiotemporal時空間 patternパターン recognition認識,
in academicアカデミック vernacular母国語.
78
244392
3344
「時空パターン認識」という専門用語を
使うのが適切です
04:19
Because the first thing is,
you have to make it sound hardハード --
79
247925
2898
初めての言葉ですから
舌を噛むかもしれません
04:22
because it is.
80
250847
1278
こんな言葉ですから
04:24
The keyキー thing is, for NBANBA coachesコーチ,
it's not that they want to know
81
252410
3141
ポイントはNBAのコーチにとっての関心は
ピックアンドロールが
04:27
whetherかどうか a pick-and-rollピックアンドロール happened起こった or not.
82
255575
1922
あったかどうかでは無く
どのようにして
04:29
It's that they want to know
how it happened起こった.
83
257521
2076
そのプレイが起きたかということです
なぜ 重要なのでしょう?
少し掘り下げてみましょう
04:31
And why is it so important重要 to them?
So here'sここにいる a little insight洞察力.
84
259621
2986
04:34
It turnsターン out in modernモダン basketballバスケットボール,
85
262631
1771
現代のバスケットボールでは
04:36
this pick-and-rollピックアンドロール is perhapsおそらく
the most最も important重要 play遊びます.
86
264426
2539
ピックアンドロールは
おそらく最も重要なプレイです
04:39
And knowing知っている how to run走る it,
and knowing知っている how to defend守る it,
87
267065
2620
どうやって仕掛け
これをどうディフェンスするのかで
04:41
is basically基本的に a keyキー to winning勝つ
and losing負け most最も gamesゲーム.
88
269709
2670
基本的に多くのゲームで勝敗を左右します
04:44
So it turnsターン out that this danceダンス
has a great manyたくさんの variationsバリエーション
89
272403
3801
だから この動きには
様々なバリエーションがあり
04:48
and identifying識別 the variationsバリエーション
is really the thing that matters問題,
90
276228
3648
バリエーションを理解することが
とても重要です
04:51
and that's why we need this
to be really, really good.
91
279900
2529
ですから
この装置がとても重宝します
04:55
So, here'sここにいる an example.
92
283228
1176
例をお見せします
04:56
There are two offensive攻撃
and two defensive防御的 players選手,
93
284428
2379
2対2の攻防戦で
04:58
getting取得 ready準備完了 to do
the pick-and-rollピックアンドロール danceダンス.
94
286831
2152
ピックアンドロールをしようとしています
05:01
So the guy with ball
can eitherどちらか take, or he can reject拒絶する.
95
289007
2683
ボールマンの動きには
テイクとリジェクトがあり
05:04
His teammateチームメイト can eitherどちらか rollロール or popポップ.
96
292086
3001
スクリナーには
ロールとポップがあります
05:07
The guy guarding警備 the ball
can eitherどちらか go over or under.
97
295111
2986
一方ボールマンのディフェンスは
オーバーかアンダーをし
05:10
His teammateチームメイト can eitherどちらか showショー
or play遊びます up to touchタッチ, or play遊びます soft柔らかい
98
298121
4565
スクリナーのディフェンスは
ショウかアップツータッチかソフトをします
05:14
and together一緒に they can
eitherどちらか switchスイッチ or blitzブリッツ
99
302710
2618
またディフェンスが一緒になって
スイッチやブリッズをします
05:17
and I didn't know
most最も of these things when I started開始した
100
305352
2659
始めの頃は こういったことについて
知りませんでした
05:20
and it would be lovely美しい if everybodyみんな moved移動した
accordingに従って to those arrows.
101
308035
3920
このような矢印通りに動いてくれれば簡単で
05:23
It would make our lives人生 a lot easierより簡単に,
but it turnsターン out movement移動 is very messy厄介な.
102
311979
3905
理解しやすいことでしょう
でも実際の動きはとても複雑です
05:28
People wiggle揺れる a lot and getting取得
these variationsバリエーション identified特定された
103
316047
5484
選手はくねくねと複雑に動くので
プレイのバリエーションを
05:33
with very high高い accuracy正確さ,
104
321555
1303
正確に把握すること-
05:34
bothどちらも in precision精度 and recall想起, is toughタフ
105
322882
1868
精度良く プレイを再現することは困難です
05:36
because that's what it takes to get
a professional専門家 coachコーチ to believe in you.
106
324774
3618
だから コーチは人間の判断力を
信用することになります
05:40
And despite何と all the difficulties困難
with the right spatiotemporal時空間 features特徴
107
328416
3380
時空パターン認識には
このような困難がありますが
05:43
we have been ableできる to do that.
