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

Μετάφραση: Christos Selemeles Επιμέλεια: Chryssa R. Takahashi

My colleagues and I are fascinated by the science of moving dots.

Οι συνεργάτες μου κι εγώ έχουμε γοητευτεί από την επιστήμη των κινούμενων κουκκίδων.

So what are these dots?

Τι είναι αυτές οι κουκκίδες; Βασικά, είμαστε όλοι εμείς.

Well, it's all of us.

And we're moving in our homes, in our offices, as we shop and travel

Κινούμαστε στα σπίτια ή τα γραφεία μας, καθώς ψωνίζουμε και ταξιδεύουμε

throughout our cities and around the world.

μέσα στις πόλεις μας αλλά και σε όλο τον κόσμο

And wouldn't it be great if we could understand all this movement?

Δεν θα ήταν καταπληκτικό αν μπορούσαμε να κατανοήσουμε όλες αυτές τις κινήσεις;

If we could find patterns and meaning and insight in it.

Αν μπορούσαμε να βρούμε μοτίβα, νόημα και επίγνωση σε αυτήν;

And luckily for us, we live in a time

Ευτυχώς για μας, ζούμε σε μία εποχή,

where we're incredibly good at capturing information about ourselves.

στην οποία μπορούμε να μαζεύουμε πληροφορίες για τους εαυτούς μας.

So whether it's through sensors or videos, or apps,

Είτε μέσα από αισθητήρες, βίντεο ή εφαρμογές

we can track our movement with incredibly fine detail.

μπορούμε να παρακολουθήσουμε τις κινήσεις μας με απίστευτη λεπτομέρεια

So it turns out one of the places where we have the best data about movement

Ένα από τα μέρη όπου έχουμε τα καλύτερα δεδομένα σχετικά με την κίνηση

is sports.

είναι τα αθλήματα.

So whether it's basketball or baseball, or football or the other football,

Είτε μπάσκετ, είτε μπέιζμπολ, είτε ποδόσφαιρο, είτε το άλλο ποδόσφαιρο,

we're instrumenting our stadiums and our players to track their movements

εξοπλίζουμε τα στάδια και τους παίκτες για να καταγράφουμε τις κινήσεις τους

every fraction of a second.

σε κάθε κλάσμα του δευτερολέπτου.

So what we're doing is turning our athletes into --

Αυτό που κάνουμε είναι ότι μετατρέπουμε τους αθλητές μας σε --

you probably guessed it --

μάλλον το μαντέψατε --

moving dots.

κινούμενες κουκκίδες.

So we've got mountains of moving dots and like most raw data,

Έχουμε πληθώρα κινούμενων κουκκίδων και όπως τα περισσότερα ακατέργαστα δεδομένα,

it's hard to deal with and not that interesting.

η επεξεργασία τους είναι δύσκολη και όχι πολύ ενδιαφέρουσα.

But there are things that, for example, basketball coaches want to know.

Αλλά οι προπονητές του μπάσκετ π.χ. θέλουν να γνωρίζουν κάποια πράγματα,

And the problem is they can't know them because they'd have to watch every second

αλλά δεν μπορούν, διότι πρέπει να παρακολουθούν κάθε δευτερόλεπτο

of every game, remember it and process it.

κάθε παιχνιδιού, να τα θυμούνται και να τα επεξεργάζονται.

And a person can't do that,

Αυτό δεν μπορεί να το κάνει ένας άνθρωπος, αλλά μπορεί να το κάνει ένας υπολογιστής.

but a machine can.

The problem is a machine can't see the game with the eye of a coach.

Όμως οι υπολογιστές δεν μπορούν να δουν το παιχνίδι όπως ένας προπονητής.

At least they couldn't until now.

Ή τουλάχιστον, δεν μπορούσαν μέχρι τώρα.

So what have we taught the machine to see?

Τι διδάξαμε τους υπολογιστές να βλέπουν;

So, we started simply.

Ξεκινήσαμε απλά.

We taught it things like passes, shots and rebounds.

Τους μάθαμε τις πάσες, τα σουτ και τα ριμπάουντ,

Things that most casual fans would know.

αυτά που γνωρίζουν οι περισσότεροι φίλαθλοι.

