The Math Behind Basketball's Wildest Moves | Rajiv Maheswaran | TED Talks

1,107,248 views ・ 2015-07-06

TED


يرجى النقر نقرًا مزدوجًا فوق الترجمة الإنجليزية أدناه لتشغيل الفيديو.

المترجم: maria mustafa المدقّق: Anwar Dafa-Alla
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
زملائي و انا معجبين بعلم النقاط المتحركة
00:16
So what are these dots?
1
16927
1150
فما هي هذه النقاط ؟
00:18
Well, it's all of us.
2
18101
1287
حسنا، هي كل واحد منا.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
و نحن نتحرك في بيوتنا، في مكاتبنا، كما نحن نتسوق و نسافر
00:24
throughout our cities and around the world.
4
24521
2066
خلال مدننا و حول العالم.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
اليس من الجيد من ان نكون قادرين على ان نتفهم كل هذه التحركات
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
اذا كنا قادرين على ايجاد انماط و معاني و النظر في ذلك
00:34
And luckily for us, we live in a time
7
34259
1785
و لحسن الحظ لنا، نحن نعيش في زمان
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
و نحن بشكل لا يصدق جيدين في التقاط معلومات عن انفسنا
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
و ذلك سواء من خلال اجهزة الاستشعار او الفيديو, او التطبيقات
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
نحن نستطيع تتبع حركاتنا بتفاصيل دقيقة لا تصدق
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
لذلك تبين ان احد الاماكن حيث وجدنا ان افضل بيانات حول الحركة
00:53
is sports.
12
53148
1208
هي الرياضة
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
ذلك سواء اكان في كرة السلة او البيسبول, او كرة القدم او كرة القدم الاخرى
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
نحن نجهز ملاعبنا بالاجهزة و لاعبينا حتى نتتبع حركاتهم
01:04
every fraction of a second.
15
64465
1313
كل جزء من الثانية
01:05
So what we're doing is turning our athletes into --
16
65802
4382
و ما نفعله هو تحويل لاعبينا الى
01:10
you probably guessed it --
17
70208
1959
ربما عرفتم الى ماذا
01:12
moving dots.
18
72191
1396
نقاط متحركة
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
لذلك لدينا كومة من النقاط المتحركة و كمعظم البينات الاولية،
01:18
it's hard to deal with and not that interesting.
20
78904
2502
من الصعب التعامل معها و ليس بتلك المتعة.
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
لكن هناك اشياء التي على سبيل المثال، مدربين كرة السلة يريدون معرفته.
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
و المشكلة انه لا يمكنهم معرفتها لانهم بحاجة الى مشاهدة كل ثانية
01:29
of every game, remember it and process it.
23
89057
2589
من كل مباراة، تذكره و معالجته.
01:31
And a person can't do that,
24
91804
1930
و الانسان لا يمكنه فعل ذلك
01:33
but a machine can.
25
93758
1310
لكن الآلة تستطيع
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
المشكلة ان الآلة لا تسطيع ان ترى المباراة كما يراها المدرب
01:39
At least they couldn't until now.
27
99363
2261
على الاقل لم يتمكنوا حتى اﻷن
01:42
So what have we taught the machine to see?
28
102228
2103
فماذا علمنا الآلة ان ترى؟
01:45
So, we started simply.
29
105569
1787
لذلك بدأنا ببساطة.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
علمناها اشياء مثل التمريرات، و لقطات و الترددات.
01:51
Things that most casual fans would know.
31
111203
2541
اشياء التي يعرفها المشجعين العاديين.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
و من ثم انتقلنا الى الاشياء الاكثر تعقيدا بقليل.
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
احداث مثل "بوست ابس" و انتقاء و لفات, و العزلة
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
و اذا لم تعرفوهم, لا بأس بذلك. معظم اللاعبين العاديين ربما يعرفون.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
الان, نحن وصلنا الى نقطة حيث ان اليوم, الآلة تفهم احداث معقدة
02:10
like down screens and wide pins.
36
130924
3073
مثل "داون سكرينس" و "وايد بينس"
02:14
Basically things only professionals know.
37
134021
2726
الاشياء التي يعرفها المحترفين اساسا.
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
لذلك علمنا اﻵلة بان ترى كما يرى المدرب .
02:22
So how have we been able to do this?
