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

1,107,248 views ・ 2015-07-06

TED


Haga doble clic en los subtítulos en inglés para reproducir el vídeo.

Traductor: Sebastian Betti Revisor: Lidia Cámara de la Fuente
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
A mis colegas y a mí nos fascina la ciencia de los puntos móviles.
00:16
So what are these dots?
1
16927
1150
¿Qué son estos puntos?
00:18
Well, it's all of us.
2
18101
1287
Somos nosotros.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
Nos movemos en casa, en la oficina, mientras compramos y viajamos
00:24
throughout our cities and around the world.
4
24521
2066
por nuestras ciudades y alrededor del mundo.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
¿No sería genial si pudiéramos entender estos movimientos,
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
si pudiéramos encontrar patrones, significado y sentido en eso?
00:34
And luckily for us, we live in a time
7
34259
1785
Por fortuna para nosotros, vivimos en una época
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
en la que somos muy buenos capturando información sobre nosotros mismos.
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
Sea mediante sensores, videos o aplicaciones,
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
podemos rastrear los movimientos con mucho detalle.
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
Y una de las mejores fuentes de datos sobre el movimiento
00:53
is sports.
12
53148
1208
es en los deportes.
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
Sea baloncesto o béisbol, fútbol americano o el otro fútbol,
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
equipamos los estadios y jugadores para seguir sus movimientos
01:04
every fraction of a second.
15
64465
1313
en cada fracción de segundo.
01:05
So what we're doing is turning our athletes into --
16
65802
4382
Así que convertimos a los atletas
01:10
you probably guessed it --
17
70208
1959
--quizá lo adivinaron--
01:12
moving dots.
18
72191
1396
en puntos móviles.
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
Tenemos montañas de puntos móviles y como la mayoría de los datos en crudo
01:18
it's hard to deal with and not that interesting.
20
78904
2502
son difíciles de manejar, y no son tan interesantes.
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
Pero hay cosas que los entrenadores de baloncesto quieren saber.
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
El problema es que no pueden retener cada segundo
01:29
of every game, remember it and process it.
23
89057
2589
de cada juego, recordarlo y procesarlo.
01:31
And a person can't do that,
24
91804
1930
Nadie puede hacer eso, pero una máquina sí.
01:33
but a machine can.
25
93758
1310
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
El problema de la máquina es que no ve el juego con ojo de entrenador.
01:39
At least they couldn't until now.
27
99363
2261
Al menos no podía hasta ahora.
01:42
So what have we taught the machine to see?
28
102228
2103
Así que ¿qué le enseñamos a ver a la máquina?
01:45
So, we started simply.
29
105569
1787
Empezamos con cosas simples.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
Le enseñamos cosas como pases, tiros y rebotes.
01:51
Things that most casual fans would know.
31
111203
2541
Cosas que cualquier fan conoce.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
Y luego seguimos con cosas levemente más complicadas:
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
Posteos, bloqueos y continuación, aislamientos.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
Si no las conocen, está bien. Los jugadores aficionados quizá lo sepan.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
Hemos logrado que la máquina entienda secuencias complejas
02:10
like down screens and wide pins.
36
130924
3073
como bloqueos verticales abajo y hasta con rotaciones complejas.
02:14
Basically things only professionals know.
37
134021
2726
Básicamente cosas que solo saben los profesionales.
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
Hemos enseñado a la máquina a ver con ojos de entrenador.
02:22
So how have we been able to do this?
39
142009
1857
¿Cómo hemos podido hacerlo?
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
Si pidiera a un entrenador describir un bloqueo y continuación,
02:27
they would give me a description,
41
147653
1640
me daría una descripción;
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
y si pusiera eso en un algoritmo, sería terrible.
El bloqueo y continuación es esa danza del baloncesto entre cuatro jugadores,
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
02:37
two on offense and two on defense.
44
157328
1912
dos atacantes y dos defensores.
02:39
And here's kind of how it goes.
45
159486
1618
Es más o menos así.
02:41
So there's the guy on offense without the ball
46
161128
2533
Hay un tipo en ataque sin la pelota,
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
se pone al lado del tipo que marca y que tiene la posesión de la pelota,
02:46
and he kind of stays there
48
166918
1257
se queda allí,
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
y ambos se mueven y ocurre, cha-chan, un bloqueo y continuación.