And then we moved on to things slightly more complicated.

Μετά περάσαμε σε λίγο πιο περίπλοκα πράγματα,

Events like post-ups, and pick-and-rolls, and isolations.

όπως τα ποσταρίσματα, τα πικ εν ρολ και το παιχνίδι απομόνωσης.

And if you don't know them, that's okay. Most casual players probably do.

Αν δεν τα ξέρετε, δεν πειράζει. Όσοι παίζουν κάπου-κάπου μάλλον τα γνωρίζουν.

Now, we've gotten to a point where today, the machine understands complex events

Σήμερα, έχουμε φτάσει στο σημείο όπου οι μηχανές καταλαβαίνουν σύνθετα γεγονότα

like down screens and wide pins.

όπως κάτω σκριν και wide pin,

Basically things only professionals know.

πράγματα που γνωρίζουν μόνον οι επαγγελματίες.

So we have taught a machine to see with the eyes of a coach.

Μάθαμε, δηλαδή, στους υπολογιστές να βλέπουν με τα μάτια ενός προπονητή.

So how have we been able to do this?

Πώς το κάναμε αυτό;

If I asked a coach to describe something like a pick-and-roll,

Αν ζητούσα από έναν προπονητή να μου περιγράψει κάτι σαν το πικ εν ρολ,

they would give me a description,

θα μου έδινε μια περιγραφή,

and if I encoded that as an algorithm, it would be terrible.

και αν προσπαθούσα να τη μετατρέψω σε αλγόριθμο, το αποτέλεσμα θα ήταν τραγικό.

The pick-and-roll happens to be this dance in basketball between four players,

Το πικ εν ρολ είναι ένα είδος χορογραφίας ανάμεσα σε τέσσερις παίκτες,

two on offense and two on defense.

δύο επιτιθέμενους και δύο αμυνόμενους.

And here's kind of how it goes.

Είναι κάπως έτσι.

So there's the guy on offense without the ball

Αυτός είναι ο επιθετικός χωρίς την μπάλα

the ball and he goes next to the guy guarding the guy with the ball,

και πηγαίνει δίπλα στον παίκτη, που μαρκάρει τον παίκτη με την μπάλα

and he kind of stays there

και μένει εκεί

and they both move and stuff happens, and ta-da, it's a pick-and-roll.

και κινούνται και οι δύο και συμβαίνουν διάφορα και αυτό είναι το πικ εν ρολ.

(Laughter)

(Γέλια)

So that is also an example of a terrible algorithm.

Επίσης είναι ένα παράδειγμα άθλιου αλγορίθμου.

So, if the player who's the interferer -- he's called the screener --

Αν ο παίκτης που παρεμβάλλεται -- ονομάζεται σκρίνερ --

goes close by, but he doesn't stop,

πλησιάζει, αλλά δεν σταματά,

it's probably not a pick-and-roll.

μάλλον δεν είναι πικ εν ρολ.

Or if he does stop, but he doesn't stop close enough,

Ή αν σταματά, αλλά δεν σταματά αρκετά κοντά,

it's probably not a pick-and-roll.

μάλλον δεν είναι πικ εν ρολ.

Or, if he does go close by and he does stop

Ή αν πλησιάζει αρκετά και σταματά,

but they do it under the basket, it's probably not a pick-and-roll.

αλλά το κάνει κάτω από το καλάθι, μάλλον δεν είναι πικ εν ρολ.

Or I could be wrong, they could all be pick-and-rolls.

Ή ίσως κάνω λάθος, ίσως όλα αυτά είναι πικ εν ρολ.

It really depends on the exact timing, the distances, the locations,

Εξαρτάται από τον ακριβή χρονισμό, τις αποστάσεις, τις θέσεις

and that's what makes it hard.

και αυτό είναι που το κάνει δύσκολο.

So, luckily, with machine learning, we can go beyond our own ability

Ευτυχώς με τη μηχανική μάθηση, μπορούμε να υπερβούμε την ικανότητά μας

to describe the things we know.

να περιγράφουμε πράγματα που γνωρίζουμε.

So how does this work? Well, it's by example.

Πώς δουλεύει; Είναι πολύ απλό.

