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

1,106,478 views ・ 2015-07-06

TED


Bitte doppelklicken Sie auf die englischen Untertitel unten, um das Video abzuspielen.

Übersetzung: Eugenia Wiese Lektorat: Angelika Lueckert Leon
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
Meine Kollegen und ich erforschen die Wissenschaft bewegter Punkte.
00:16
So what are these dots?
1
16927
1150
Was sind diese Punkte?
00:18
Well, it's all of us.
2
18101
1287
Wir alle.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
Wir bewegen uns zu Hause, im Büro, während wir in unseren Städten
00:24
throughout our cities and around the world.
4
24521
2066
und überall auf der Welt einkaufen und reisen.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
Wie toll wäre es, wenn wir diese Bewegung verstehen könnten --
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
das Muster, die Bedeutung und Erkenntnisse gewinnen könnten.
00:34
And luckily for us, we live in a time
7
34259
1785
Zum Glück sind wir heute gut darin,
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
Informationen über uns selbst zu erfassen.
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
Wir nutzen Sensoren, Videos oder Apps,
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
um unsere Bewegungen sehr detailliert zu erfassen.
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
Ein geeigneter Bereich für diese Datensammlung
00:53
is sports.
12
53148
1208
ist Sport.
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
Beim Basketball, Baseball, Football oder Fußball
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
müssen Stadien und die Spieler Bewegung erfassen --
01:04
every fraction of a second.
15
64465
1313
jede einzelne Sekunde.
01:05
So what we're doing is turning our athletes into --
16
65802
4382
Unsere Athleten werden also zu --
01:10
you probably guessed it --
17
70208
1959
Sie ahnen es --
01:12
moving dots.
18
72191
1396
bewegten Punkten.
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
Wir haben eine Fülle an bewegten Punkten.
Meistens sind Rohdaten aber schwer zu bearbeiten und langweilig.
01:18
it's hard to deal with and not that interesting.
20
78904
2502
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
Basketball-Trainer z.B. wollen aber bestimmte Dinge wissen.
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
Sie können aber nicht jede Sekunde
01:29
of every game, remember it and process it.
23
89057
2589
des Spiels sehen, merken und verarbeiten.
01:31
And a person can't do that,
24
91804
1930
Das kann kein Mensch leisten.
01:33
but a machine can.
25
93758
1310
Eine Maschine schon.
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
Maschinen sehen das Spiel nicht mit den Augen eines Trainers.
01:39
At least they couldn't until now.
27
99363
2261
Bis jetzt zumindest.
01:42
So what have we taught the machine to see?
28
102228
2103
Was haben wir der Maschine beigebracht?
01:45
So, we started simply.
29
105569
1787
Wir haben einfach angefangen.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
Mit Pässen, Würfen und Rebounds.
01:51
Things that most casual fans would know.
31
111203
2541
Was auch Gelegenheitsfans kennen dürften.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
Dann wurde es etwas komplizierter.
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
Aufstellen, Pick-and-Roll oder Isolation.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
Sagt Ihnen nichts? Keine Sorge. Den meisten Gelegenheitsspielern schon.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
Heute verstehen Maschinen komplexe Ereignisse,
02:10
like down screens and wide pins.
36
130924
3073
wie Down-Screens und Wide-Pins.
02:14
Basically things only professionals know.
37
134021
2726
Sachen, die nur Profis kennen.
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
Wir brachten einer Maschine bei, mit den Augen eines Trainers zu sehen.
02:22
So how have we been able to do this?
39
142009
1857
Wie haben wir das geschafft?
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
Sollte mir ein Trainer Pick-and-Roll erklären,
02:27
they would give me a description,
41
147653
1640
würde er es mir beschreiben.
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
Hätte ich das als Algorithmus kodiert, wäre es fürchterlich.
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
Pick-and-Roll ist ein Tanz zwischen zwei Offensiv-Spielern
02:37
two on offense and two on defense.
44
157328
1912
und zwei Defensiv-Spielern.
02:39
And here's kind of how it goes.
45
159486
1618
Das funktioniert ungefähr so:
02:41
So there's the guy on offense without the ball
46
161128
2533
Es gibt einen Spieler in der Offensive ohne Ball.
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
Er bewegt sich zum Gegenspieler des Ballführenden
02:46
and he kind of stays there
48
166918
1257
und bleibt da.
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
Es kommt Bewegung ins Spiel und plötzlich ist es Pick-and-Roll.