108
331820
1474
我々は解析に成功しました
05:45
Coachesコーチ trust信頼 our ability能力 of our machine機械
to identify識別する these variationsバリエーション.
109
333318
3927
コーチたちは我々の機械の
プレイ認識能力を信頼しています
05:49
We're at the pointポイント where
almostほぼ everyすべて singleシングル contender競争者
110
337478
3533
今年に至っては NBAリーグの
05:53
for an NBANBA championshipチャンピオンシップ this year
111
341035
1623
ほぼ全てのチームが
05:54
is usingを使用して our softwareソフトウェア, whichどの is built建てられた
on a machine機械 that understands理解する
112
342682
4408
バスケットボールの動く点を
追跡する機械に搭載された
05:59
the moving動く dotsドット of basketballバスケットボール.
113
347114
1634
ソフトを利用しています
06:01
So not only that, we have given与えられた advice助言
that has changedかわった strategies戦略
114
349872
5153
それだけでなく
とても大切な試合に勝利するための
06:07
that have helped助けた teamsチーム win勝つ
very important重要 gamesゲーム,
115
355049
3352
戦略変更を
我々はアドバイスすることができました
06:10
and it's very excitingエキサイティング because you have
coachesコーチ who've誰が been in the leagueリーグ
116
358425
3732
これはとてもワクワクすることです
30年もの間 リーグに在籍してきた
06:14
for 30 years that are willing喜んで to take
advice助言 from a machine機械.
117
362181
3067
コーチたちが 機械による
アドバイスを受け入れるのですから
06:17
And it's very excitingエキサイティング,
it's much more than the pick-and-rollピックアンドロール.
118
365874
2906
ピックアンドロールを超えたことも
素晴らしことです
06:20
Our computerコンピューター started開始した out
with simple単純 things
119
368804
2076
コンピューターは
簡単なことから始め
06:22
and learned学んだ more and more complex複合体 things
120
370904
2064
もっともっと複雑なことを学習し
06:24
and now it knows知っている so manyたくさんの things.
121
372992
1561
今や多くの事を把握しています
06:26
Frankly率直に, I don't understandわかる
much of what it does,
122
374577
2835
正直言えば 私自身は
学習内容を殆ど理解していませんが
06:29
and while it's not that special特別
to be smarterスマートな than me,
123
377436
3715
私より賢いなんて
特別なことではありません
06:33
we were wondering不思議,
can a machine機械 know more than a coachコーチ?
124
381175
3644
こう思ったことがあります
機械はコーチを超えられるか?
06:36
Can it know more than person could know?
125
384843
2055
人間以上に知り得るか?
06:38
And it turnsターン out the answer回答 is yes.
126
386922
1745
今や その答えは「イエス」です
06:40
The coachesコーチ want players選手
to take good shotsショット.
127
388691
2557
コーチはシュートを上手く放つ
選手を欲しがります
06:43
So if I'm standing立っている near近く the basketバスケット
128
391272
1651
私がゴールの近くにいて
06:44
and there's nobody誰も near近く me,
it's a good shotショット.
129
392947
2166
近くに誰もいなければ
シュートを決めやすく
06:47
If I'm standing立っている far遠い away surrounded囲まれた
by defendersディフェンダー, that's generally一般的に a bad悪い shotショット.
130
395137
3940
逆に ゴールから遠く 敵に囲まれていれば
シュートを決めるのが難しくなります
06:51
But we never knew知っていた how good "good" was,
or how bad悪い "bad悪い" was quantitatively定量的に.
131
399101
4876
しかし シュートの良し悪しの程度を
定量的に判断できませんでした
06:56
Untilまで now.
132
404209
1150
今までは です
06:57
So what we can do, again,
usingを使用して spatiotemporal時空間 features特徴,
133
405771
3058
ここで時空パターン認識の
再登場です
07:00
we looked見た at everyすべて shotショット.
134
408853
1374
各シュートを分析しました
07:02
We can see: Where is the shotショット?
What's the angle角度 to the basketバスケット?
135
410251
3005
調べることは「シュートの場所は?
リングとの角度は?
07:05
Where are the defendersディフェンダー standing立っている?
What are their彼らの distances距離?
136
413280
2762
ディフェンスの位置は?
その距離は?
07:08
What are their彼らの anglesアングル?
137
416066
1331
立っている角度は?」などです
07:09
For multiple複数 defendersディフェンダー, we can look
at how the player'sプレーヤーの moving動く
138
417421
2977
複数のディフェンダーがいる時も
選手の動きを追って
07:12
and predict予測する the shotショット typeタイプ.