So we go to the machine and say, "Good morning, machine.

Πηγαίνουμε σε έναν υπολογιστή και λέμε «Καλημέρα, υπολογιστή.

Here are some pick-and-rolls, and here are some things that are not.

Ορίστε μερικά πικ εν ρολ και κάποια πράγματα που δεν είναι.

Please find a way to tell the difference."

Σε παρακαλώ βρες έναν τρόπο να τα ξεχωρίζεις».

And the key to all of this is to find features that enable it to separate.

Το κλειδί είναι να βρει χαρακτηριστικά, που το βοηθούν να τα ξεχωρίσει.

So if I was going to teach it the difference

Έτσι, αν προσπαθούσα να του μάθω τη διαφορά

between an apple and orange,

ανάμεσα σε ένα μήλο και ένα πορτοκάλι,

I might say, "Why don't you use color or shape?"

θα του έλεγα «Χρησιμοποίησε το χρώμα ή το σχήμα».

And the problem that we're solving is, what are those things?

Στο πρόβλημα που λύνουμε, ποια είναι αυτά τα χαρακτηριστικά;

What are the key features

Ποια είναι τα χαρακτηριστικά

that let a computer navigate the world of moving dots?

που επιτρέπουν σε έναν ΗΥ να πλοηγείται στον κόσμο των κινούμενων κουκκίδων;

So figuring out all these relationships with relative and absolute location,

Συνεπώς ο υπολογισμός των σχέσεων ανάμεσα στη σχετική και απόλυτη θέση,

distance, timing, velocities --

την απόσταση, τον χρονισμό, τις ταχύτητες,

that's really the key to the science of moving dots, or as we like to call it,

αυτό είναι το κλειδί της επιστήμης των κινούμενων κουκκίδων ή όπως την λέμε

spatiotemporal pattern recognition, in academic vernacular.

στην ακαδημαϊκή διάλεκτο, χωροχρονική αναγνώριση προτύπων.

Because the first thing is, you have to make it sound hard --

Επειδή κατ' αρχάς πρέπει να το κάνουμε να ακούγεται δύσκολο --

because it is.

διότι είναι δύσκολο.

The key thing is, for NBA coaches, it's not that they want to know

Για τους προπονητές του NBA, το σημαντικό δεν είναι να γνωρίζουν

whether a pick-and-roll happened or not.

αν έγινε ή δεν έγινε ένα πικ εν ρολ,

It's that they want to know how it happened.

αλλά να γνωρίζουν πώς έγινε.

And why is it so important to them? So here's a little insight.

Και γιατί αυτό είναι τόσο σημαντικό;

Θα σας πω μια πληροφορία εκ των έσω.

It turns out in modern basketball,

Στο σύγχρονο μπάσκετ το πικ εν ρολ είναι ίσως η πιο σημαντική κίνηση.

this pick-and-roll is perhaps the most important play.

And knowing how to run it, and knowing how to defend it,

Το να ξέρουμε πώς να το κάνουμε και πώς να το αντιμετωπίζουμε,

is basically a key to winning and losing most games.

είναι το κλειδί για να νικήσουμε τα περισσότερα παιχνίδια.

So it turns out that this dance has a great many variations

Αποδεικνύεται ότι αυτός ο χορός έχει πολλές σημαντικές παραλλαγές

and identifying the variations is really the thing that matters,

και η αναγνώριση των παραλλαγών είναι πραγματικά αυτό που έχει σημασία

and that's why we need this to be really, really good.

και γι' αυτό πρέπει να την κάνουμε πάρα πολύ καλά.

So, here's an example.

Ορίστε ένα παράδειγμα.

There are two offensive and two defensive players,

Υπάρχουν δύο επιτιθέμενοι και δύο αμυνόμενοι παίκτες

getting ready to do the pick-and-roll dance.

ετοιμάζονται να χορέψουν στον ρυθμό του πικ εν ρολ.

So the guy with ball can either take, or he can reject.

Ο παίκτης με την μπάλα, μπορεί να το χρησιμοποιήσει ή όχι

His teammate can either roll or pop.

Ο συμπαίκτης του μπορεί είτε να ρολάρει, είτε να βγει έξω.

