TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
Rajiv Maheswaran: Basketbolun en çılgın hareketlerinin ardındaki matematik
Filmed:
Readability: 3.1
2,683,104 views
Basketbol doğaçlamanın, temasın ve Uzaysal/Zamansal Örüntü Tanımlamanın hızlı bir oyunu. Rajiv Maheswaran ve meslektaşları, yeni verilerle sezgiyi birleştirerek koçlara ve oyunculara yardım etmek için maçların kilit oyunlarının ardındaki hareketleri analiz ediyor. Bonus: Öğrendikleri insanların hareketlerini anlamamızda bize yardım edebilir.
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
Çalışma arkadaşlarım ve ben; hareketli
nokta bilimi tarafından büyülendik.
nokta bilimi tarafından büyülendik.
Bu hareketli noktalar nedir?
00:16
So what are these dots?
1
4927
1150
00:18
Well, it's all of us.
2
6101
1287
O noktalar biziz.
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
Tüm dünyada ve şehirler boyunca
evlerimizde, ofislerimizde
evlerimizde, ofislerimizde
alışveriş yaparken ve seyahat
ederken yer değiştiriyoruz.
ederken yer değiştiriyoruz.
00:24
throughout our cities
and around the world.
and around the world.
4
12521
2066
00:26
And wouldn't it be great
if we could understand all this movement?
if we could understand all this movement?
5
14958
3669
Tüm bu hareketleri anlayabilseydik
harika olmaz mıydı?
harika olmaz mıydı?
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
Tüm bunların örüntüsünü, anlamını ve
içyüzünü bulabilsek.
içyüzünü bulabilsek.
00:34
And luckily for us, we live in a time
7
22259
1785
Şansımıza kendimiz hakkında bilgileri
00:36
where we're incredibly good
at capturing information about ourselves.
at capturing information about ourselves.
8
24068
4497
yakalamada iyi olduğumuz bir zamandayız.
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
İster video, uygulama, isterse
sensörler aracılığıyla
sensörler aracılığıyla
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
çok ince ayrıntılarda
hareketleri izleyebiliyoruz.
hareketleri izleyebiliyoruz.
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
Ve görünen o ki en iyi hareket
verilerinin alındığı alan
verilerinin alındığı alan
00:53
is sports.
12
41148
1208
spor branşları.
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
Basketbol ya da beyzbol olsun veya
futbol ya da diğer futbolda
futbol ya da diğer futbolda
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
hareketlerini izleyebilmek için
oyuncularımızı ve
stadyumları kullanıyoruz,
stadyumları kullanıyoruz,
01:04
every fraction of a second.
15
52465
1313
saniyenin her parçası için.
01:05
So what we're doing
is turning our athletes into --
is turning our athletes into --
16
53802
4382
Tam olarak yaptığımız ise
atletlerimizi dönüştürüyoruz --
atletlerimizi dönüştürüyoruz --
01:10
you probably guessed it --
17
58208
1959
muhtemelen tahmin ettiniz --
01:12
moving dots.
18
60191
1396
hareketli noktalara.
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
Böylelikle dağlar kadar hareket eden
noktamız var ve çoğunluğu işlenmemiş veri,
noktamız var ve çoğunluğu işlenmemiş veri,
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
uğraşması zor ve
o kadar da ilgi çekici değiller.
o kadar da ilgi çekici değiller.
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
Ama bazı şeyler var ki örneğin,
basketbol koçlarının bilmek istediği.
basketbol koçlarının bilmek istediği.
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
Problem ise bunları bilemezler, çünkü
hatırlamak ve işlemek için her oyunun
hatırlamak ve işlemek için her oyunun
01:29
of every game, remember it and process it.
23
77057
2589
her saniyesini izlemeleri gerekir.
01:31
And a person can't do that,
24
79804
1930
Bir insan bunu yapamaz
01:33
but a machine can.
25
81758
1310
ama bir makine yapabilir.
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
Problem ise; makine oyunu koçun
gözünden yorumlayamaz.
gözünden yorumlayamaz.
01:39
At least they couldn't until now.