39
142009
1857
فكيف كنا قادرين على فعل ذلك؟
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
اذا سألت مدرب بأن يصف لي شيئا مثل "بيك-اند-رول",
02:27
they would give me a description,
41
147653
1640
لاعطوني وصف،
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
و لو شفرت ذلك كخوارزمية، سيكون فظيعا.
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
ال"بيك-اند-رول" حدث ان تكون هذه الرقصة في كرة السلة بين اربعة لاعبين,
02:37
two on offense and two on defense.
44
157328
1912
اثنين على الهجوم و اثنين علي الدفاع.
02:39
And here's kind of how it goes.
45
159486
1618
وهنا نوعا ما كيف تسير الأمور.
02:41
So there's the guy on offense without the ball
46
161128
2533
اذا هنالك الشخص على الموقع الهجومي دون الكرة
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
هو و الكرة يذهبان الى جانب الشخص الذي يحرس الشخص مع الكرة،
02:46
and he kind of stays there
48
166918
1257
و هو نوعا ما يبقى هناك
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
و كلاهما يتحركان و اشياء تحدث, و تا-دا, انها "بيك-اند-رول".
02:51
(Laughter)
50
171540
2215
(ضحك)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
اذا هذا ايضا مثال على خوارزمية فظيعة.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
اذا, اذا كان اللاعب الذي يتدخل -- هو يسمي ب"سكرينير"--
03:01
goes close by, but he doesn't stop,
53
181278
2872
يذهب بالقرب من, لكنه لا يتوقف،
03:04
it's probably not a pick-and-roll.
54
184174
1765
انها لربما ليست " بيك-اند-رول".
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
او اذا توقف, لكنه لا يتوقف لا يقترب الى حد كافي,
03:10
it's probably not a pick-and-roll.
56
190529
1761
انها لربما ليست " بيك-اند-رول".
03:12
Or, if he does go close by and he does stop
57
192642
3237
او, اذا اقترب منه و هو يتوقف
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
لكنهم يفعلوها تحت السلة, انها لربما ليست " بيك-اند-رول".
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
او قد اكون مخطئ, من الممكن ان كلهن " بيك-اند-رول".
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
و هو حقا على يعتمد على الوقت الدقيق و المسافات و المواقع
03:26
and that's what makes it hard.
61
206602
1495
و هذا ما يجعله صعب.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
لذلك مع حسن الحظ، مع تعلم الآلة، يمكننا تجاوز قدراتنا
03:33
to describe the things we know.
63
213547
1743
لوصف الاشياء التي نعرفها.
03:35
So how does this work? Well, it's by example.
64
215314
2280
فكيف هذا يعمل؟ حسنا انها من خلال النماذج.
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
لذلك نحن الى الآلة و نقول, " صباح الخير يا آلة.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
و ها هنا بعض "بيك اند رولس", و ها هنا بعض الاشياء التي ليست.
03:44
Please find a way to tell the difference."
67
224720
2252
من فضلك جد طريقة لمعرفة الفرق."
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
و المفتاح لكل هذا هو ايجاد المميزات التي تمكنها من الفصل.
03:50
So if I was going to teach it the difference
69
230807
2109
لذلك اذا كنت ذاهبا لاعلمها الفروق
03:52
between an apple and orange,
70
232940
1381
بين تفاحة و البرتقال
03:54
I might say, "Why don't you use color or shape?"
71
234345
2375
ربما اقول, "لماذا لا تستخدم لون او شكل؟"
03:56
And the problem that we're solving is, what are those things?
72
236744
2943
و المشكلة التي نحلها هي، ما هي هذه الاشياء؟
03:59
What are the key features
73
239711
1247
ما هي الملامح الرئيسية
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
التي تدع الكمبيوتر التنقل في عالم النقاط المتحركة؟
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
لذلك اكتشاف كل هذه العلاقات مع موقع النسبي و المطلق،
04:09
distance, timing, velocities --
76
249352
1909
مسافة، التوقيت، سرعات--
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
هذا هو حقا المفتاح علم النقاط المتحركة او كما نحب ان نسميه،
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
التعرف على الانماط الزمانية المكانية، في الاكادمية العامية.
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
لان اول شئ هو، يجب عليك ان تجعل الامر يبدو صعب--
04:22
because it is.