The guy guarding the ball can either go over or under.

Ο αμυνόμενος που μαρκάρει την μπάλα μπορεί να πάει πάνω ή κάτω.

His teammate can either show or play up to touch, or play soft

Ο συμπαίκτης του μπορεί είτε να παίξει εξ επαφής, είτε από μακριά

and together they can either switch or blitz

και οι δυο τους μπορούν είτε να αλλάξουν παίκτη είτε όχι.

and I didn't know most of these things when I started

Δεν ήξερα τα περισσότερα από αυτά όταν ξεκίνησα

and it would be lovely if everybody moved according to those arrows.

και θα ήταν υπέροχα αν όλοι κινούνταν σύμφωνα με αυτά τα βέλη.

It would make our lives a lot easier, but it turns out movement is very messy.

Θα έκανε τις ζωές μας ευκολότερες, αλλά τελικά οι κινήσεις είναι πολύ μπερδεμένες.

People wiggle a lot and getting these variations identified

Οι παίκτες κινούνται πέρα δώθε και η αναγνώριση αυτών των κινήσεων

with very high accuracy,

με πολύ μεγάλη επιτυχία

both in precision and recall, is tough

και στην ακρίβεια και στην ανάκληση είναι δύσκολη

because that's what it takes to get a professional coach to believe in you.

διότι αυτό απαιτείται για να σας εμπιστευτεί ένας επαγγελματίας κόουτς.

And despite all the difficulties with the right spatiotemporal features

Παρόλες τις δυσκολίες με τα κατάλληλα χωροχρονικά χαρακτηριστικά

we have been able to do that.

τα καταφέραμε.

Coaches trust our ability of our machine to identify these variations.

Οι προπονητές εμπιστεύονται την ικανότητα της μηχανής να αναγνωρίζει τις κινήσεις.

We're at the point where almost every single contender

Βρισκόμαστε σε ένα σημείο, όπου σχεδόν κάθε διεκδικητής

for an NBA championship this year

του πρωταθλήματος του NBA φέτος

is using our software, which is built on a machine that understands

χρησιμοποιεί το λογισμικό μας κάνει έναν υπολογιστή να καταλαβαίνει

the moving dots of basketball.

τις κινούμενες κουκκίδες του μπάσκετ.

So not only that, we have given advice that has changed strategies

Και όχι μόνο αυτό, αλλά έχουμε δώσει συμβουλές που έχουν αλλάξει στρατηγικές,

that have helped teams win very important games,

που έχουν βοηθήσει ομάδες να κερδίσουν πολύ σημαντικά παιχνίδια

and it's very exciting because you have coaches who've been in the league

και είναι πολύ συναρπαστικό, διότι στο πρωτάθλημα υπάρχουν κόουτς

for 30 years that are willing to take advice from a machine.

με εμπειρία 30 ετών και είναι πρόθυμοι να πάρουν συμβουλές από μία μηχανή.

And it's very exciting, it's much more than the pick-and-roll.

Και είναι πολύ συναρπαστικό, δεν είναι μόνο το πικ εν ρολ.

Our computer started out with simple things

Ο υπολογιστής μας ξεκίνησε με απλά πράγματα

and learned more and more complex things

και έμαθε περισσότερα και πιο πολύπλοκα πράγματα

and now it knows so many things.

και τώρα γνωρίζει πάρα πολλά.

Frankly, I don't understand much of what it does,

Στα αλήθεια, δεν καταλαβαίνω πολλά από όσα κάνει

and while it's not that special to be smarter than me,

και παρότι δεν είναι τίποτα το ιδιαίτερο κάποιος να είναι πιο έξυπνος από εμένα,

we were wondering, can a machine know more than a coach?

αναρωτιόμασταν αν ένα μηχάνημα μπορεί να γνωρίζει πιο πολλά από έναν προπονητή.

Can it know more than person could know?

Μπορεί να γνωρίζει περισσότερα από έναν άνθρωπο;

And it turns out the answer is yes.

Η απάντηση είναι ναι.

The coaches want players to take good shots.

Οι προπονητές θέλουν οι παίκτες τους να κάνουν καλά σουτ.