27
87363
2261
En azından şimdiye kadar öyleydi.
01:42
So what have we taught the machine to see?
28
90228
2103
Peki, makineye görmesi için ne öğrettik?
01:45
So, we started simply.
29
93569
1787
Basitten başladık.
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
Paslar, atışlar ve ribaundlar
gibi şeyleri öğrettik.
gibi şeyleri öğrettik.
01:51
Things that most casual fans would know.
31
99203
2541
Çoğu hayranın bildiği şeyler.
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
Daha sonra biraz daha
karmaşıklarına yöneldik.
karmaşıklarına yöneldik.
Post-up, pick-and-roll
(perdele ve yuvarlan)
(perdele ve yuvarlan)
01:56
Events like post-ups,
and pick-and-rolls, and isolations.
and pick-and-rolls, and isolations.
33
104624
4588
gibi hücumlar ve isolation gibi.
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
Bunları bilmiyorsanız sorun yok.
Çoğu oyuncu muhtemelen bilir.
Çoğu oyuncu muhtemelen bilir.
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
Şu an geldiğimiz nokta,
makine karmaşık olayları anlıyor;
makine karmaşık olayları anlıyor;
02:10
like down screens and wide pins.
36
118924
3073
down screen ve wide pin gibi.
02:14
Basically things only professionals know.
37
122021
2726
Genelde profesyonellerin bildiği şeyler.
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
Yani makineye koçun gözüyle
yorumlamasını öğrettik.
yorumlamasını öğrettik.
02:22
So how have we been able to do this?
39
130009
1857
Peki bunu nasıl yapabildik?
02:24
If I asked a coach to describe
something like a pick-and-roll,
something like a pick-and-roll,
40
132511
3118
Bir koçtan pick-and-roll hücumu
gibi bir şeyi anlatmasını istesem
gibi bir şeyi anlatmasını istesem
02:27
they would give me a description,
41
135653
1640
bana bir tanım verecektir
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
ve eğer onu algoritmaya çevirirsem
korkunç olacaktır.
korkunç olacaktır.
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
Pick-and-roll; basketbolda 4 oyuncu,
2 savunma ve 2 hücum, arasında
2 savunma ve 2 hücum, arasında
02:37
two on offense and two on defense.
44
145328
1912
olan bir dans gibidir.
02:39
And here's kind of how it goes.
45
147486
1618
İşte nasıl olduğu.
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
Hücumda topa sahip olmayan adam,
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
topa sahip olanı
koruyanın yanına gider,
koruyanın yanına gider,
02:46
and he kind of stays there
48
154918
1257
orada durur
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
ve hepsi de hareket eder, olaylar gelişir
ve işte pick-and-roll!
ve işte pick-and-roll!
02:51
(Laughter)
50
159540
2215
(Gülüşmeler)
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
Ayrıca bu berbat bir
algoritmanın da bir örneğiydi.
algoritmanın da bir örneğiydi.
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
Eğer müdahale eden (perdeleme yapan)
oyuncu -- screener denilir --
oyuncu -- screener denilir --
03:01
goes close by, but he doesn't stop,
53
169278
2872
yakınından gider ama durmazsa
03:04
it's probably not a pick-and-roll.
54
172174
1765
bu muhtemelen pick-and-roll değildir.
03:06
Or if he does stop,
but he doesn't stop close enough,
but he doesn't stop close enough,
55
174560
3945
Eğer durur ama yeteri
kadar yakın durmazsa,
kadar yakın durmazsa,
03:10
it's probably not a pick-and-roll.
56
178529
1761
muhtemelen pick-and-roll değildir.
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
Veya yakın gider ve durur
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
ama potanın altında yaparlarsa,
muhtemelen pick-and-roll değildir.
muhtemelen pick-and-roll değildir.
03:19
Or I could be wrong,
they could all be pick-and-rolls.
they could all be pick-and-rolls.
59
187462
2524
Ya da yanılabilirim,
hepsi de pick-and-roll olabilir.
hepsi de pick-and-roll olabilir.
