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

1,107,248 views ・ 2015-07-06

TED


لطفا برای پخش فیلم روی زیرنویس انگلیسی زیر دوبار کلیک کنید.

Translator: sadegh zabihi Reviewer: Leila Ataei
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
من و همکارانم مجذوب دانش نقطه‎ها هستیم.
00:16
So what are these dots?
1
16927
1150
این نقطه‎ها چه هستند؟
00:18
Well, it's all of us.
2
18101
1287
خوب، آنها همه ما هستیم.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
و ما در خانه‎ها و دفترهایمان، و هنگامی که به خرید یا مسافرت می‎رویم،
00:24
throughout our cities and around the world.
4
24521
2066
درون شهرهایمان و سراسر دنیا، در حال حرکت هستیم.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
و خوب نبود اگر می‎توانستیم همه این حرکات را درک کنیم؟
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
و می‎توانستیم الگو و معنا و مفهوم درون آنها را بفهمیم.
00:34
And luckily for us, we live in a time
7
34259
1785
و خوشبختانه، ما در زمانی زندگی می‎کنیم
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
که به شکل غیر قابل باوری در جمع‎آوری اطلاعات درباره خودمان پیشرفت کرده‎ایم.
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
پس چه از طریق حسگرها یا فیلم‎ها یا نرم افزارها،
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
می‎توانیم با جزییات بسیار دقیق، حرکات خودمان را دنبال کنیم.
و به نظر می‎رسد که یکی از جاهایی که ما بهترین داده‎ها را درباره حرکت داریم
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
00:53
is sports.
12
53148
1208
در ورزش است.
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
پس چه بسکتبال باشد یا بیس بال یا فوتبال و یا اون یکی فوتبال،
در حال نصب تجهیزات در ورزشگاهها و روی بازیکنان هستیم
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
تا بتوانیم در کسری از ثانیه، حرکات آنها را دنبال کنیم.
01:04
every fraction of a second.
15
64465
1313
01:05
So what we're doing is turning our athletes into --
16
65802
4382
پس کاری که ما می‎کنیم، تبدیل ورزشکاران--
همانطور که حدس می‎زنید--
01:10
you probably guessed it --
17
70208
1959
به نقطه‎های متحرک است.
01:12
moving dots.
18
72191
1396
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
پس ما کوهی از نقاط متحرک داریم، و مانند سایر داده‎های خام،
01:18
it's hard to deal with and not that interesting.
20
78904
2502
کار با آنها سخت و طاقت فرسا است.
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
اما چیزهایی هست که به طور مثال، مربیان بسکتبال می‎خواهند بدانند.
و مشکل اینجا است که نمی‎توانند متوجه آنها شوند، چون برای این کار آنها باید
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
هرثانیه از هر بازی را ببینند، به خاطر بسپارند و پردازش کنند.
01:29
of every game, remember it and process it.
23
89057
2589
01:31
And a person can't do that,
24
91804
1930
و یک انسان قادر به انجام آن نیست،
01:33
but a machine can.
25
93758
1310
اما یک ماشین می‎تواند.
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
مشکل اینجا است که ماشین‎ها نمی‎توانند بازی را از چشم یک مربی ببینند.
01:39
At least they couldn't until now.
27
99363
2261
حداقل تا کنون نمی‎توانستند.
01:42
So what have we taught the machine to see?
28
102228
2103
پس ما به ماشین، دیدن چه چیزی را آموختیم؟
01:45
So, we started simply.
29
105569
1787
خوب، ما به سادگی شروع کردیم.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
چیزهایی مانند پاس، شوت و ریباند را به آن یاد دادیم.
01:51
Things that most casual fans would know.
31
111203
2541
چیزهایی که اکثر طرفداران معمولی می‎دانند.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
و بعد از آن به مسائل کمی پیچیده‎تر رسیدیم.