So if I'm standing near the basket

Αν στέκομαι δίπλα στο καλάθι

and there's nobody near me, it's a good shot.

και δεν είναι κανείς δίπλα μου, το σουτ είναι καλό.

If I'm standing far away surrounded by defenders, that's generally a bad shot.

Αν είμαι μακριά και περικυκλωμένος από αμυνόμενους, αυτό είναι γενικά κακό σουτ.

But we never knew how good "good" was, or how bad "bad" was quantitatively.

Αλλά ποτέ δεν ξέραμε πόσο καλό είναι το καλό ή πόσο κακό είναι το κακό ποσοτικά.

Until now.

Μέχρι τώρα.

So what we can do, again, using spatiotemporal features,

Αυτό που κάναμε, πάλι χρησιμοποιώντας χωροχρονικά χαρακτηριστικά

we looked at every shot.

ήταν να δούμε κάθε σουτ.

We can see: Where is the shot? What's the angle to the basket?

Μπορούμε να δούμε πού είναι το σουτ. Ποια η γωνία του ως προς το καλάθι;

Where are the defenders standing? What are their distances?

Πού βρίσκονται οι αμυνόμενοι; Πόσο μακριά;

What are their angles?

Σε τι γωνίες;

For multiple defenders, we can look at how the player's moving

Από το πώς κινείται ένας παίκτης απέναντι σε πολλούς αμυντικούς

and predict the shot type.

μπορούμε να προβλέψουμε το είδος του σουτ.

We can look at all their velocities and we can build a model that predicts

Μπορούμε από τις ταχύτητές τους να φτιάξουμε ένα μοντέλο που προβλέπει

what is the likelihood that this shot would go in under these circumstances?

την πιθανότητα να μπει το σουτ κάτω από τις δεδομένες συνθήκες.

So why is this important?

Γιατί είναι αυτό σημαντικό;

We can take something that was shooting,

Μπορούμε να πάρουμε π.χ. το σουτ,

which was one thing before, and turn it into two things:

που προηγουμένως ήταν ένα πράγμα και να το κάνουμε δύο:

the quality of the shot and the quality of the shooter.

την ποιότητα του σουτ και την ποιότητα του σουτέρ.

So here's a bubble chart, because what's TED without a bubble chart?

Ορίστε ένα διάγραμμα φυσαλίδων -- δεν θα ήταν TED χωρίς διάγραμμα φυσαλίδων --

(Laughter)

(Γέλιο)

Those are NBA players.

Αυτοί είναι παίκτες του NBA.

The size is the size of the player and the color is the position.

Το μέγεθος είναι το ύψος του παίκτη και το χρώμα είναι η θέση.

On the x-axis, we have the shot probability.

Στον άξονα χ έχουμε την πιθανότητα ευστοχίας.

People on the left take difficult shots,

Οι παίκτες στα αριστερά κάνουν δύσκολα σουτ,

on the right, they take easy shots.

στα δεξιά κάνουν εύκολα σουτ.

On the [y-axis] is their shooting ability.

Στον [άξονα ψ] είναι η ικανότητα στο σουτ.

People who are good are at the top, bad at the bottom.

Όσοι είναι καλοί είναι ψηλά, οι κακοί είναι χαμηλά.

So for example, if there was a player

Για παράδειγμα, αν υπήρχε ένας παίκτης

who generally made 47 percent of their shots,

που γενικά είχε ευστοχία 47%,

that's all you knew before.

αυτό ήταν το μόνο που γνωρίζαμε παλιά.

But today, I can tell you that player takes shots that an average NBA player

Σήμερα μπορώ να σας πω ότι αυτός ο παίκτης κάνει σουτ, που ένας μέσος παίκτης του NBA

would make 49 percent of the time,

θα έκανε με ευστοχία 49%

and they are two percent worse.

και είναι λιγότερο εύστοχος κατά 2%.

And the reason that's important is that there are lots of 47s out there.

Αυτό είναι σημαντικό διότι υπάρχουν πολλοί 47άρηδες.