02:51
(Laughter)
50
171540
2215
(Risas)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
Eso es un ejemplo de un algoritmo complicado.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
Si el jugador que se interpone, llamado bloqueador,
03:01
goes close by, but he doesn't stop,
53
181278
2872
se acerca, pero no se detiene,
03:04
it's probably not a pick-and-roll.
54
184174
1765
quizá no sea un bloqueo y continuación.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
O si se detiene, pero no queda muy cerca,
03:10
it's probably not a pick-and-roll.
56
190529
1761
quizá no sea un bloqueo y continuación.
03:12
Or, if he does go close by and he does stop
57
192642
3237
O si se acerca al otro y realmente para,
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
pero lo hacen debajo de la cesta, quizá no sea un bloqueo y continuación.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
O podría equivocarme, todos esos casos podrían ser bloqueos y continuación.
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
Todo depende del tiempo exacto, las distancias, los posicionamientos,
03:26
and that's what makes it hard.
61
206602
1495
y eso lo hace difícil.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
Por suerte, con el aprendizaje máquina, podemos exceder nuestra capacidad
03:33
to describe the things we know.
63
213547
1743
de describir las cosas que conocemos.
03:35
So how does this work? Well, it's by example.
64
215314
2280
¿Cómo funciona esto? Bueno, con ejemplos.
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
Vamos a la máquina y le decimos: "Buenos días, máquina.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
Aquí hay bloqueos y continuación, y aquí otras cosas que no lo son.
03:44
Please find a way to tell the difference."
67
224720
2252
Por favor, encuentra cómo establecer la diferencia".
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
Y la clave de todo esto es encontrar características que le permitan separar.
03:50
So if I was going to teach it the difference
69
230807
2109
Si yo tuviera que enseñar la diferencia entre una manzana y una naranja,
03:52
between an apple and orange,
70
232940
1381
03:54
I might say, "Why don't you use color or shape?"
71
234345
2375
podría decir: "¿Por qué no usar el color y la forma?"
03:56
And the problem that we're solving is, what are those things?
72
236744
2943
El problema que enfrentamos es encontrar esas cosas.
03:59
What are the key features
73
239711
1247
¿Qué características son
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
las que permiten a una computadora navegar el mundo de los puntos móviles?
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
Imaginar todas estas relaciones con ubicación relativa y absoluta,
04:09
distance, timing, velocities --
76
249352
1909
--distancia, tiempo, velocidad--
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
es la clave de la ciencia de los puntos móviles, como nos gusta llamarla,
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
reconocimiento espacio-temporal de patrones,
en lenguaje académico.
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
Ante todo tenemos que hacer que suene difícil,
04:22
because it is.
80
262847
1278
porque lo es.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
Pero la clave para los entrenadores de la NBA no es saber
04:27
whether a pick-and-roll happened or not.
82
267575
1922
si hubo un bloqueo y continuación o no.
04:29
It's that they want to know how it happened.
83
269521
2076
Ellos quieren saber cómo ocurrió.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
Y ¿por qué eso es tan importante para ellos?
Aquí hay una idea importante.
04:34
It turns out in modern basketball,
85
274631
1771
Resulta que en el baloncesto moderno,
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
el bloqueo y continuación es quizá el juego más importante.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
Y saber cómo manejarlo, y saber cómo defenderlo,
04:41
is basically a key to winning and losing most games.
88
281709
2670
básicamente es la clave para ganar o perder casi todos los juegos.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
Pero resulta que esta danza tiene muchas variantes
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
e identificar las variantes es lo que importa,
04:51
and that's why we need this to be really, really good.
91
291900
2529
por eso necesitamos que esto sea muy, muy bueno.
04:55
So, here's an example.
92
295228
1176
Este es un ejemplo.
04:56
There are two offensive and two defensive players,
93
296428
2379
Hay dos jugadores en ataque y dos en defensa,
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
listos para la danza del bloqueo y continuación.
05:01
So the guy with ball can either take, or he can reject.
95
301007
2683
El tipo con la pelota puede usar o no el bloqueo.
05:04
His teammate can either roll or pop.
96
304086
3001
Su compañero puede girar a canasta o abrir para recibir el pase.
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
El que marca al jugador con la pelota puede avanzar o retroceder.
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
Su compañero puede avanzar, marcar o solo acompañar
05:14
and together they can either switch or blitz
99
314710
2618
y juntos pueden cambiar asignación defensiva o redoblar la marca.