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
Zamanlamaya, uzaklıklara,
konumlara dayanıyor
konumlara dayanıyor
03:26
and that's what makes it hard.
61
194602
1495
ve zorlaştıran da bunlar zaten.
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
Neyse ki, makine öğrenmesiyle
yeteneklerimizin ötesine gidebiliriz
yeteneklerimizin ötesine gidebiliriz
03:33
to describe the things we know.
63
201547
1743
bildiklerimizi betimlemek için.
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
Peki, bu nasıl oluyor? Örnekle.
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
Makineye gidiyoruz ve diyoruz ki,
"Günaydın makine.
"Günaydın makine.
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
Burada birkaç pick-and-roll olan
ve olmayan şeyler var.
ve olmayan şeyler var.
03:44
Please find a way to tell the difference."
67
212720
2252
Lütfen farkı söylemek için bir yol bul."
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
Tüm bunların anahtarı ise
ayrıştırabilecek özellikleri bulmakta.
ayrıştırabilecek özellikleri bulmakta.
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
Yani eğer bir elma ile portakal arasındaki
03:52
between an apple and orange,
70
220940
1381
farkı öğreteceksem:
"Neden renk veya şekli
kullanmıyorsun?" diyebilirim.
kullanmıyorsun?" diyebilirim.
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
Ve burada çözdüğümüz problem ise,
bu şeyler ne?
bu şeyler ne?
03:59
What are the key features
73
227711
1247
Ana unsurlar nedir,
04:00
that let a computer navigate
the world of moving dots?
the world of moving dots?
74
228982
3499
bilgisayarın hareketli noktalar
dünyasını yönlendirebileceği?
dünyasını yönlendirebileceği?
04:04
So figuring out all these relationships
with relative and absolute location,
with relative and absolute location,
75
232505
4823
Tüm bu göreli ve mutlak konum,
uzaklık, zamanlama, hızlar
uzaklık, zamanlama, hızlar
04:09
distance, timing, velocities --
76
237352
1909
ilişkilerini çözmek --
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
hareketli noktalar biliminin kilidi
ya da hitap etmeyi sevdiğimiz şekliyle,
ya da hitap etmeyi sevdiğimiz şekliyle,
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
Uzaysal/Zamansal Örüntü Tanımlama,
akademik dilde.
akademik dilde.
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
Çünkü ilk olarak kulağa zor gelen
bir şey yapmalısınız--
bir şey yapmalısınız--
04:22
because it is.
80
250847
1278
çünkü öyle.
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
Kilit şey ise, NBA koçları için,
pick-and-roll olup olmadığını
pick-and-roll olup olmadığını
04:27
whether a pick-and-roll happened or not.
82
255575
1922
bilmek istemeleri değil.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
Nasıl olduğunu bilmek istemeleri.
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
Neden onlar için bu kadar önemli?
İşte biraz içgörü.
İşte biraz içgörü.
04:34
It turns out in modern basketball,
85
262631
1771
Anlaşılan o ki modern basketbolda,
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
bu pick-and-roll belki de
en önemli oyun olmuş durumda.
en önemli oyun olmuş durumda.
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
Ve nasıl oynandığını bilmek,
nasıl savunulacağını bilmek
nasıl savunulacağını bilmek
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
aslında çoğu oyunu kazanmanın
ve kaybetmenin anahtarı.
ve kaybetmenin anahtarı.
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
Görünüşe göre bu dans
birçok harika çeşitlemelere sahip
birçok harika çeşitlemelere sahip
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
ve asıl önemli olan
çeşitlemeleri tanımlamak,
çeşitlemeleri tanımlamak,
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
bu yüzden bunun çok çok iyi
olması gerekiyor.
olması gerekiyor.
04:55
So, here's an example.
92
283228
1176
İşte bir örnek.
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
İki hücum, iki savunma oyuncusu var,
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
pick-and-roll dansına hazırlanan.
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
Pekâlâ, toplu olan adam
alabilir veya geri çevirebilir.
alabilir veya geri çevirebilir.
05:04
His teammate can either roll or pop.
96
292086
3001
Takım arkadaşı ya devrilebilir
ya da dışarı açılabilir.
ya da dışarı açılabilir.