02:51
(Laughter)
50
171540
2215
(Lachen)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
Das ist auch ein schlechter Algorithmus.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
Ist der Spieler, der sich dem Gegenspieler in den Weg stellt -- der Blocksteller --
03:01
goes close by, but he doesn't stop,
53
181278
2872
nah dran, stoppt aber nicht,
03:04
it's probably not a pick-and-roll.
54
184174
1765
ist es kein Pick-and-Roll.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
Wenn er stoppt, aber nicht nah genug,
03:10
it's probably not a pick-and-roll.
56
190529
1761
ist es kein Pick-and-Roll.
03:12
Or, if he does go close by and he does stop
57
192642
3237
Wenn er nah dran ist und stoppt,
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
das aber unter dem Korb passiert, ist es kein Pick-and-Roll.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
Ich könnte mich irren und alles ist Pick-and-Roll.
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
Es liegt am Timing, dem Abstand, dem Ort.
03:26
and that's what makes it hard.
61
206602
1495
Das macht es so schwer.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
Zum Glück gehen wir beim Maschinen- lernen über unsere Grenzen hinaus,
03:33
to describe the things we know.
63
213547
1743
bekannte Dinge zu beschreiben.
03:35
So how does this work? Well, it's by example.
64
215314
2280
Wir funktioniert das? Mit Beispielen.
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
Wir sagen zur Machine: "Guten Morgen, Maschine.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
Das sind Pick-and-Rolls -- und das nicht.
03:44
Please find a way to tell the difference."
67
224720
2252
Lern den Unterschied."
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
Wichtig ist, Merkmale für die Unterscheidung zu finden.
03:50
So if I was going to teach it the difference
69
230807
2109
Soll die Maschine den Unterschied
03:52
between an apple and orange,
70
232940
1381
zwischen Äpfeln und Orangen lernen,
03:54
I might say, "Why don't you use color or shape?"
71
234345
2375
sag ich: "Mach es über Farbe und Form."
03:56
And the problem that we're solving is, what are those things?
72
236744
2943
Dabei ergründen wir, was das für Dinge sind.
03:59
What are the key features
73
239711
1247
Welche Kernfaktoren lassen
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
einen Computer die Welt der bewegten Punkte steuern?
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
Diese Beziehungen mit relativem und absolutem Ort, Abstand, Timing
04:09
distance, timing, velocities --
76
249352
1909
und Geschwindigkeit herauszufinden,
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
ist der Schlüssel Punkte zu bewegen. Oder wie wir es in akademischer Sprache nennen:
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
spatiotemporale Mustererkennung.
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
Das Wichtgste ist: Es muss schwierig klingen.
04:22
because it is.
80
262847
1278
Denn das ist es auch.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
NBA-Trainer wollen nicht wissen,
04:27
whether a pick-and-roll happened or not.
82
267575
1922
ob das gerade ein Pick-and-Roll war.
04:29
It's that they want to know how it happened.
83
269521
2076
Sie wollen wissen, wie das passiert ist.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
Warum ist das so wichtig? Hier ein kleiner Einblick:
04:34
It turns out in modern basketball,
85
274631
1771
Im modernen Basketballspiel
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
ist Pick-and-Roll wohl der wichtigste Spielzug.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
Zu wissen, wie man ihn spielt oder verteidigt,
04:41
is basically a key to winning and losing most games.
88
281709
2670
entscheidet über Gewinnen oder Verlieren eines Spiels.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
Diesen Tanz gibt es also in vielen Variationen.
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
Diese Variationen zu erkennen, ist das Entscheidende.
04:51
and that's why we need this to be really, really good.
91
291900
2529
Deswegen muss es wirklich gut sein.
04:55
So, here's an example.
92
295228
1176
Ein Beispiel.
04:56
There are two offensive and two defensive players,
93
296428
2379
Zwei Offensiv- und zwei Defensiv-Spieler
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
bereiten sich auf den Pick-and-Roll-Tanz vor.
Der Ballführer kann den Block annehmen oder ablehnen.
05:01
So the guy with ball can either take, or he can reject.
95
301007
2683
05:04
His teammate can either roll or pop.
96
304086
3001
Sein Mitspieler kann zum Korb abrollen oder sich absetzen.
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
Der Gegenspieler kann über oder unter dem Block vorbei.
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
Sein Mitspieler kann sich zeigen, den Ballführer aggressiv oder soft verteigen.
05:14
and together they can either switch or blitz
99
314710
2618
Zusammen können sie entweder "switchen" oder "blitzen".