139
420422
1433
シュートのタイプを予測できます
07:13
We can look at all their彼らの velocities速度
and we can buildビルドする a modelモデル that predicts予測する
140
421879
4074
選手の速度から
このような状況下で
07:17
what is the likelihood尤度 that this shotショット
would go in under these circumstances状況?
141
425977
4052
どのようなシュートが放たれるかという
予測モデルを構築できます
07:22
So why is this important重要?
142
430188
1500
なぜ これが重要なのでしょう?
07:24
We can take something that was shooting射撃,
143
432102
2803
シュートについて解析してみます
07:26
whichどの was one thing before,
and turn順番 it into two things:
144
434929
2680
かつては一元的なものでしたが
今は2つの因子に分解します
07:29
the quality品質 of the shotショット
and the quality品質 of the shooter射手.
145
437633
2651
シュートの質と
シューターの質です
07:33
So here'sここにいる a bubbleバブル chartチャート,
because what's TEDTED withoutなし a bubbleバブル chartチャート?
146
441680
3262
このバブル・チャートをご覧ください
TEDには不可欠ですよね?
07:36
(Laughter笑い)
147
444966
1014
(笑)
07:38
Those are NBANBA players選手.
148
446004
1311
各点はNBAの選手です
点の大きさは選手の大きさ
色はポジションを表しています
07:39
The sizeサイズ is the sizeサイズ of the playerプレーヤー
and the color is the positionポジション.
149
447339
3120
07:42
On the x-axisx軸,
we have the shotショット probability確率.
150
450483
2132
横軸は シュートの成功可能性で
07:44
People on the left take difficult難しい shotsショット,
151
452639
1953
左に行けば難易度が上がり
07:46
on the right, they take easy簡単 shotsショット.
152
454616
2229
右に行けば難易度が下がります
07:49
On the [y-axisy軸] is their彼らの shooting射撃 ability能力.
153
457194
2057
縦軸は 選手のシュート能力です
07:51
People who are good are at the top,
bad悪い at the bottom.
154
459275
2562
上に行くほど良い選手で
下の方は その逆です
07:53
So for example, if there was a playerプレーヤー
155
461861
1760
例えば 通常47%の確率で
07:55
who generally一般的に made
47 percentパーセント of their彼らの shotsショット,
156
463621
2097
シュートを成功させる選手がいるとします
07:57
that's all you knew知っていた before.
157
465718
1389
以前なら これが情報の全てです
07:59
But today今日, I can tell you that playerプレーヤー
takes shotsショット that an average平均 NBANBA playerプレーヤー
158
467345
4850
でも今なら NBAの平均的な選手なら
49%の確率で成功させるシュートを
08:04
would make 49 percentパーセント of the time,
159
472219
1961
この選手は2%低くさせると
いうことができます
08:06
and they are two percentパーセント worse悪化する.
160
474204
1684
この選手は2%低くさせると
いうことができます
08:08
And the reason理由 that's important重要
is that there are lots of 47s out there.
161
476266
4515
47%といっても様々な組み合わせが
あることが重要です
08:13
And so it's really important重要 to know
162
481714
2549
47%の数字をたたき出す
08:16
if the 47 that you're considering考える
giving与える 100 million百万 dollarsドル to
163
484287
3956
100億円プレイヤーの獲得を
考えるのならば
08:20
is a good shooter射手 who takes bad悪い shotsショット
164
488267
3055
難しいシュートを成功させる選手なのか
シュートの質は低くても
08:23
or a bad悪い shooter射手 who takes good shotsショット.
165
491346
2397
チャンスの高いシュートを放つ
選手なのかは重要な要素です
08:27
Machine機械 understanding理解 doesn't just change変化する
how we look at players選手,
166
495130
3333
機械学習では
選手の見方は変わりませんが
08:30
it changes変更 how we look at the gameゲーム.
167
498487
1858
試合の見方が変わります
08:32
So there was this very excitingエキサイティング gameゲーム
a coupleカップル of years ago, in the NBANBA finals決勝.
168
500369
3755
数年前NBAのファイナルで
大いに盛り上がった試合がありました
08:36
Miamiマイアミ was down by three,
there was 20 seconds left.
169
504148
3207
3点を追うマイアミ
後り時間は20秒
08:39
They were about to lose失う the championshipチャンピオンシップ.
170
507379
2025
シリーズの敗北が目前でした
08:41
A gentleman紳士 named名前 LeBronルブロン Jamesジェームス
came来た up and he took取った a three to tieネクタイ.