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
Topu koruyan adam ya
üstten geçebilir ya da alttan.
üstten geçebilir ya da alttan.
Onun takım arkadaşı show-up
ya da yakın temas
ya da yakın temas
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
veya soft show-up oynayabilir
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
ve birlikte switch (değişme)
ya da blitz yapabilirler,
ya da blitz yapabilirler,
05:17
and I didn't know
most of these things when I started
most of these things when I started
100
305352
2659
başladığımda bunların çoğunu bilmiyordum
05:20
and it would be lovely if everybody moved
according to those arrows.
according to those arrows.
101
308035
3920
ve herkes bu oklara göre
hareket etseler çok iyi olurdu.
hareket etseler çok iyi olurdu.
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
İşlerimizi kolaylaştırırdı ama
görünen o ki hareket oldukça karışık.
görünen o ki hareket oldukça karışık.
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
İnsanlar fazla hareket ediyor ve
tüm bu değişimleri saptamak,
tüm bu değişimleri saptamak,
05:33
with very high accuracy,
104
321555
1303
üstelik yüksek kesinlikte,
hem duyarlılıkta hem de geri almada zor,
05:34
both in precision and recall, is tough
105
322882
1868
05:36
because that's what it takes to get
a professional coach to believe in you.
a professional coach to believe in you.
106
324774
3618
çünkü bunların hepsi, koçun size
inanması için gerekenler.
inanması için gerekenler.
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
Ve tüm zorluklara rağmen,
doğru uzaysal/zamansal özelliklerle
doğru uzaysal/zamansal özelliklerle
05:43
we have been able to do that.
108
331820
1474
yapabildik.
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
Koçlar, bu değişimleri saptamada
makinemizin yeteneğine güvendi.
makinemizin yeteneğine güvendi.
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
Şu an olduğumuz nokta,
neredeyse her bir yarışmacı
neredeyse her bir yarışmacı
05:53
for an NBA championship this year
111
341035
1623
bu yılki NBA şampiyonluğu için
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
yazılımımızı kullanıyor, basketbolun
hareketli noktalarını anlayan
hareketli noktalarını anlayan
05:59
the moving dots of basketball.
113
347114
1634
makineye kurulmuş olan.
06:01
So not only that, we have given advice
that has changed strategies
that has changed strategies
114
349872
5153
Yalnız bu değil, stratejileri
değiştirecek tavsiyeler de verdik,
değiştirecek tavsiyeler de verdik,
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
takımların çok önemli maçları
yenmelerine yardım eden
yenmelerine yardım eden
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
ve çok heyecan verici bir şey bu,
çünkü 30 yıldır ligde olan
çünkü 30 yıldır ligde olan
06:14
for 30 years that are willing to take
advice from a machine.
advice from a machine.
117
362181
3067
makineden tavsiye almaya
hevesli koçlar var.
hevesli koçlar var.
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
Çok heyecan verici,
pick'n roll'dan çok daha fazla.
pick'n roll'dan çok daha fazla.
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
Bilgisayarımız basit şeylerle başladı
06:22
and learned more and more complex things
120
370904
2064
ve gitgide daha karmaşık şeyler öğrendi
06:24
and now it knows so many things.
121
372992
1561
ve artık çok fazla şey biliyor.
06:26
Frankly, I don't understand
much of what it does,
much of what it does,
122
374577
2835
Açıkçası, yaptığının çoğunu anlamıyorum
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
ve benden akıllı olması o kadar da
özel olmamasına rağmen
özel olmamasına rağmen
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
merak ediyorduk,
bir makine koçtan daha fazla bilebilir mi?
bir makine koçtan daha fazla bilebilir mi?
06:36
Can it know more than person could know?
125
384843
2055
Bir insandan fazlasını bilebilir mi?
06:38
And it turns out the answer is yes.
126
386922
1745
Ve görünüşe göre cevap, evet.
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
Koçlar, oyuncuların iyi sayılar
atmalarını isterler.
atmalarını isterler.