80
262847
1278
لانه كذلك.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
الشيئ الرئيسي لمدربين NBA هو ليس انهم لا يريدون معرفة
04:27
whether a pick-and-roll happened or not.
82
267575
1922
اذا حدث "بيك اند رول" ام لم يحدث.
04:29
It's that they want to know how it happened.
83
269521
2076
هو انهم يريدون معرفة كيف حدث.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
و لماذا هذا مهم لهم؟ اذا هذه معرفة بسيطة.
04:34
It turns out in modern basketball,
85
274631
1771
اتضح ان في كرة السلة الحديثة,
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
ربما ال"بيك اند رول" اهم اللعب.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
و معرفة كيفية ادارتها, و معرفة كيفية حمايتها,
04:41
is basically a key to winning and losing most games.
88
281709
2670
هو اساسا مفتاح الفوز و الخسارة في معظم المباريات.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
اتضح ان هذه الرقصة لها عدد كبير من البدائل
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
و تعريف هذه البدائل هو الامر المهم,
04:51
and that's why we need this to be really, really good.
91
291900
2529
و لهذا لماذا نحن نحتاج من ان ذلك يكون جيد جدا,
04:55
So, here's an example.
92
295228
1176
اذن, هذا مثال.
04:56
There are two offensive and two defensive players,
93
296428
2379
هنلك لاعبين اثنين مهاجمين و لاعبين اثنين مدافعين,
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
مستدعين ليقوموا رقصة ال"بيك اند رول".
05:01
So the guy with ball can either take, or he can reject.
95
301007
2683
اذن الشخص مع الكرة يمكنه يأخذ او يمكنه يرفض
05:04
His teammate can either roll or pop.
96
304086
3001
بامكان زملائه اما ان يفعلو ال"رول" او "بوب".
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
الشخص الذي يحرس الكرة يمكنه اما ان يذهب من فوق او من تحت.
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
زملائه يمكنهم اما الاظهار او اللعب حتى اللمس او اللعب بليونه
05:14
and together they can either switch or blitz
99
314710
2618
و مع بعضهم اما يمكنهم التبديل او الهجوم
05:17
and I didn't know most of these things when I started
100
317352
2659
و لم أعرف معظم هذه الاشياء عندما بدأت
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
وسيكون من الرائع لو ان الجميع تحركوا وفقا لهذه الاسهم.
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
سيجعل حياتنا اسهل بكثير, و لكن اتضح ان الحركات فوضوية جدا.
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
الناس يهتزون كثيرا و تعريف هذه المتغيرات
05:33
with very high accuracy,
104
333555
1303
مع الدقة العالية,
05:34
both in precision and recall, is tough
105
334882
1868
في كلا الدقة و الاسترداد صعب
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
لان هذا ما يلزم لمدرب المحترف يصدقك.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
و بالرغم من الصعوبات المتعلقة بالملامح الزمانية و المكانية الصحيحة
05:43
we have been able to do that.
108
343820
1474
استطعنا القيام من ذلك.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
المدربين يؤمنون بقدرات آلتنا في تحديد هذه المتغيرات.
05:49
We're at the point where almost every single contender
110
349478
3533
نحن عند النقطة حيث ان كل منافس تقريبا
05:53
for an NBA championship this year
111
353035
1623
لبطولة الNBA في هذا العام
05:54
is using our software, which is built on a machine that understands
112
354682
4408
يستخدم برمجياتنا المبنية على الآلة التي تدرك
05:59
the moving dots of basketball.
113
359114
1634
النقاط المتحركة لكرة السلة.
06:01
So not only that, we have given advice that has changed strategies
114
361872
5153
و ليس فقط ذلك، بل واعطينا النصائح التي غيرت استراتيجيات
06:07
that have helped teams win very important games,
115
367049
3352
التي ساعدت الفرق في الفوز في مباريات مهمة،
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
و هذا في غاية الاثارة لان لديك مدربين الذين كانوا في الدوري
06:14
for 30 years that are willing to take advice from a machine.
117
374181
3067
لمدة 30 عاما الذين هم مستعدين ﻹخذ نصائح من آلة.
06:17
And it's very exciting, it's much more than the pick-and-roll.
118
377874
2906
و هو مثير جدا، و اكثر بكثير من "بيك اند رول".