And so it's really important to know

Άρα είναι σημαντικό να γνωρίζουμε

if the 47 that you're considering giving 100 million dollars to

αν ο 47άρης στον οποίο σκέφτεστε να δώσετε 100 εκατομμύρια δολάρια

is a good shooter who takes bad shots

είναι ένας καλός σουτέρ, που κάνει δύσκολα σουτ

or a bad shooter who takes good shots.

ή ένας κακός σουτέρ που κάνει εύκολα σουτ.

Machine understanding doesn't just change how we look at players,

Η μηχανική κατανόηση δεν αλλάζει απλά το πώς βλέπουμε τους παίκτες,

it changes how we look at the game.

αλλάζει το πώς βλέπουμε το παιχνίδι.

So there was this very exciting game a couple of years ago, in the NBA finals.

Πριν από δύο χρόνια, είχε γίνει εκείνος ο συναρπαστικός τελικός του NBA.

Miami was down by three, there was 20 seconds left.

Το Μαϊάμι έχανε 3 πόντους και είχαν απομείνει 20 δευτερόλεπτα.

They were about to lose the championship.

Θα έχαναν το πρωτάθλημα.

A gentleman named LeBron James came up and he took a three to tie.

Ένας κύριος, ονόματι Λεμπρόν Τζέιμς, σούταρε τρίποντο για να ισοφαρίσει.

He missed.

Αστόχησε.

His teammate Chris Bosh got a rebound,

Ένας συμπαίκτης του, ο Κρις Μπος, πήρε το ρημπάουντ

passed it to another teammate named Ray Allen.

και πάσαρε στον Ρέι Άλεν,

He sank a three. It went into overtime.

αυτός έβαλε τρίποντο και πήγαν στην παράταση.

They won the game. They won the championship.

Κέρδισαν το παιχνίδι και το πρωτάθλημα.

It was one of the most exciting games in basketball.

Ήταν ένα από τα πιο συναρπαστικά παιχνίδια μπάσκετ.

And our ability to know the shot probability for every player

Η ικανότητά μας να γνωρίζουμε την πιθανότητα ευστοχίας κάθε παίχτη

at every second,

σε κάθε δευτερόλεπτο

and the likelihood of them getting a rebound at every second

και την πιθανότητα να πάρουν ένα ρημπάουντ κάθε δευτερόλεπτο

can illuminate this moment in a way that we never could before.

μπορούν να διαφωτίσουν αυτήν τη φάση όπως δεν μπορούσε να γίνει ποτέ στο παρελθόν.

Now unfortunately, I can't show you that video.

Δυστυχώς δεν μπορώ να σας δείξω εκείνο το βίντεο.

But for you, we recreated that moment

Αλλά ειδικά για σας αναπαράξαμε εκείνη τη φάση

at our weekly basketball game about 3 weeks ago.

στο εβδομαδιαίο μας παιχνίδι μπάσκετ πριν από 3 εβδομάδες.

(Laughter)

(Γέλια)

And we recreated the tracking that led to the insights.

Και αναπαράξαμε όλη τη φάση, που οδήγησε σε αυτές τις πληροφορίες.

So, here is us. This is Chinatown in Los Angeles,

Να το. Είναι στην Τσάινα Τάουν του Λος Άντζελες,

a park we play at every week,

ένα πάρκο όπου παίζουμε κάθε εβδομάδα

and that's us recreating the Ray Allen moment

να κι εμείς, που αναπαράγουμε τη στιγμή του Ρέι Άλεν

and all the tracking that's associated with it.

και όλη τη φάση, που προηγείται.

So, here's the shot.

Να και το σουτ

I'm going to show you that moment

Θα σας δείξω αυτήν τη στιγμή

and all the insights of that moment.

και όλες τις πληροφορίες αυτής της στιγμής.

The only difference is, instead of the professional players, it's us,

Η μόνη διαφορά είναι ότι αντί για επαγγελματίες παίκτες, παίζουμε εμείς

and instead of a professional announcer, it's me.

και αντί για επαγγελματία εκφωνητή, θα μιλάω εγώ.

So, bear with me.

Υποστείτε με λιγάκι.

Miami.

Μαϊάμι.

Down three.

Χάνουν με τρεις.

Twenty seconds left.

Απομένουν 20''.

Jeff brings up the ball.

Ο Τζεφ επαναφέρει την μπάλα.