06:43
So if I'm standing near the basket
128
391272
1651
Yani, potaya yakın duruyorsam
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
ve yakınımda kimse yoksa,
bu iyi atıştır.
bu iyi atıştır.
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
Savunma oyuncularıyla çevrili ve
uzaktaysam, bu genelde kötü bir atıştır.
uzaktaysam, bu genelde kötü bir atıştır.
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
Ama iyinin ne kadar "iyi" olduğunu veya
kötününse ne kadar "kötü" olduğunu
nicel olarak bilemeyiz.
nicel olarak bilemeyiz.
06:56
Until now.
132
404209
1150
Şimdiye kadar.
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
Yani yapacağımız, tekrardan,
uzaysal/zamansal özellikleri
uzaysal/zamansal özellikleri
07:00
we looked at every shot.
134
408853
1374
kullanarak her şuta baktık.
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
Görebiliyoruz ki: Atış nerede?
Potaya olan açı ne?
Potaya olan açı ne?
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
Savunma oyuncularının konumları neresi?
Uzaklıkları nasıl?
Uzaklıkları nasıl?
Açıları nasıl?
07:08
What are their angles?
137
416066
1331
Çoklu savunma oyuncuları için
07:09
For multiple defenders, we can look
at how the player's moving
at how the player's moving
138
417421
2977
oyuncuların nasıl
hareket ettiklerine bakabilir
hareket ettiklerine bakabilir
ve atış tipini kestirebiliriz.
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
Hızlarına bakabilir ve
bir model tasarlayabiliriz,
bir model tasarlayabiliriz,
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
bu şartlar altında yapılan atışın
olabilirliğini tahmin edebilecek.
olabilirliğini tahmin edebilecek.
07:22
So why is this important?
142
430188
1500
Peki bu neden önemli?
07:24
We can take something that was shooting,
143
432102
2803
Atışa ait herhangi bir şeyi alıp
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
ki bu tek bir şeydi önceden,
bunu iki şeye çevirebiliriz:
bunu iki şeye çevirebiliriz:
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
Şutun kalitesi ve şut atanın kalitesi.
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
Ve kabarcık grafiği,
çünkü kabarcık grafiksiz bir TED nedir ki?
çünkü kabarcık grafiksiz bir TED nedir ki?
07:36
(Laughter)
147
444966
1014
(Kahkahalar)
07:38
Those are NBA players.
148
446004
1311
Bunlar NBA oyuncuları.
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
Büyüklük oyuncuların boyları ve
renkte pozisyon.
renkte pozisyon.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
X ekseninde atış olasılıkları var.
07:44
People on the left take difficult shots,
151
452639
1953
Soldaki kişiler zor şutları atanlar,
07:46
on the right, they take easy shots.
152
454616
2229
sağdakiler ise kolay şutları atanlar.
07:49
On the [y-axis] is their shooting ability.
153
457194
2057
Y ekseni ise atış kabiliyetleri.
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
İyi olan kişiler üstte, kötüler ise altta.
07:53
So for example, if there was a player
155
461861
1760
Örneğin, eğer şutlarının
07:55
who generally made
47 percent of their shots,
47 percent of their shots,
156
463621
2097
genelde %47'sini atan bir oyuncu varsa,
07:57
that's all you knew before.
157
465718
1389
tek bildiğiniz sadece buydu.
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
Ama bugün, bu oyuncunun şutu
ortalama bir NBA oyuncusunun
ortalama bir NBA oyuncusunun
08:04
would make 49 percent of the time,
159
472219
1961
zamanın yüzde 49'u kadar yaptığı
08:06
and they are two percent worse.
160
474204
1684
ve yüzde 2 kadar daha az.
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
Ve önemli olmasının sebebi de
orada bir sürü %47'ler var.
orada bir sürü %47'ler var.
08:13
And so it's really important to know
162
481714
2549
Yani eğer 100 milyon dolar vermeyi
düşündüğünüz 47;
düşündüğünüz 47;
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
kötü atışlar atan iyi bir şut atan mı
08:20
is a good shooter who takes bad shots
164
488267
3055
yoksa iyi atışlar atan
kötü bir şut atan mı
kötü bir şut atan mı
08:23
or a bad shooter who takes good shots.