06:20
Our computer started out with simple things
119
380804
2076
حاسوبنا ابتدأ بالاشياء الصغيرة
06:22
and learned more and more complex things
120
382904
2064
و تعلم المزيد و المجزيد من الاشياء المعقدة
06:24
and now it knows so many things.
121
384992
1561
و الان يعرف اشياء كثيرة.
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
بصراحة، انا لا افهم كثيرا بما يفعله
06:29
and while it's not that special to be smarter than me,
123
389436
3715
و حينما انه ليس من المهم ان يكون اذكى مني،
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
نحن كن نتسائل هل يمكن للآلة ان تعرف اكثر من المدرب؟
06:36
Can it know more than person could know?
125
396843
2055
هل يمكنها ان تعرف اكثر من الشخص؟
06:38
And it turns out the answer is yes.
126
398922
1745
و اتضح ان الجواب هو نعم.
06:40
The coaches want players to take good shots.
127
400691
2557
المدربين يريدون اللاعبين لاتخاذ ضربات جيدة.
06:43
So if I'm standing near the basket
128
403272
1651
لذلك اذا كنت وواقفا بجانب السلة
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
و ليس هناك احد بجانبي، انها ضربة جيدة.
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
اذا كنت واقفا بعيدا و محاصر بالمدافعين ، تلك بشكل عام ضربة سيئة.
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
و لكننا لم نعرف كيف الجيد كان "جيدا" او كيف السيئ كان "سيئا" كميا.
06:56
Until now.
132
416209
1150
حتى الان.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
اذا ما يمكننا فعله، مجددا، هو استخدام ميزات الزمانية و المكانية،
07:00
we looked at every shot.
134
420853
1374
نظرنا الى لقطة.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
بامكاننا ان نرى: اين اللقطة؟ أي زاوية الى السلة؟
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
اين المهاجمون واقفون؟ ما هي مسافاتهم؟
07:08
What are their angles?
137
428066
1331
ما هي زواياهم؟
07:09
For multiple defenders, we can look at how the player's moving
138
429421
2977
لعدة مهاجمين، يمكننا ان نرى كيف يتحرك اللاعبون
07:12
and predict the shot type.
139
432422
1433
و تنبؤ نوعية المحاولة.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
يمكننا ان نرى جميع سرعاتهم و يمكننا ان نبنى نموذج الذي يتوقع
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
ما هو الاحتمال ان المحاولة ستسير وفق هذه الظروف؟
07:22
So why is this important?
142
442188
1500
اذن لماذا هذا مهم؟
07:24
We can take something that was shooting,
143
444102
2803
يمكننا اخذ شيئ كان يرمي،
07:26
which was one thing before, and turn it into two things:
144
446929
2680
الذي كان شيئ واحد من قبل و تحويله الى شيئين:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
نوعية الرمية و نوعية الرامي.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
اذن هذا تخطيط فقاعي، لأنه ما هو TED من دون تخطيط فقاعي؟
07:36
(Laughter)
147
456966
1014
( ضحك)
07:38
Those are NBA players.
148
458004
1311
هؤلاء لاعبين NBA
07:39
The size is the size of the player and the color is the position.
149
459339
3120
الحجم هو حجم اللاعب و اللون هو الموقع.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
على محور السيني لدينا احتمالات الرمية.
07:44
People on the left take difficult shots,
151
464639
1953
الاشخاص على اليسار يتخذون رميات صعبة،
07:46
on the right, they take easy shots.
152
466616
2229
على اليمين، يتخذون رميات سهلة.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
على محور الصادي هي قدراتهم على الرماية.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
الاشخاص الجيدين في الاعلى، السيئين في الاسفل.
07:53
So for example, if there was a player
155
473861
1760
اذن على سبيل المثال، اذا كان هناك لاعب
07:55
who generally made 47 percent of their shots,
156
475621
2097
الذي عموما جعل 47 بالمئة من الرميات،
07:57
that's all you knew before.
157
477718
1389
هذا كل ما عرفتوه مسبقا.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
لكن اليوم، يمكنني ان اقول لكم ان اللاعب الذي يتخذ رميات ان لاعب الNBA العادي
08:04
would make 49 percent of the time,
159
484219
1961
يمكنه النجاح 49 بالمئة من الوقت،
08:06
and they are two percent worse.