05:17
and I didn't know most of these things when I started
100
317352
2659
Yo no sabía casi nada de esto cuando empecé
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
y sería estupendo si todos se movieran siguiendo esas flechas.
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
Haría mucho más fáciles nuestras vidas, pero el movimiento es muy desordenado.
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
Las personas se menean mucho e identificar estas variaciones
05:33
with very high accuracy,
104
333555
1303
con muy alta precisión,
05:34
both in precision and recall, is tough
105
334882
1868
en precisión y en recuerdo, es difícil
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
y es lo que hace que un entrenador profesional crea en ti.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
Aun con las dificultades de las correctas características espacio-temporales
05:43
we have been able to do that.
108
343820
1474
lo hemos logrado.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
Los entrenadores confían en que las máquinas pueden identificar variaciones.
05:49
We're at the point where almost every single contender
110
349478
3533
Estamos en el punto en el que casi todos los contendientes
05:53
for an NBA championship this year
111
353035
1623
en el campeonato de la NBA este año
05:54
is using our software, which is built on a machine that understands
112
354682
4408
usan nuestro software, construido en una máquina que entiende
05:59
the moving dots of basketball.
113
359114
1634
los puntos móviles en el baloncesto.
06:01
So not only that, we have given advice that has changed strategies
114
361872
5153
No solo eso, hemos dado consejos que han cambiado estrategias
06:07
that have helped teams win very important games,
115
367049
3352
que han ayudado a equipos a ganar juegos muy importantes,
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
y es muy apasionante porque hay entrenadores que han estado en la liga
06:14
for 30 years that are willing to take advice from a machine.
117
374181
3067
durante 30 años que desean recibir consejos de una máquina.
06:17
And it's very exciting, it's much more than the pick-and-roll.
118
377874
2906
Y es muy apasionante, mucho más que el bloqueo y continuación.
06:20
Our computer started out with simple things
119
380804
2076
Nuestra computadora empezó con cosas simples,
06:22
and learned more and more complex things
120
382904
2064
aprendió cosas cada vez más complejas
06:24
and now it knows so many things.
121
384992
1561
y ahora sabe cada vez más cosas.
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
Francamente, no entiendo gran parte de lo que hace,
06:29
and while it's not that special to be smarter than me,
123
389436
3715
y si bien no es algo tan especial ser más inteligente que yo,
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
nos hemos preguntado, ¿puede una máquina saber más que un entrenador?
06:36
Can it know more than person could know?
125
396843
2055
¿Puede saber más de lo que podría saber una persona?
06:38
And it turns out the answer is yes.
126
398922
1745
Y resulta que la respuesta es sí.
06:40
The coaches want players to take good shots.
127
400691
2557
Los entrenadores quieren que los jugadores disparen bien.
06:43
So if I'm standing near the basket
128
403272
1651
Si estoy cerca de la cesta
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
y no hay nadie cerca, es un buen tiro.
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
Si estoy lejos, rodeado por defensores, generalmente es un mal tiro.
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
Pero no sabíamos cuán bueno o malo era lo "bueno" o lo "malo" cuantitativamente.
06:56
Until now.
132
416209
1150
Hasta ahora.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
Entonces, de nuevo, con las características espacio-temporales,
07:00
we looked at every shot.
134
420853
1374
analizamos cada tiro.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
Podemos ver dónde está el tiro, cuál es el ángulo a la cesta,
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
dónde están los defensores, cuáles son sus distancias,
07:08
What are their angles?
137
428066
1331
cuáles son los ángulos.
07:09
For multiple defenders, we can look at how the player's moving
138
429421
2977
Para múltiples defensores, podemos ver cómo se mueve el jugador
07:12
and predict the shot type.
139
432422
1433
y predecir el tipo de tiro.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
Podemos ver todas sus velocidades y construir un modelo que prediga
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
la probabilidad de que este disparo vaya en estas circunstancias.
07:22
So why is this important?
142
442188
1500
¿Por qué importa esto?
07:24
We can take something that was shooting,
143
444102
2803
Podemos tomar un tiro,
07:26
which was one thing before, and turn it into two things:
144
446929
2680
que antes era una cosa y ahora se transforma en dos cosas:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
la calidad del tiro y la calidad del tirador.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
Este es un gráfico de burbujas porque ¿qué es TED sin ellos?