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
مسائلی مانند حالت پشت به حلقه، سد کردن و چرخش و ایزوله کردن.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
و اگر با آنها آشنایی ندارید، اشکالی ندارد. بیشتر بازیکنان آنها را می‎شناسند.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
اکنون، به نقطه‎ای رسیده‎ایم که ماشینها اکثر حرکات پیچیده را درک می‎کنند.
02:10
like down screens and wide pins.
36
130924
3073
مانند نمایش پایین و پینهای گسترده.
اساسا مسایلی که تنها حرفه‎ای ها با آن آشنایی دارند.
02:14
Basically things only professionals know.
37
134021
2726
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
پس ما به ماشین آموختیم که با چشم‎های مربی بازی را ببیند.
02:22
So how have we been able to do this?
39
142009
1857
خوب، ما چگونه قادر به انجام این کار شدیم؟
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
اگر من از یک مربی بخواهم که چیزی مثل پیک سد کردن و چرخش را توضیح دهد،
02:27
they would give me a description,
41
147653
1640
توصیفی را ارائه خواهد داد،
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
و اگر من بخواهم آن را به شکل الگوریتم دربیاورم، افتضاح خواهد بود
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
از قضا، سد کردن و چرخش نوعی رقص بین چهار بازیکن است،
02:37
two on offense and two on defense.
44
157328
1912
دو نفر در دفاع و دو نفر در حمله.
02:39
And here's kind of how it goes.
45
159486
1618
و این تقریبا اتفاقی است که می‎افتد.
02:41
So there's the guy on offense without the ball
46
161128
2533
خوب بازیکن حمله بدون توپ اینجاست
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
و به پشت بازیکن مدافع حامل توپ حرکت می‎کند،
02:46
and he kind of stays there
48
166918
1257
و آنجا می‎ایستد
و بعد هردو حرکت می‎کنند و خلاصه، این یک حرکت سد کردن و چرخش است.
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
02:51
(Laughter)
50
171540
2215
(خنده)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
همچنین این نمونه‎ای از یک الگوریتم افتضاح است.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
پس، اگر بازیکن مداخله‎گر-- به او غربالگر می‎گویند--
03:01
goes close by, but he doesn't stop,
53
181278
2872
نزدیک شده و به حرکت ادامه بدهد،
03:04
it's probably not a pick-and-roll.
54
184174
1765
دیگر احتمالا سد کردن وچرخش نخواهد بود.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
یا اگر بایستد ولی به اندازه کافی نزدیک نباشد،
03:10
it's probably not a pick-and-roll.
56
190529
1761
احتمالا سد کردن و چرخش نیست.
03:12
Or, if he does go close by and he does stop
57
192642
3237
یا اگر نزدیک باشد و جای درستی بایستد
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
اما این کار را زیر سبد انجام دهند، احتمالا سد کردن و چرخش نیست.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
یا ممکن است من اشتباه کنم و همه آنها سد کردن و چرخش باشند.
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
در واقع همه چیز به زمانبندی دقیق، فاصله و جایگیری بستگی دارد،
03:26
and that's what makes it hard.
61
206602
1495
و همین کار را سخت می‎کند.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
ولی، خوشبختانه، با فراگیری ماشین، برای توصیف چیزهایی که می‎دانیم
03:33
to describe the things we know.
63
213547
1743
می‎توانیم ورای توانایی خود عمل کنیم.
03:35
So how does this work? Well, it's by example.
64
215314
2280
خوب، این چطور کار می‎کند،
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
خوب ما سراغ ماشین می‎رویم و به او می‎گوییم "صبح به خیر ماشین.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
اینها یک سری سد کردن و چرخش هستند، و اینها چیزهایی هستند که سد کردن و چرخش نیستند.
03:44
Please find a way to tell the difference."
67
224720
2252
لطفا راهی برای تشخیصشان از هم پیدا کن."
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
و کلید انجام این کار پیداکردن امکاناتی است که جداسازی را ممکن کنند.