160
486204
1684
و هم 2 بالمئة اسوأ.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
و سبب اهميته لأن هناك كثيرين بهذا المستوى .
08:13
And so it's really important to know
162
493714
2549
و هذا امر مهم لمعرفته
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
اذا قررت اعطائهم 100 مليون دولار
08:20
is a good shooter who takes bad shots
164
500267
3055
من يرمي جيدا و يتخذ رميات جيد
08:23
or a bad shooter who takes good shots.
165
503346
2397
او من يرمي بسوء و يتخذ رميات جيدة.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
فهم الآلة ليس فقط تغير كيف ننظر الى اللاعبين،
08:30
it changes how we look at the game.
167
510487
1858
انها تغير نظرتنا الى المباراة.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
كانت هناك مباراة ممتعة جدا قبل بضعة سنين، في نهائيات الNBA.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
كانت ميامي اقل بثلاث نقاط، و تبقى من 20 ثانية.
08:39
They were about to lose the championship.
170
519379
2025
كانوا على وشك خسارة البطولة.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
جاء رجل اسمه لابرون جيمس و اتخذ ثلاث للتعادل.
08:44
He missed.
172
524793
1198
لكنه اخفق.
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
زميله كريس حصل على ارتداد،
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
مرره الى زميله الاخر اسمه راي الان.
08:50
He sank a three. It went into overtime.
175
530059
1919
و اغرق ثلاث. فاتوا بالوقت الاضافي.
08:52
They won the game. They won the championship.
176
532002
2096
فازوا المباراة. فازوا البطولة.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
كانت احد المباريات المثيرة جدا في كرة السلة.
08:57
And our ability to know the shot probability for every player
178
537438
3429
و قدرتنا علي معرفة احتمالات محاولات لكل لاعب
09:00
at every second,
179
540891
1188
في كل ثانية،
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
و احتمال حصولهم على ارتداد في كل ثانية
09:05
can illuminate this moment in a way that we never could before.
181
545083
3443
يمكنه توضيح اللحظة بطريقة لم نستطع بها من قبل.
09:09
Now unfortunately, I can't show you that video.
182
549618
2668
اﻵن للاسف، لا يمكنني ان اريكم ذلك الفيديو.
09:12
But for you, we recreated that moment
183
552310
4493
لكن لكم، نحن صوغنا تلك اللحظة
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
في مبارتنا لكرة السلة قبل حوالي ثلاثة اسابيع.
09:19
(Laughter)
185
559279
2167
(ضحك )
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
و صوغنا التتابع الذي الى ادى المشاهد.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
اذن، ها هنا نحن. هذا الحي الصيني في لوس انجلوس،
09:29
a park we play at every week,
188
569478
1564
منتزه نلعب فيه كل اسبوع،
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
و ها نحن نصوغ لحظة راي الان
09:33
and all the tracking that's associated with it.
190
573321
2229
و كل التتابع المرتبط بتلك باللحظة.
09:36
So, here's the shot.
191
576772
1517
اذن، هذه هي الرمية.
09:38
I'm going to show you that moment
192
578313
2516
سوف اريكم تلك اللحظة
09:40
and all the insights of that moment.
193
580853
2587
و كل المشاهد من تلك اللحظة.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
الاختلاف الوحيد هو، انه نحن بدلا من لاعبين محترفين،
09:47
and instead of a professional announcer, it's me.
195
587218
2618
و انا بدلا من معلّق محترف، انا المعلّق.
09:49
So, bear with me.
196
589860
1477
اذن، تحملوا معي.
09:53
Miami.
197
593153
1150
ميامي
09:54
Down three.
198
594671
1150
خاسرين بثلاث نقاط.
09:56
Twenty seconds left.
199
596107
1150
عشرون ثانية باقية.
09:59
Jeff brings up the ball.
200
599385
1198
جيف يحضر الكرة.
10:02
Josh catches, puts up a three!
201
602656
1535
جوش يلتقطها، و يسدد بثلاث نقاط!
10:04
[Calculating shot probability]
202
604631
1849
[حساب احتمالات الرمية]
10:07
[Shot quality]
203
607278
1150
[جودة الرمية ]
10:09
[Rebound probability]
204
609048
1785
[ احتمال الارتداد]
10:12
Won't go!
205
612373
1173
لن يحدث!