165
491346
2397
olduğunu bilmek gerçekten önemli.
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
Makine öğrenmesi sadece oyunculara
nasıl baktığımızı değiştirmez
nasıl baktığımızı değiştirmez
08:30
it changes how we look at the game.
167
498487
1858
ama oyuna nasıl baktığımızı değiştirir.
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
NBA finallerinde birkaç yıl önce
çok heyecan verici bir maç vardı.
çok heyecan verici bir maç vardı.
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
Miami 3 sayı gerideydi,
20 saniye kalmıştı.
20 saniye kalmıştı.
08:39
They were about to lose the championship.
170
507379
2025
Şampiyonayı kaybetmek üzereydiler.
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
LeBron James adındaki beyefendi
geldi ve eşitlik için 3'lük denedi.
geldi ve eşitlik için 3'lük denedi.
08:44
He missed.
172
512793
1198
Kaçırdı.
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
Takım arkadaşı Chris Bosh ribaund aldı,
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
diğer takım arkadaşı,
Ray Allen'a pas attı.
Ray Allen'a pas attı.
08:50
He sank a three. It went into overtime.
175
518059
1919
Bir 3'lük attı. Maç uzatmaya gitti.
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
Maçı kazandılar. Şampiyonayı kazandılar.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
Basketbolun en heyecanlı
maçlarından biriydi.
maçlarından biriydi.
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
Ve her oyuncu için
her saniyede şut olasılığını bilmede
her saniyede şut olasılığını bilmede
09:00
at every second,
179
528891
1188
bizim yeteneğimiz ve
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
her saniyede ribaund
almalarındaki olabilirlik
almalarındaki olabilirlik
09:05
can illuminate this moment in a way
that we never could before.
that we never could before.
181
533083
3443
daha önce olmamış bir şekilde
bu ana ışık tutabilir.
bu ana ışık tutabilir.
09:09
Now unfortunately,
I can't show you that video.
I can't show you that video.
182
537618
2668
Şimdi maalesef, o videoyu gösteremem.
09:12
But for you, we recreated that moment
183
540310
4493
Ama sizin için, o anı canlandırdık,
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
haftalık basketbol
maçımızda üç hafta önce.
maçımızda üç hafta önce.
09:19
(Laughter)
185
547279
2167
(Kahkahalar)
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
Ve içyüzüne ışık tutan
izlemeyi de tekrar canlandırdık.
izlemeyi de tekrar canlandırdık.
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
Ve işte biz.
Burası Los Angeles Çin mahallesinde
Burası Los Angeles Çin mahallesinde
09:29
a park we play at every week,
188
557478
1564
her hafta oynadığımız bir park
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
ve bu da Ray Allen anını ve ilgili
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
tüm izlemeleri canlandıran bizler.
09:36
So, here's the shot.
191
564772
1517
Ve işte şut.
09:38
I'm going to show you that moment
192
566313
2516
Size o anı göstereceğim
09:40
and all the insights of that moment.
193
568853
2587
ve o anın bütün içyüzünü.
09:43
The only difference is, instead
of the professional players, it's us,
of the professional players, it's us,
194
571464
3730
Tek fark, profesyonel
oyuncular yerine biz varız
oyuncular yerine biz varız
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
ve profesyonel spiker yerine ben varım.
09:49
So, bear with me.
196
577860
1477
Bu yüzden, sabredin.
09:53
Miami.
197
581153
1150
Miami
09:54
Down three.
198
582671
1150
3 sayı geride.
09:56
Twenty seconds left.
199
584107
1150
20 saniye kaldı.
09:59
Jeff brings up the ball.
200
587385
1198
Jeff topu getiriyor.
10:02
Josh catches, puts up a three!
201
590656
1535
Josh yakaladı, 3'lük deniyor!
10:04
[Calculating shot probability]
202
592631
1849
[Atış olasılığı hesaplanıyor]
10:07
[Shot quality]
203
595278
1150
[Atış kalitesi]
10:09
[Rebound probability]
204
597048
1785
[Ribaund olasılığı]
10:12
Won't go!