03:50
So if I was going to teach it the difference
69
230807
2109
خوب اگر من می‎خواستم تفاوت سیب و پرتقال را
03:52
between an apple and orange,
70
232940
1381
به آن یاد بدهم
03:54
I might say, "Why don't you use color or shape?"
71
234345
2375
احتمالا می‎گویم، "چرا از رنگ یا شکل آنها استفاده نمی‎کنی؟"
03:56
And the problem that we're solving is, what are those things?
72
236744
2943
و مسئله‎ای که باید حل کنیم این است که آنها چیستند؟
03:59
What are the key features
73
239711
1247
امکانات کلیدی که به کامپیوتر امکان بررسی
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
دنیای نقطه‎های متحرک را می‎دهند، چه هستند؟
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
پس با پیدا کردن تمام این روابط میان مکان مطلق و نسبی،
04:09
distance, timing, velocities --
76
249352
1909
فاصله، زمانبندی و سرعت--
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
این کلید واقعی ورود به دانش نقاط متحرک است یا آنطور که ما می‎گوییم،
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
تشخیص الگوی مکانی زمانی در محیط دانشگاهی.
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
چون در وهله اول باید کاری کنیم که سخت به نظر بیاید--
04:22
because it is.
80
262847
1278
چو در واقع هست.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
نکته کلیدی برای مربیان بسکتبال این نیست که بدانند
04:27
whether a pick-and-roll happened or not.
82
267575
1922
سد کردن و چرخش اتفاق افتاد یا نه.
04:29
It's that they want to know how it happened.
83
269521
2076
بلکه آنها می‎خواهند نحوه انجام آن را بدانند.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
و چرا این مسئله این قدر برای آنها مهم است؟ خوب این هم یک دلیل کوچک.
04:34
It turns out in modern basketball,
85
274631
1771
این طور به نظر می‎رسد که در بسکتبال مدرن
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
این سد کردن و چرخش مهمترین حرکت بازی است.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
و اینکه چگونه آن را انجام دهیم، و چگونه در برابر آن دفاع کنیم،
04:41
is basically a key to winning and losing most games.
88
281709
2670
در واقع کلید برد یا باخت در اکثر بازی‎ها است.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
خوب متوجه شدیم که این رقص گونه‎های بسیار متفاوتی دارد
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
و در واقع نکته مهم، شناسایی این گونه‎ها است،
04:51
and that's why we need this to be really, really good.
91
291900
2529
و به این دلیل است که این الگوریتم باید خیلی خیلی خوب عمل کند.
04:55
So, here's an example.
92
295228
1176
خوب، یک مثال.
04:56
There are two offensive and two defensive players,
93
296428
2379
دو بازیکن حمله و دو بازیکن دفاع داریم،
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
که برای انجام حرکت سد کردن و چرخش آماده می‎شوند.
05:01
So the guy with ball can either take, or he can reject.
95
301007
2683
خوب بازیکن حامل توپ می‎تواند بگیرد، و یا رد کند.
05:04
His teammate can either roll or pop.
96
304086
3001
همبازی او می‎تواند بچرخد یا بزند.
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
بازیکن مدافع توپ می‎تواند جلو یا عقب برود.
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
هم تیمی او می‎تواند نمایش بدهد یا دفاع کند و بازی آرام انجام دهد.
05:14
and together they can either switch or blitz
99
314710
2618
و آنها با هم کی‎توانند جابجا شوند یا حمله کنند
05:17
and I didn't know most of these things when I started
100
317352
2659
و زمانی که شروع کردم، من بیشتر این چیزها را نمی‎دانستم
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
و بسیار خوب می‎شد اگر همه بر اساس آن پیکان‎ها حرکت می‎کردند.
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
در آن صورت زندگی بسیار آسان‎تر بود، اما این طور که پیداست حرکات بسیار بی‎نظم هستند
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
بازیکن‎ها خیلی وول می‎خورند و تایید این تغییرات
05:33
with very high accuracy,
104
333555
1303
با دقت بسیار بالا
05:34
both in precision and recall, is tough
105
334882
1868
و با جامعیت و صراحت، بسیار دشوار است.