10:13
[Rebound probability]
206
613570
1446
[ احتمال الارتداد]
10:15
Rebound, Noel.
207
615777
1256
ارتداد، نويل.
10:17
Back to Daria.
208
617057
1150
نرجع الى داريا.
10:18
[Shot quality]
209
618509
3365
[ جودة الرمية ]
10:22
Her three-pointer -- bang!
210
622676
1620
رميتها الثلاثية --بانج!
10:24
Tie game with five seconds left.
211
624320
2197
تعادل المباراة مع خمسة ثواني متبقيات.
10:26
The crowd goes wild.
212
626880
1618
الجمهور يقفز.
10:28
(Laughter)
213
628522
1659
( ضحك )
10:30
That's roughly how it happened.
214
630205
1547
و هذا تقريبا كيف حدث.
10:31
(Applause)
215
631776
1151
( تصفيق )
10:32
Roughly.
216
632951
1175
تقريبا.
10:34
(Applause)
217
634150
1531
( تصفيق)
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
كانت فرصة حدوث تلك الحظة حوالي 9 بالمئة في NBA
10:41
and we know that and a great many other things.
219
641629
2261
و نحن نعرف ذلك و أشياء كثيرة عظيمة اخرى.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
لن اقول لكم كم مرة استغرقنا من تحقيق ذلك.
10:47
(Laughter)
221
647429
1747
( ضحك )
10:49
Okay, I will! It was four.
222
649200
1872
حسنا، سوف اقول! اربعة مرات.
10:51
(Laughter)
223
651096
1001
( ضحك )
10:52
Way to go, Daria.
224
652121
1165
احسنت يا داريا.
10:53
But the important thing about that video
225
653647
4263
لكن الامر المهم عن ذلك الفيديو
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
و رؤيات التي لدينا لكل ثانية لكل لعبة NBA -- ليس ذلك.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
هي الحقيقة انه ليس من الضروري ان تكون فريقا محترفا لتتابع الحركات.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
ليس من الضروري ان تكون لاعبا محترفا للحصول على رؤيات الحركات.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
في الحقيقة، ليس من الضروري من ان تكون عن الرياضة لانه نحن نتحرك في كل مكان.
11:15
We're moving in our homes,
230
675654
2369
نحن نتحرك في بيوتنا،
11:21
in our offices,
231
681428
1205
في مكاتبنا،
11:24
as we shop and we travel
232
684238
2690
كما نحن نتسوق و نسافر
11:29
throughout our cities
233
689318
1253
عبر مدننا
11:32
and around our world.
234
692065
1618
و حول العالم.
11:35
What will we know? What will we learn?
235
695270
2295
ما الذي سنعرفه؟ ما الذي سنتعلمه؟
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
ربكا بدلا من تعريف "بيك اند رولز"،
11:39
a machine can identify the moment and let me know
237
699918
3010
اﻵلة يمكنها ان تعرف اللحظة و تعلمني بها
11:42
when my daughter takes her first steps.
238
702952
2059
عندما تتخطى ابنتي خطواتها الاولى.
11:45
Which could literally be happening any second now.
239
705035
2536
التي يمكن ان تحدث في اي لحظة.
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
ربما يمكننا التعلم لاستخدام افضل لمبانينا، تخطيط افضل لمدننا.
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
انا اؤمن ان مع تطور علم النقاط المتحركة،
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
سوف نتحرك افضل، سوف نتحرك بذكاء، سوف نتحرك للامام.
12:00
Thank you very much.
243
720607
1189
شكرا جزيلا.
12:01
(Applause)
244
721820
5045
( تصفيق)
حول هذا الموقع

سيقدم لك هذا الموقع مقاطع فيديو YouTube المفيدة لتعلم اللغة الإنجليزية. سترى دروس اللغة الإنجليزية التي يتم تدريسها من قبل مدرسين من الدرجة الأولى من جميع أنحاء العالم. انقر نقرًا مزدوجًا فوق الترجمة الإنجليزية المعروضة على كل صفحة فيديو لتشغيل الفيديو من هناك. يتم تمرير الترجمات بالتزامن مع تشغيل الفيديو. إذا كان لديك أي تعليقات أو طلبات ، يرجى الاتصال بنا باستخدام نموذج الاتصال هذا.

https://forms.gle/WvT1wiN1qDtmnspy7