205
600373
1173
Girmedi!
10:13
[Rebound probability]
206
601570
1446
[Ribaund olasılığı]
10:15
Rebound, Noel.
207
603777
1256
Ribaund Noel'de.
10:17
Back to Daria.
208
605057
1150
Daria'ya geldi.
10:18
[Shot quality]
209
606509
3365
[Atış kalitesi]
10:22
Her three-pointer -- bang!
210
610676
1620
3'lük atışı -- basket!
10:24
Tie game with five seconds left.
211
612320
2197
5 saniye kala eşitlik.
10:26
The crowd goes wild.
212
614880
1618
Kalabalık çıldırır.
10:28
(Laughter)
213
616522
1659
(Kahkahalar)
Bu kabaca nasıl gerçekleştiğiydi.
10:30
That's roughly how it happened.
214
618205
1547
10:31
(Applause)
215
619776
1151
(Alkış)
10:32
Roughly.
216
620951
1175
Yaklaşık olarak.
10:34
(Applause)
217
622150
1531
(Alkış)
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
O an, NBA'de yaklaşık %9
gerçekleşme ihtimaline sahip,
gerçekleşme ihtimaline sahip,
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
biz bunu biliyoruz ve
daha birçok diğer şeyleri.
daha birçok diğer şeyleri.
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
Bunun gerçekleşmesinin ne kadar zamanımızı
aldığını söylemeyeceğim.
aldığını söylemeyeceğim.
10:47
(Laughter)
221
635429
1747
(Gülüşmeler)
10:49
Okay, I will! It was four.
222
637200
1872
Tamam, söyleyeceğim! Dört kez.
10:51
(Laughter)
223
639096
1001
(Gülüşmeler)
10:52
Way to go, Daria.
224
640121
1165
Tebrikler Daria.
10:53
But the important thing about that video
225
641647
4263
Ama videoyla ilgili önemli şey
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
ve her NBA maçının her saniyesinin
bilgilerindeki şey-- bu değil.
bilgilerindeki şey-- bu değil.
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
Gerçek şu ki, hareketleri izlemek için
profesyonel bir takım olmanıza gerek yok.
profesyonel bir takım olmanıza gerek yok.
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
Harekete ilişkin bilgiler için
profesyonel bir oyuncu olmanıza gerek yok.
profesyonel bir oyuncu olmanıza gerek yok.
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
Hatta, spor bile olmasına gerek yok,
çünkü her yere hareket ediyoruz.
çünkü her yere hareket ediyoruz.
11:15
We're moving in our homes,
230
663654
2369
Evlerimizde hareket ediyoruz,
11:21
in our offices,
231
669428
1205
ofislerimizde,
11:24
as we shop and we travel
232
672238
2690
alışveriş yaparken ve seyahat ederken,
11:29
throughout our cities
233
677318
1253
şehirler boyunca
11:32
and around our world.
234
680065
1618
ve tüm dünyada.
11:35
What will we know? What will we learn?
235
683270
2295
Ne anlayacağız? Ne öğreneceğiz?
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
Belki de, pick'n rolları
tanımlamak yerine,
tanımlamak yerine,
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
bir makine anı
tanımlayabilir ve bana
tanımlayabilir ve bana
11:42
when my daughter takes her first steps.
238
690952
2059
kızımın ilk adımlarını
haber verebilir.
haber verebilir.
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
Ki şu an gerçekten gerçekleşiyor olabilir.
Belki de binalarımızı
daha iyi kullanabilir
daha iyi kullanabilir
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
ve şehirlerimizi
daha iyi planlayabiliriz.
daha iyi planlayabiliriz.
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
İnanıyorum ki; hareketli noktalar
biliminin gelişimiyle
biliminin gelişimiyle
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
daha iyi, daha akıllı ve daha ileri
hareket edeceğiz.
hareket edeceğiz.
Çok teşekkürler.
12:00
Thank you very much.
243
708607
1189
(Alkışlar)
12:01
(Applause)
244
709820
5045
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