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
زیرا این تنها راهی است که می‎توان اعتماد یک مربی حرفه‎ای را جلب کرد.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
و با وجود تمام مشکلات در تحلیل صحیح الگوهای مکانی زمانی
05:43
we have been able to do that.
108
343820
1474
ما توانستیم آن را به انجام برسانیم.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
مربی‎ها به توانایی ما و ماشین‎هایمان در تشخیص این گونه‎ها اعتماد دارند.
05:49
We're at the point where almost every single contender
110
349478
3533
و اکنون در جایگاهی هستیم که امسال
05:53
for an NBA championship this year
111
353035
1623
تمام مدعیان قهرمانی NBA
05:54
is using our software, which is built on a machine that understands
112
354682
4408
از نر‎م افزار ما استفاده می‎کنند، که بر ماشینی نصب شده
05:59
the moving dots of basketball.
113
359114
1634
که حرکات نقاط متحرک بسکتبال را درک می‎کند.
06:01
So not only that, we have given advice that has changed strategies
114
361872
5153
و نه تنها این، بلکه ما پیشنهادهایی ارائه داده‎ایم که استراتژی‎ها را عوض کرده
06:07
that have helped teams win very important games,
115
367049
3352
و به تیم‎ها در بردن بازیهای بسیار مهم کمک کرده است،
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
و این خیلی جالب است چون مربیانی هستند که به مدت
06:14
for 30 years that are willing to take advice from a machine.
117
374181
3067
۳۰ سال در لیگ بوده‎اند اما از یک ماشین کمک می‎گیرند.
06:17
And it's very exciting, it's much more than the pick-and-roll.
118
377874
2906
و این مسئله بسیار هیجان انگیز است، این بسیار ببیشتر از تشخیص پیک و چرخش است.
06:20
Our computer started out with simple things
119
380804
2076
کامپیوتر ما از مسائل ساده شروع کرد
06:22
and learned more and more complex things
120
382904
2064
و به تدریج چیزهای پیچیده تری را یاد گرفت
06:24
and now it knows so many things.
121
384992
1561
و اکنون چیزهای خیلی زیادی می‎داند.
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
در حقیقت، من بیشتر کارهای او را متوجه نمی‎شوم،
06:29
and while it's not that special to be smarter than me,
123
389436
3715
و از آنجا که به اندازه‎ای خاص نیست که از من باهوش‎تر باشد،
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
این سوال برایمان مطرح شد، که آیا یک ماشین می‎تواند بیش از یک مربی بداند؟
06:36
Can it know more than person could know?
125
396843
2055
آیا می‎تواند بیش از توانایی انسان بداند؟
06:38
And it turns out the answer is yes.
126
398922
1745
و مشخص شد که جواب مثبت است.
06:40
The coaches want players to take good shots.
127
400691
2557
مربیان از بازیکنان می‎خواهند که ضربات خوبی به دست بیاورند.
06:43
So if I'm standing near the basket
128
403272
1651
پس اگر من زیر سبد باشم
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
و کسی دور و بر من نباشد، این یک ضربه خوب است.
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
اگر از سبد دور باشم و مدافعین اطراف من باشند، معمولا این یک ضربه بد است.
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
اما هیچ گاه نمی‎دانیم که "خوب" چه اندازه خوب است، یا "بد"چه اندازه بد است.
06:56
Until now.
132
416209
1150
تا امروز.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
خوب، دوباره با استفاده از الگوی مکانی زمانی، چه کار می‎توانیم بکنیم
07:00
we looked at every shot.
134
420853
1374
ما به تمام ضربات توجه کردیم.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
می‎توانیم ببینیم: ضربه کجاست؟ در چه زاویه‎ای نسبت به سبد قرار دارد؟
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
مدافعین کجا هستند؟ فاصله آنها چقدر است؟
07:08
What are their angles?