07:36
(Laughter)
147
456966
1014
(Risas)
07:38
Those are NBA players.
148
458004
1311
Esos son jugadores de la NBA.
07:39
The size is the size of the player and the color is the position.
149
459339
3120
El tamaño es el tamaño del jugador y el color es su posición.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
En el eje X, tenemos la probabilidad del disparo.
07:44
People on the left take difficult shots,
151
464639
1953
Las personas de la izquierda hacen tiros difíciles,
07:46
on the right, they take easy shots.
152
466616
2229
a la derecha, hacen tiros fáciles.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
En el eje Y, es la capacidad de disparo.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
Las personas que disparan bien van arriba, las que disparan mal abajo.
07:53
So for example, if there was a player
155
473861
1760
Por ejemplo, si había un jugador
07:55
who generally made 47 percent of their shots,
156
475621
2097
que generalmente encestaba el 47 % de los tiros,
07:57
that's all you knew before.
157
477718
1389
eso es lo que se sabía antes.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
Pero hoy, puedo decir que el jugador hace disparos que un jugador medio NBA
08:04
would make 49 percent of the time,
159
484219
1961
convertiría el 49 % del tiempo,
08:06
and they are two percent worse.
160
486204
1684
y que ellos son un 2 % peores.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
Y es importante porque hay muchos con 47 % por allí.
08:13
And so it's really important to know
162
493714
2549
Y por eso es muy importante saber
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
si el 47 % al que están evaluando pagarle USD 100 millones
08:20
is a good shooter who takes bad shots
164
500267
3055
es un buen tirador que hace malos tiros
08:23
or a bad shooter who takes good shots.
165
503346
2397
o un mal tirador que hace buenos tiros.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
La comprensión de máquina no cambia la forma de ver a los jugadores,
08:30
it changes how we look at the game.
167
510487
1858
cambia la forma de ver el juego.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
Hace unos años hubo un juego muy apasionante en la final de la NBA.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
Miami estaba tres puntos abajo, quedaban 20 segundos.
08:39
They were about to lose the championship.
170
519379
2025
Estaban a punto de perder el campeonato.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
Un caballero de nombre LeBron James tiró de tres para empatar.
08:44
He missed.
172
524793
1198
Falló.
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
Su compañero Chris Bosh consiguió un rebote,
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
hizo un pase a otro compañero llamado Ray Allen.
08:50
He sank a three. It went into overtime.
175
530059
1919
Clavó un triple. Fue en tiempo suplementario.
08:52
They won the game. They won the championship.
176
532002
2096
Ganaron el juego. Ganaron el campeonato.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
Fue uno de los juegos de baloncesto más emocionantes.
08:57
And our ability to know the shot probability for every player
178
537438
3429
Y nuestra capacidad de conocer la probabilidad del tiro de cada jugador
09:00
at every second,
179
540891
1188
a cada segundo,
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
y la probabilidad de conseguir un rebote a cada segundo
puede iluminar este momento como nunca antes.
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
Desafortunadamente, no puedo mostrarles ese video.
09:12
But for you, we recreated that moment
183
552310
4493
Pero lo hemos recreado
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
en nuestro juego semanal de baloncesto hace 3 semanas.
09:19
(Laughter)
185
559279
2167
(Risas)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
Y recreamos el seguimiento del que extrajimos las ideas.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
Aquí estamos. Esto es Chinatown en Los Ángeles,
09:29
a park we play at every week,
188
569478
1564
un parque en el que jugamos todas las semanas,
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
y allí estamos recreando el momento Ray Allen
09:33
and all the tracking that's associated with it.
190
573321
2229
y todo el seguimiento asociado.
09:36
So, here's the shot.
191
576772
1517
Este es el disparo.
09:38
I'm going to show you that moment
192
578313
2516
Les mostraré ese momento
09:40
and all the insights of that moment.
193
580853
2587
y lo que aprendimos de ese momento.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
La única diferencia es que en vez de jugadores profesionales, somos nosotros,
09:47
and instead of a professional announcer, it's me.
195
587218
2618
y en vez de un locutor profesional, soy yo.
09:49
So, bear with me.
196
589860
1477
Así que tengan paciencia conmigo.
09:53
Miami.
197
593153
1150
Miami.
09:54
Down three.
198
594671
1150
Tres puntos abajo.
09:56
Twenty seconds left.