05:17
and I didn't know most of these things when I started
100
317352
2659
Am Anfang kannte ich das meiste davon nicht.
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
Es wäre so schön, wenn sich alle mit den Pfeilen bewegen könnten.
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
Das würde unser Leben erleichtern. Aber Bewegung ist unordentlich.
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
Menschen wanken viel. Und das Erkennen dieser Variationen
05:33
with very high accuracy,
104
333555
1303
mit exakter Präzision und Wiederholung
05:34
both in precision and recall, is tough
105
334882
1868
ist schwer.
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
Das braucht es, damit ein Trainer an einen glaubt.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
Trotz aller Schwierigkeiten mit den richtigen spatiotemporalen Merkmalen
05:43
we have been able to do that.
108
343820
1474
konnten wir genau das tun.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
Trainer vertrauen darauf, dass unsere Maschine diese Variationen erkennt.
05:49
We're at the point where almost every single contender
110
349478
3533
Inzwischen benutzt fast jeder Anwärter
05:53
for an NBA championship this year
111
353035
1623
für diesjährige NBA-Meisterschaften
05:54
is using our software, which is built on a machine that understands
112
354682
4408
unsere Software, basierend auf einer Maschine, die bewegte Punkte
05:59
the moving dots of basketball.
113
359114
1634
im Basketball versteht.
06:01
So not only that, we have given advice that has changed strategies
114
361872
5153
Unser Rat hat nicht nur Strategien verändert,
06:07
that have helped teams win very important games,
115
367049
3352
die Teams beim Sieg von wichtigen Spielen verhalfen.
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
Sogar Trainer, die seit über 30 Jahren in der Liga sind,
06:14
for 30 years that are willing to take advice from a machine.
117
374181
3067
nehmen den Rat einer Maschine an.
06:17
And it's very exciting, it's much more than the pick-and-roll.
118
377874
2906
Und es geht um mehr als Pick-and-Roll.
06:20
Our computer started out with simple things
119
380804
2076
Unser Computer begann mit einfachen Dingen,
06:22
and learned more and more complex things
120
382904
2064
hat immer komplexere Sachen gelernt
06:24
and now it knows so many things.
121
384992
1561
und weiß jetzt sehr viel.
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
Ich verstehe, ehrlich gesagt, das meiste davon nicht.
06:29
and while it's not that special to be smarter than me,
123
389436
3715
Es ist kein Kunststück klüger zu sein als ich.
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
Aber wir fragen uns: Kann eine Maschine mehr wissen als ein Trainer?
06:36
Can it know more than person could know?
125
396843
2055
Mehr als ein Mensch?
06:38
And it turns out the answer is yes.
126
398922
1745
Die verblüffende Antwort ist ja.
06:40
The coaches want players to take good shots.
127
400691
2557
Trainer fordern gute Würfe von den Spielern.
06:43
So if I'm standing near the basket
128
403272
1651
Wenn ich neben dem Korb stehe
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
und alleine bin, ist es ein guter Wurf.
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
Wenn ich weit weg bin, umringt von Verteidigern, ist das ein schlechter Wurf.
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
Quantitativ wussten wir aber nicht, wie gut oder schlecht etwas wirklich war.
06:56
Until now.
132
416209
1150
Bis jetzt.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
Wir nutzten spatiotemporale Merkmale
07:00
we looked at every shot.
134
420853
1374
und analysierten jeden Wurf.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
Von wo wird geworfen? Was ist der Winkel zum Korb?
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
Wo stehen die Verteigier? In welcher Entfernung?
07:08
What are their angles?
137
428066
1331
In welchen Winkeln?
07:09
For multiple defenders, we can look at how the player's moving
138
429421
2977
Bei mehreren Verteidern sehen wir die Bewegung der Spieler
07:12
and predict the shot type.
139
432422
1433
und bestimmen die Wurfart.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
Wir analysieren die Geschwindigkeit und berechnen die Wahrscheinlichkeit,
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
dass der Ball unter diesen Umständen reingeht.
07:22
So why is this important?
142
442188
1500
Wozu das alles?
07:24
We can take something that was shooting,
143
444102
2803
Wir sehen uns den Werfer an.
07:26
which was one thing before, and turn it into two things:
144
446929
2680
Und aus einer Sache werden zwei:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
die Qualität des Wurfs und die des Werfers.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
Hier ein Blasendiagramm, das ja zu jedem TED-Vortrag gehört.
07:36
(Laughter)
147
456966
1014
(Lachen)
07:38
Those are NBA players.