137
428066
1331
در چه زاویه‎ای هستند؟
07:09
For multiple defenders, we can look at how the player's moving
138
429421
2977
در مورد چند مدافع، می‎توانیم به نحوه حرکت آنها نگاه کنیم
07:12
and predict the shot type.
139
432422
1433
و نحوه پرتاب را پیش بینی کنیم.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
می‎توانیم سرعت حرکت تمام آنها را بررسی کنیم و مدلی برای پیش بینی ارائه دهیم
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
که احتمال گل شدن این پرتاب در این شرایط چقدر است؟
07:22
So why is this important?
142
442188
1500
خوب، اهمیت این کار در چیست؟
07:24
We can take something that was shooting,
143
444102
2803
می‎توانیم چیزی که پرتاب خوانده می‎شود را درنظر بگیریم
07:26
which was one thing before, and turn it into two things:
144
446929
2680
که قبل از این یک چیز بود، و به آن را دو چیز مجزا تفکیک کنیم:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
کیفیت پرتاب و کیفیت پرتاب کننده.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
خوب این یک نمودار حبابی است، چون TED بدون نمودار بی فایده است.
07:36
(Laughter)
147
456966
1014
(خنده)
07:38
Those are NBA players.
148
458004
1311
اینها بازیکنان NBA هستند.
07:39
The size is the size of the player and the color is the position.
149
459339
3120
اندازه، نشان دهنده ابعاد بازیکن و رنگ نشان دهنده جایگاه او است.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
در محور طولی احتمال گل شدن پرتاب را داریم.
07:44
People on the left take difficult shots,
151
464639
1953
افراد سمت چپ پرتاب‎های سختی می‎گیرند،
07:46
on the right, they take easy shots.
152
466616
2229
در سمت راست، پرتاب‎های آسان.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
بر روی محور عمودی توانایی پرتاب بازیکنان قرار دارد.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
بالا خوب‎ها و پایین ضعیف‎ترها قرار دارند.
07:53
So for example, if there was a player
155
473861
1760
پس به عنوان مثال، اگر بازیکنی
07:55
who generally made 47 percent of their shots,
156
475621
2097
معمولا ۴۷ درصد از پرتابهای خود را وارد سبد ‎کند،
07:57
that's all you knew before.
157
477718
1389
این تنها چیزی بود که تا پیش از این می‎دانستیم.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
اما امروز، من می‎توانم بگویم که این بازیکن پرتابهایی به دست می‎آورد که یک بازیکن
08:04
would make 49 percent of the time,
159
484219
1961
متوسط NBA با احتمال ۴۹ درصدآن را وارد سبد می‎کند،
08:06
and they are two percent worse.
160
486204
1684
و او دو درصد پایین‎تر است.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
و دلیل اهمیت این موضوع این است که تعداد زیادی بازیکن با احتمال ۴۷ درصد وجود دارند.
08:13
And so it's really important to know
162
493714
2549
و بسیار مهم است که بدانیم
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
که این ۴۷ درصدی که قرار است ۱۰۰ میلیون دلار دستمزد بگیرد
08:20
is a good shooter who takes bad shots
164
500267
3055
پرتاب کننده خوبی است که پرتابهای ضعیفی می‎گیرد
08:23
or a bad shooter who takes good shots.
165
503346
2397
یا پرتاب کننده بدی است که پرتابهای خوبی می‎گیرد.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
دانایی ماشین تنها نحوه نگاه ما به بازیکنان را تغییر نمی‎دهد
08:30
it changes how we look at the game.
167
510487
1858
بلکه نحوه نگاه ما به بازی را هم عوض می‎کند.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
مثلا، دو سال پیش یک بازی بسیار هیجان انگیز در فینال NBA در جریان بود:
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
میامی سه امتیاز عقب بود و تنها 20 ثانیه باقی مانده بود.
08:39
They were about to lose the championship.
170
519379
2025
آنها در حال از دست دادن قهرمانی بودند.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
یک آقای محترمی به نام لبران جیمز آمد و یک سه امتیازی پرتاب کرد تا مساوی کنند.