199
596107
1150
Quedan 20 segundos.
09:59
Jeff brings up the ball.
200
599385
1198
Jeff trae la pelota.
10:02
Josh catches, puts up a three!
201
602656
1535
Josh la atrapa, ¡marca un triple!
10:04
[Calculating shot probability]
202
604631
1849
[Calculando probabilidad de tiro: 33 %]
10:07
[Shot quality]
203
607278
1150
[Calidad del tiro: JOSH 33 %]
10:09
[Rebound probability]
204
609048
1785
[Probabilidad de rebote: NOEL 12 %]
10:12
Won't go!
205
612373
1173
¡No entrará!
10:13
[Rebound probability]
206
613570
1446
[Probabilidad de rebote: NOEL 37 %]
10:15
Rebound, Noel.
207
615777
1256
Rebote, Noel.
10:17
Back to Daria.
208
617057
1150
Vuelve a Daria.
10:18
[Shot quality]
209
618509
3365
[Calidad del tiro: DARIA 37 %]
10:22
Her three-pointer -- bang!
210
622676
1620
Su triple... ¡bang!
10:24
Tie game with five seconds left.
211
624320
2197
Empate y quedan 5 segundos.
10:26
The crowd goes wild.
212
626880
1618
La multitud enloquece.
10:28
(Laughter)
213
628522
1659
(Risas)
10:30
That's roughly how it happened.
214
630205
1547
Es más o menos lo que pasó.
10:31
(Applause)
215
631776
1151
(Aplausos)
10:32
Roughly.
216
632951
1175
Más o menos.
10:34
(Applause)
217
634150
1531
(Aplausos)
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
Ese momento tenía un 9 % de probabilidad de ocurrir en la NBA;
10:41
and we know that and a great many other things.
219
641629
2261
sabemos eso y muchas otras cosas.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
No les diré las veces que intentamos hasta que ocurrió.
10:47
(Laughter)
221
647429
1747
(Risas)
10:49
Okay, I will! It was four.
222
649200
1872
Bien, ¡se los diré! Fueron cuatro.
10:51
(Laughter)
223
651096
1001
(Risas)
10:52
Way to go, Daria.
224
652121
1165
Así se hace, Daria.
10:53
But the important thing about that video
225
653647
4263
Pero lo importante de ese video
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
y las ideas obtenidas en cada segundo de un juego de la NBA, no es eso.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
Es que no hay que ser un equipo profesional para seguir el movimiento.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
No hay que ser jugador profesional para aprender sobre el movimiento.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
De hecho, no se trata del deporte porque nos movemos por doquier.
11:15
We're moving in our homes,
230
675654
2369
Nos movemos en nuestras casas,
11:21
in our offices,
231
681428
1205
en nuestras oficinas,
11:24
as we shop and we travel
232
684238
2690
mientras compramos y viajamos
11:29
throughout our cities
233
689318
1253
por las ciudades
11:32
and around our world.
234
692065
1618
y alrededor del mundo.
11:35
What will we know? What will we learn?
235
695270
2295
¿Qué conoceremos? ¿Qué aprenderemos?
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
Quizá en vez de identificar bloqueos y continuación,
11:39
a machine can identify the moment and let me know
237
699918
3010
una máquina pueda identificar el momento y me avise
11:42
when my daughter takes her first steps.
238
702952
2059
cuando mi hija dé el primer paso.
11:45
Which could literally be happening any second now.
239
705035
2536
Algo que podría ocurrir en cualquier momento próximo.
Quizá podamos aprender a usar mejor los edificios,
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
planificar mejor las ciudades.
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
Creo que con el desarrollo de la ciencia de los puntos móviles,
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
nos moveremos mejor, con más inteligencia,
nos moveremos hacia adelante.
12:00
Thank you very much.
243
720607
1189
Muchas gracias.
12:01
(Applause)
244
721820
5045
(Aplausos)
Acerca de este sitio web

Este sitio le presentará vídeos de YouTube útiles para aprender inglés. Verá lecciones de inglés impartidas por profesores de primera categoría de todo el mundo. Haz doble clic en los subtítulos en inglés que aparecen en cada página de vídeo para reproducir el vídeo desde allí. Los subtítulos se desplazan en sincronía con la reproducción del vídeo. Si tiene algún comentario o petición, póngase en contacto con nosotros mediante este formulario de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7