171
509428
3341
レブロン・ジェームズという選手が
同点となる3点シュートを放つも
08:44
He missed逃した.
172
512793
1198
外れました
08:46
His teammateチームメイト Chrisクリス Boshボッシュ got a reboundリバウンド,
173
514015
1837
クリス・ボッシュ選手が
リバウンドに入り
08:47
passed合格 it to another別の teammateチームメイト
named名前 Rayレイ Allenアレン.
174
515876
2159
レイ・アレン選手にパス
そのアレン選手が
3点シュートを沈め
延長戦に入りました
08:50
He sank沈んだ a three. It went行った into overtime時間とともに.
175
518059
1919
結局試合に勝利し
ファイナルを制しました
08:52
They won勝った the gameゲーム.
They won勝った the championshipチャンピオンシップ.
176
520002
2096
史上 もっともエキサイティングな
試合の1つでした
08:54
It was one of the most最も excitingエキサイティング
gamesゲーム in basketballバスケットボール.
177
522122
2444
08:57
And our ability能力 to know
the shotショット probability確率 for everyすべて playerプレーヤー
178
525438
3429
各選手の 各瞬間における
09:00
at everyすべて second二番,
179
528891
1188
シュート成功率や
09:02
and the likelihood尤度 of them getting取得
a reboundリバウンド at everyすべて second二番
180
530103
2956
各瞬間にリバウンドを取る確率が分かると
09:05
can illuminate照らす this moment瞬間 in a way
that we never could before.
181
533083
3443
この場面を まったく新しい見方で
捉えられます
09:09
Now unfortunately残念ながら,
I can't showショー you that videoビデオ.
182
537618
2668
残念ながらその時のビデオを
お見せできませんが
09:12
But for you, we recreated再作成 that moment瞬間
183
540310
4493
3週間ほど前に
我々がプレイしている週例の試合の時に
09:16
at our weekly毎週 basketballバスケットボール gameゲーム
about 3 weeks ago.
184
544827
2336
皆さんのために
そのプレイを再現しました
09:19
(Laughter笑い)
185
547279
2167
(笑)
09:21
And we recreated再作成 the tracking追跡
that led to the insights洞察.
186
549573
3410
分析を行った選手の動きを再現しました
09:25
So, here is us.
This is Chinatownチャイナタウン in Losロス Angelesアンジェルス,
187
553199
4255
これは私たちです
ここは毎週プレイしているロスアンジェルスの
09:29
a parkパーク we play遊びます at everyすべて week週間,
188
557478
1564
チャイナタウンにある公園です
09:31
and that's us recreating再作成する
the Rayレイ Allenアレン moment瞬間
189
559066
2231
レイ・アランのあのプレイを
再現しています
09:33
and all the tracking追跡
that's associated関連する with it.
190
561321
2229
全てが あのプレイの
追跡データのとおりです
09:36
So, here'sここにいる the shotショット.
191
564772
1517
そしてシュート
09:38
I'm going to showショー you that moment瞬間
192
566313
2516
その瞬間と解析結果を
09:40
and all the insights洞察 of that moment瞬間.
193
568853
2587
お見せします
09:43
The only difference is, instead代わりに
of the professional専門家 players選手, it's us,
194
571464
3730
違いは プロの選手ではなく
私たちであり
09:47
and instead代わりに of a professional専門家
announcerアナウンサー, it's me.
195
575218
2618
アナウンスもプロでなく私がしますので
09:49
So, bearくま with me.
196
577860
1477
我慢してお付き合いください
09:53
Miamiマイアミ.
197
581153
1150
3点を追うマイアミ
09:54
Down three.
198
582671
1150
3点を追うマイアミ
09:56
Twenty20 seconds left.
199
584107
1150
残り20秒
09:59
Jeffジェフ bringsもたらす up the ball.
200
587385
1198
ジェフのドリブル
10:02
Joshジョシュ catchesキャッチ, puts置く up a three!
201
590656
1535
ジョシュにパスを回し
3点シュート
10:04
[Calculating計算する shotショット probability確率]
202
592631
1849
[ シュート成功率を計算中 ]
10:07
[Shotショット quality品質]
203
595278
1150
[ シュートの質 ]
10:09
[Reboundリバウンド probability確率]
204
597048
1785
[ リバウンドの確率 ]
10:12
Won'tされません go!
205
600373
1173
失敗!
10:13
[Reboundリバウンド probability確率]
206
601570
1446
[ リバウンドの確率 ]
10:15
Reboundリバウンド, Noelノエル.