148
458004
1311
Das sind NBA-Spieler.
07:39
The size is the size of the player and the color is the position.
149
459339
3120
Die Größe ist die Größe des Spielers und die Farbe die Position.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
Die X-Achse zeigt die Wurfwahrscheinlichkeit.
07:44
People on the left take difficult shots,
151
464639
1953
Spieler links machen schwierige Würfe,
07:46
on the right, they take easy shots.
152
466616
2229
rechts leichte.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
Die Y-Achse zeigt ihre Wurffähigkeit.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
Gute Spieler sind oben, schlechte unten.
07:53
So for example, if there was a player
155
473861
1760
Früher wusste man z. B. nur,
07:55
who generally made 47 percent of their shots,
156
475621
2097
dass ein Spieler 47 % seiner Würfe macht.
07:57
that's all you knew before.
157
477718
1389
Mehr nicht.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
Jetzt weiß man, dass dieser Spieler Würfe macht, die ein durchschnittlicher
08:04
would make 49 percent of the time,
159
484219
1961
NBA-Spieler zu 49 % machen würde.
08:06
and they are two percent worse.
160
486204
1684
Er ist um 2 % schlechter.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
Aber es gibt viele 47er da draußen.
08:13
And so it's really important to know
162
493714
2549
Man muss also wissen,
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
ob die 47, in die man eventuell 100 Millionen Dollar investieren möchte,
08:20
is a good shooter who takes bad shots
164
500267
3055
ein guter Spieler mit schlechten Würfen
08:23
or a bad shooter who takes good shots.
165
503346
2397
oder ein schlechter Spieler mit guten Würfen ist.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
Maschinenverständnis ändert unsere Sicht auf Spieler
08:30
it changes how we look at the game.
167
510487
1858
und das Spiel.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
Es gab in den NBA-Finals ein sehr spannendes Spiel.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
Miami lag mit 3 Punkten zurück; noch 20 Sekunden zu spielen.
08:39
They were about to lose the championship.
170
519379
2025
Es sah schlecht aus.
LeBron James nahm den Dreier
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
08:44
He missed.
172
524793
1198
und traf nicht.
Chris Bosh holte einen Rebound
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
und spielte zu Ray Allen.
Er versenkte einen Dreier. Verlängerung.
08:50
He sank a three. It went into overtime.
175
530059
1919
08:52
They won the game. They won the championship.
176
532002
2096
Sie gewannen das Spiel und die Meisterschaft.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
Es war eines der spannendsten Basektballspiele.
08:57
And our ability to know the shot probability for every player
178
537438
3429
Das Wissen um die Wurfwahrscheinlichkeit eines jeden Spielers
09:00
at every second,
179
540891
1188
in jeder Sekunde
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
und die Wahrscheinlichkeit
eines erfolgreichen Rebounds kann den Moment auf ungeahnte Weise beleuchten.
09:05
can illuminate this moment in a way that we never could before.
181
545083
3443
09:09
Now unfortunately, I can't show you that video.
182
549618
2668
Leider kann ich Ihnen das Video nicht zeigen.
09:12
But for you, we recreated that moment
183
552310
4493
Jedoch haben wir den Moment nachgestellt –
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
bei unserem wöchentlichen Spiel vor 3 Wochen.
09:19
(Laughter)
185
559279
2167
(Lachen)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
Wir haben die Bewegungen nachgestellt und erhielten folgende Einblicke.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
Das sind wir in Chinatown, Los Angeles, der Park,
09:29
a park we play at every week,
188
569478
1564
in dem wir jede Woche spielen.
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
Hier kommt der Ray-Allen-Moment,
09:33
and all the tracking that's associated with it.
190
573321
2229
mit der Schrittfolge.
09:36
So, here's the shot.
191
576772
1517
Hier kommt der Wurf.
09:38
I'm going to show you that moment
192
578313
2516
Ich zeige Ihnen den Moment
09:40
and all the insights of that moment.
193
580853
2587
und alle Erkenntnisse daraus.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
Nur sind es keine Profis, sondern wir.
09:47
and instead of a professional announcer, it's me.
195
587218
2618
Und kein Profi-Sprecher, sondern ich.
09:49
So, bear with me.
196
589860
1477
Haben Sie Nachsicht.
09:53
Miami.
197
593153
1150
Miami.
09:54
Down three.
198
594671
1150
3 Punkte zurück.
09:56
Twenty seconds left.
199
596107
1150
Noch 20 Skeunden.
09:59
Jeff brings up the ball.