Josh catches, puts up a three!

Ο Τζος την πιάνει και σουτάρει τρίποντο!

[Calculating shot probability]

(Υπολογισμός πιθανότητας ευστοχίας)

[Shot quality]

(Ποιότητα σουτ)

[Rebound probability]

(Υπολογισμός πιθανότητας ριμπάουντ)

Won't go!

Δεν μπήκε!

[Rebound probability]

(Υπολογισμός πιθανότητας ριμπάουντ)

Rebound, Noel.

Ριμπάουντ ο Νοέλ.

Back to Daria.

Πασάρει στην Ντάρια.

[Shot quality]

(Ποιότητα σουτ)

Her three-pointer -- bang!

Σουτάρει τρίποντο -- μέσα!

Tie game with five seconds left.

Ισοπαλία με 5 δευτερόλεπτα να απομένουν.

The crowd goes wild.

Το πλήθος είναι σε παροξυσμό.

(Laughter)

(Γέλιο)

That's roughly how it happened.

Έτσι έγινε περίπου.

(Applause)

(Χειροκρότημα)

Roughly.

Στο περίπου.

(Applause)

(Χειροκρότημα)

That moment had about a nine percent chance of happening in the NBA

Αυτή η στιγμή είχε πιθανότητα περίπου 9% να συμβεί στο NBA

and we know that and a great many other things.

και το γνωρίζουμε κι αυτό και πολλά άλλα πράγματα.

I'm not going to tell you how many times it took us to make that happen.

Δεν θα σας πω πόσες φορές προσπαθήσαμε για να το καταφέρουμε.

(Laughter)

(Χειροκρότημα)

Okay, I will! It was four.

Εντάξει, θα σας πω. Τέσσερις φορές.

(Laughter)

(Χειροκρότημα)

Way to go, Daria.

Μπράβο, Ντάρια.

But the important thing about that video

Το σημαντικό για αυτό το βίντεο και την επίγνωση που έχουμε

and the insights we have for every second of every NBA game -- it's not that.

για κάθε δευτερόλεπτο κάθε παιχνιδιού του NBA, δεν είναι αυτό.

It's the fact you don't have to be a professional team to track movement.

Είναι ότι δεν χρειάζεται να είστε ομάδα του NBA για να παρακολουθείτε την κίνηση

You do not have to be a professional player to get insights about movement.

ή να είστε επαγγελματίας παίκτης για να έχετε επίγνωση για τις κινήσεις.

In fact, it doesn't even have to be about sports because we're moving everywhere.

Δεν είναι καν απαραίτητο να πρόκειται για σπορ, αφού κινούμαστε παντού.

We're moving in our homes,

Κινούμαστε στα σπίτια μας,

in our offices,

στα γραφεία μας,

as we shop and we travel

καθώς ψωνίζουμε και ταξιδεύουμε

throughout our cities

μέσα στις πόλεις μας

and around our world.

και σε όλον τον κόσμο

What will we know? What will we learn?

Τι θα γνωρίζουμε; Τι θα μάθουμε;

Perhaps, instead of identifying pick-and-rolls,

Ίσως αντί να αναγνωρίζει τα πικ εν ρολ,

a machine can identify the moment and let me know

ένας υπολογιστής αναγνωρίσει και με ενημερώσει για τη στιγμή,

when my daughter takes her first steps.

που η κόρη μου κάνει τα πρώτα της βήματα,

Which could literally be happening any second now.

κάτι που είναι κυριολεκτικά πιθανό να συμβεί ανά πάσα στιγμή.

Perhaps we can learn to better use our buildings, better plan our cities.

Ίσως μάθουμε να χρησιμοποιούμε καλύτερα τα κτίριά μας,

να σχεδιάζουμε καλύτερα τις πόλεις μας.

I believe that with the development of the science of moving dots,

Πιστεύω ότι με την εξέλιξη της επιστήμης των κινούμενων κουκκίδων,

we will move better, we will move smarter, we will move forward.

θα μπορούμε να κινούμαστε καλύτερα, γρηγορότερα, να κινούμαστε προς τα εμπρός.

Thank you very much.

Σας ευχαριστώ.

(Applause)

(Χειροκρότημα)