08:44
He missed.
172
524793
1198
پرتاب را از دست داد.
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
همبازی او کریس باش ریباند کرد،
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
و به همبازی دیگرشان، ری الن پاس داد.
08:50
He sank a three. It went into overtime.
175
530059
1919
او سه امتیاز گرفت. بازی به وقت اضافی کشیده شد.
08:52
They won the game. They won the championship.
176
532002
2096
آنها بازی را بردند و قهرمان فصل شدند.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
یکی از هیجان انگیز ترین بازی‎های بسکتبال بود.
08:57
And our ability to know the shot probability for every player
178
537438
3429
و توانایی ما در دانستن احتمال پرتاب برای هر بازیکن
09:00
at every second,
179
540891
1188
در هر لحظه از بازی،
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
و احتمال ریباند گرفتن آنها در طول بازی
09:05
can illuminate this moment in a way that we never could before.
181
545083
3443
می‎تواند این اتفاق را بهتر از هر وقت دیگری روشن کند.
09:09
Now unfortunately, I can't show you that video.
182
549618
2668
الان متاسفانه، نمی‎توانم آن تصویر را به شما نشان دهم.
09:12
But for you, we recreated that moment
183
552310
4493
اما به خاطر شما، ما این لحظه را
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
در بازی‎های هفتگی بسکتبال خودمان بازسازی کردیم.
09:19
(Laughter)
185
559279
2167
(خنده)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
و حرکات را دنبال کردیم تا همه چیز روشن شود.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
خوب، این ماییم. اینجا محله چینی‎ها در لس‎انجلس است،
09:29
a park we play at every week,
188
569478
1564
پارکی ما هر هفته در آن بازی می‎کنیم.
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
و اینها ما هستیم که داریم لحظه پرتاب ری الن را
09:33
and all the tracking that's associated with it.
190
573321
2229
با تمام ردیابی‎های مربوط به آن بازسازی می‎کنیم.
09:36
So, here's the shot.
191
576772
1517
و حالا پرتاب.
09:38
I'm going to show you that moment
192
578313
2516
من می‎خواهم آن لحظه را با تمام بینش
09:40
and all the insights of that moment.
193
580853
2587
مربوط به آن . به شما نشان دهم.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
تنها تفاوت اینجاست که به جای بازیکنان حرفه‎ای، ما بازی می‎کنیم،
09:47
and instead of a professional announcer, it's me.
195
587218
2618
و به جای یک گزارشگر حرفه‎ای، من گزارش می‎کنم.
09:49
So, bear with me.
196
589860
1477
پس با من باشید.
09:53
Miami.
197
593153
1150
میامی.
09:54
Down three.
198
594671
1150
سه امتیاز کمتر دارند.
09:56
Twenty seconds left.
199
596107
1150
تنها بیست ثانیه تا پایان بازی.
09:59
Jeff brings up the ball.
200
599385
1198
جف توپ رو میگیره.
10:02
Josh catches, puts up a three!
201
602656
1535
پاس میده به جاش، جاش یه سه امتیازی پرتاب میکنه!
10:04
[Calculating shot probability]
202
604631
1849
[محاسبه احتمال پرتاب]
10:07
[Shot quality]
203
607278
1150
[کیفیت پرتاب]
10:09
[Rebound probability]
204
609048
1785
[احتمال ریباند]
10:12
Won't go!
205
612373
1173
و گل نمیشه!
10:13
[Rebound probability]
206
613570
1446
[احتمال ریباند]
10:15
Rebound, Noel.
207
615777
1256
نویل ریباند می‎کنه.
10:17
Back to Daria.
208
617057
1150
به عقب پاس میده به داریا.
10:18
[Shot quality]
209
618509
3365
[کیفیت پرتاب]
10:22
Her three-pointer -- bang!
210
622676
1620
و این هم از سه امتیازی، گل میشه!
10:24
Tie game with five seconds left.