207
603777
1256
ノエルがリバウンドし
10:17
Back to Dariaダリア.
208
605057
1150
ダリアにパス
10:18
[Shotショット quality品質]
209
606509
3365
[ シュートの質 ]
10:22
Her three-pointer3ポインター -- bang強打!
210
610676
1620
3点シュートが決まった!
10:24
Tieネクタイ gameゲーム with five seconds left.
211
612320
2197
残り5秒で同点に
10:26
The crowd群集 goes行く wild野生.
212
614880
1618
観衆は大興奮
10:28
(Laughter笑い)
213
616522
1659
(笑)
10:30
That's roughly大まかに how it happened起こった.
214
618205
1547
こんな感じのプレイでした
10:31
(Applause拍手)
215
619776
1151
(拍手)
10:32
Roughly大まかに.
216
620951
1175
だいたいこんな感じです
10:34
(Applause拍手)
217
622150
1531
(拍手)
10:36
That moment瞬間 had about a nine9人 percentパーセント
chanceチャンス of happeningハプニング in the NBANBA
218
624121
5484
NBAだったら あれが成功する確率は
9%程度です
10:41
and we know that
and a great manyたくさんの other things.
219
629629
2261
そういったことを知ることができます
10:43
I'm not going to tell you how manyたくさんの times
it took取った us to make that happen起こる.
220
631914
3491
このプレイの再現に
何回費やしたかは秘密です
10:47
(Laughter笑い)
221
635429
1747
(笑)
10:49
Okay, I will! It was four4つの.
222
637200
1872
いいですよ お教えます!
4回でした
10:51
(Laughter笑い)
223
639096
1001
(笑)
10:52
Way to go, Dariaダリア.
224
640121
1165
ダリア お見事!
10:53
But the important重要 thing about that videoビデオ
225
641647
4263
しかし こんなビデオ映像や
NBAの各試合の
10:57
and the insights洞察 we have for everyすべて second二番
of everyすべて NBANBA gameゲーム -- it's not that.
226
645934
4568
各瞬間の分析そのものが
重要だというのではなく
11:02
It's the fact事実 you don't have to be
a professional専門家 teamチーム to trackトラック movement移動.
227
650639
3929
動きを追跡するのに
専門家チームが必要ではなく
11:07
You do not have to be a professional専門家
playerプレーヤー to get insights洞察 about movement移動.
228
655083
3657
動作を解析するのに
専門家である必要がないという事実です
11:10
In fact事実, it doesn't even have to be about
sportsスポーツ because we're moving動く everywhereどこにでも.
229
658764
3858
さらには スポーツに限る必要はありません
我々はいつでも どこでも動いています
11:15
We're moving動く in our homes,
230
663654
2369
家の中でも 動いています
11:21
in our officesオフィス,
231
669428
1205
オフィスでも
11:24
as we shopショップ and we travel旅行
232
672238
2690
買物したり 旅行したり
11:29
throughout全体を通して our cities都市
233
677318
1253
街の中
11:32
and around our world世界.
234
680065
1618
世界中を動き回っています
11:35
What will we know? What will we learn学ぶ?
235
683270
2295
何を知り 何を学べるでしょう?
11:37
Perhapsおそらく, instead代わりに of identifying識別
pick-and-rollsピック・アンド・ロール,
236
685589
2305
ピックアンドロールの代わりに
11:39
a machine機械 can identify識別する
the moment瞬間 and let me know
237
687918
3010
機械はおそらく
私の娘が最初の一歩を歩み出すときに
11:42
when my daughter takes her first stepsステップ.
238
690952
2059
動きを捉え
私に知らせてくれることでしょう
11:45
Whichどの could literally文字通り be happeningハプニング
any second二番 now.
239
693035
2536
文字通り いつにでも起こりうることです
11:48
Perhapsおそらく we can learn学ぶ to better use
our buildings建物, better plan計画 our cities都市.
240
696140
3697
建物や街のデザインを良くするのにも
利用できるでしょう
11:52
I believe that with the development開発
of the science科学 of moving動く dotsドット,
241
700362
4173
動く点の科学を進歩させることによって
11:56
we will move動く better, we will move動く smarterスマートな,
we will move動く forward前進.
242
704559
3643
より良いスマートな動きができるようになり
進歩するものと信じています
12:00
Thank you very much.
243
708607
1189
どうも有難うございました
12:01
(Applause拍手)
244
709820
5045
(拍手)
Translated by Tomoyuki Suzuki
Reviewed by Masako Kigami

▲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