200
599385
1198
Jeff dribbelt nach vorn.
10:02
Josh catches, puts up a three!
201
602656
1535
Josh fängt, nimmt den Dreier!
10:04
[Calculating shot probability]
202
604631
1849
[Wurfwahrscheinlichkeit berechnen]
10:07
[Shot quality]
203
607278
1150
[Wurfwahrscheinlichkeit]
10:09
[Rebound probability]
204
609048
1785
[Rebound-Wahrscheinlichkeit]
10:12
Won't go!
205
612373
1173
Wird nichts!
10:13
[Rebound probability]
206
613570
1446
[Rebound-Wahrscheinlichkeit]
10:15
Rebound, Noel.
207
615777
1256
Rebound, Noel.
10:17
Back to Daria.
208
617057
1150
Zurück zu Daria.
10:18
[Shot quality]
209
618509
3365
[Wurfqualität]
10:22
Her three-pointer -- bang!
210
622676
1620
Ein Dreier -- Peng!
10:24
Tie game with five seconds left.
211
624320
2197
Unentschieden 5 Sekunden vor Schluss.
10:26
The crowd goes wild.
212
626880
1618
Die Menge tobt.
10:28
(Laughter)
213
628522
1659
(Lachen)
10:30
That's roughly how it happened.
214
630205
1547
Ungefähr so war das.
10:31
(Applause)
215
631776
1151
(Applaus)
10:32
Roughly.
216
632951
1175
Ungefähr.
(Applaus)
10:34
(Applause)
217
634150
1531
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
Die Wahrscheinlichkeit, dass das in der NBA passiert, lag bei 9 %.
10:41
and we know that and a great many other things.
219
641629
2261
Das wissen wir und viele andere Dinge.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
Ich sage jetzt nicht, wie oft wir die Szene wiederholen mussten.
10:47
(Laughter)
221
647429
1747
(Lachen)
10:49
Okay, I will! It was four.
222
649200
1872
Okay, es waren vier.
10:51
(Laughter)
223
651096
1001
(Lachen)
10:52
Way to go, Daria.
224
652121
1165
Sehr gut, Daria.
10:53
But the important thing about that video
225
653647
4263
Das ist aber nicht der Knackpunkt an diesem Video --
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
oder die Einblicke in jede Sekunde jedes NBA-Spiels.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
Sondern, dass man kein Profi-Team sein muss, um Bewegung aufzuzeichnen.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
Man muss kein Profi-Spieler sein, um Einblicke in Bewegung zu erhalten.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
Es muss nicht einmal Sport sein. Wir bewegen uns überall.
11:15
We're moving in our homes,
230
675654
2369
Zu Hause,
11:21
in our offices,
231
681428
1205
in unseren Büros,
11:24
as we shop and we travel
232
684238
2690
während des Einkaufens und Reisens
11:29
throughout our cities
233
689318
1253
in unseren Städten
11:32
and around our world.
234
692065
1618
und durch die ganze Welt.
11:35
What will we know? What will we learn?
235
695270
2295
Was werden wir erfahren? Was werden wir lernen?
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
Statt Pick-and-Rolls
11:39
a machine can identify the moment and let me know
237
699918
3010
könnte eine Maschine den Moment identifizieren,
11:42
when my daughter takes her first steps.
238
702952
2059
in dem meine Tochter ihren ersten Schritt macht.
11:45
Which could literally be happening any second now.
239
705035
2536
Was tatsächlich jeden Moment passieren könnte.
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
Vielleicht können wir lernen, Gebäude besser zu nutzen oder Städte zu planen.
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
Ich glaube, mit der Entwicklung der Wissenschaft der bewegten Punkte
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
bewegen wir uns besser, bewegen wir uns klüger, bewegen wir uns vorwärts.
12:00
Thank you very much.
243
720607
1189
Vielen Dank.
12:01
(Applause)
244
721820
5045
(Applaus)
Über diese Website

Auf dieser Seite finden Sie YouTube-Videos, die zum Englischlernen nützlich sind. Sie sehen Englischlektionen, die von hochkarätigen Lehrern aus der ganzen Welt unterrichtet werden. Doppelklicken Sie auf die englischen Untertitel, die auf jeder Videoseite angezeigt werden, um das Video von dort aus abzuspielen. Die Untertitel laufen synchron mit der Videowiedergabe. Wenn Sie irgendwelche Kommentare oder Wünsche haben, kontaktieren Sie uns bitte über dieses Kontaktformular.

https://forms.gle/WvT1wiN1qDtmnspy7