211
624320
2197
پنج ثانیه از بازی مانده و مساوی می‎کنند.
10:26
The crowd goes wild.
212
626880
1618
تماشاچی‎ها غوغا به پا می‎کنند.
10:28
(Laughter)
213
628522
1659
(خنده)
10:30
That's roughly how it happened.
214
630205
1547
این تقریبا اتفاقی بود که افتاد.
10:31
(Applause)
215
631776
1151
(تشویق)
10:32
Roughly.
216
632951
1175
تقریبا.
10:34
(Applause)
217
634150
1531
(تشویق)
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
احتمال وقوع این لحظه در NBA نه درصد بود.
10:41
and we know that and a great many other things.
219
641629
2261
و ما این را و خیلی چیزهای خوب دیگر را می‎دانیم.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
به شما نخواهم گفت چند بار تلاش کردیم تا این اتفاق بیافتد.
10:47
(Laughter)
221
647429
1747
(خنده)
10:49
Okay, I will! It was four.
222
649200
1872
خیلی خوب، میگم! چهار بار.
10:51
(Laughter)
223
651096
1001
(خنده)
10:52
Way to go, Daria.
224
652121
1165
راه درازی در پیش داری داریا.
10:53
But the important thing about that video
225
653647
4263
اما نکته مهم درباره این ویدیو
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
و بینشی که از هر لحظه بازیهای NBA به دست آورده‎ایم -- این نیست.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
این است که لازم نیست شما یک تیم حرفه‎ای باشید تا بتوانید حرکات را ردیابی کنید.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
حتی لازم نیست یک بازیکن حرفه‎ای باشید تا حرکات را درک کنید.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
در واقع، اصلا نیازی نیست که فقط درباره ورزش باشد، چون ما همه جا در حال حرکتیم.
11:15
We're moving in our homes,
230
675654
2369
در خانه‎مان حرکت می‎کنیم.
11:21
in our offices,
231
681428
1205
در دفترهایمان،
11:24
as we shop and we travel
232
684238
2690
زمانی که به خرید یا مسافرت می‎رویم
11:29
throughout our cities
233
689318
1253
در شهرها
11:32
and around our world.
234
692065
1618
و سراسر دنیا.
11:35
What will we know? What will we learn?
235
695270
2295
چه چیزی را متوجه می‎شویم؟ چه چیزی یاد می‎گیریم؟
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
شاید به جای تشخیص سد کردن و چرخش،
11:39
a machine can identify the moment and let me know
237
699918
3010
یک ماشین بتواند لحظه را بیابد و به من اطلاع دهد
11:42
when my daughter takes her first steps.
238
702952
2059
که دخترم کی اولین قدمش را بر خواهد داشت.
11:45
Which could literally be happening any second now.
239
705035
2536
که در واقع ممکن است همین الان باشد.
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
شاید بتوانیم یاد بگیریم که از ساختمانها بهتر استفاده کنیم، شهرها را بهتر بسازیم.
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
من باور دارم که با توسعه دانش نقطه‎ها،
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
ما بهتر حرکت خواهیم کرد، هوشمندانه تر عمل می‎کنیم و پیشرفت خواهیم کرد.
12:00
Thank you very much.
243
720607
1189
بسیار سپاسگزارم.
12:01
(Applause)
244
721820
5045
(تشویق)
درباره این وب سایت

این سایت ویدیوهای یوتیوب را به شما معرفی می کند که برای یادگیری زبان انگلیسی مفید هستند. دروس انگلیسی را خواهید دید که توسط معلمان درجه یک از سراسر جهان تدریس می شود. روی زیرنویس انگلیسی نمایش داده شده در هر صفحه ویدیو دوبار کلیک کنید تا ویدیو از آنجا پخش شود. زیرنویس‌ها با پخش ویدیو همگام می‌شوند. اگر نظر یا درخواستی دارید، لطفا با استفاده از این فرم تماس با ما تماس بگیرید.

https://forms.gle/WvT1wiN1qDtmnspy7