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

Translator: sadegh zabihi Reviewer: Leila Ataei

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

من و همکارانم مجذوب دانش نقطه‎ها هستیم.

So what are these dots?

این نقطه‎ها چه هستند؟

Well, it's all of us.

خوب، آنها همه ما هستیم.

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

و ما در خانه‎ها و دفترهایمان، و هنگامی که به خرید یا مسافرت می‎رویم،

throughout our cities and around the world.

درون شهرهایمان و سراسر دنیا، در حال حرکت هستیم.

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

و خوب نبود اگر می‎توانستیم همه این حرکات را درک کنیم؟

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

و می‎توانستیم الگو و معنا و مفهوم درون آنها را بفهمیم.

And luckily for us, we live in a time

و خوشبختانه، ما در زمانی زندگی می‎کنیم

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

که به شکل غیر قابل باوری در جمع‎آوری اطلاعات درباره خودمان پیشرفت کرده‎ایم.

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

پس چه از طریق حسگرها یا فیلم‎ها یا نرم افزارها،

we can track our movement with incredibly fine detail.

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

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

is sports.

در ورزش است.

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

پس چه بسکتبال باشد یا بیس بال یا فوتبال و یا اون یکی فوتبال،

در حال نصب تجهیزات در ورزشگاهها و روی بازیکنان هستیم

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

تا بتوانیم در کسری از ثانیه، حرکات آنها را دنبال کنیم.

every fraction of a second.

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

پس کاری که ما می‎کنیم، تبدیل ورزشکاران--

همانطور که حدس می‎زنید--

you probably guessed it --

به نقطه‎های متحرک است.

moving dots.

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

پس ما کوهی از نقاط متحرک داریم، و مانند سایر داده‎های خام،

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

کار با آنها سخت و طاقت فرسا است.

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

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

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

هرثانیه از هر بازی را ببینند، به خاطر بسپارند و پردازش کنند.

of every game, remember it and process it.

And a person can't do that,

و یک انسان قادر به انجام آن نیست،

but a machine can.

اما یک ماشین می‎تواند.

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

مشکل اینجا است که ماشین‎ها نمی‎توانند بازی را از چشم یک مربی ببینند.

At least they couldn't until now.

حداقل تا کنون نمی‎توانستند.

So what have we taught the machine to see?

پس ما به ماشین، دیدن چه چیزی را آموختیم؟

So, we started simply.

خوب، ما به سادگی شروع کردیم.

We taught it things like passes, shots and rebounds.

چیزهایی مانند پاس، شوت و ریباند را به آن یاد دادیم.

Things that most casual fans would know.

چیزهایی که اکثر طرفداران معمولی می‎دانند.

And then we moved on to things slightly more complicated.

و بعد از آن به مسائل کمی پیچیده‎تر رسیدیم.

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

مسائلی مانند حالت پشت به حلقه، سد کردن و چرخش و ایزوله کردن.

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

و اگر با آنها آشنایی ندارید، اشکالی ندارد. بیشتر بازیکنان آنها را می‎شناسند.

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

اکنون، به نقطه‎ای رسیده‎ایم که ماشینها اکثر حرکات پیچیده را درک می‎کنند.

like down screens and wide pins.

مانند نمایش پایین و پینهای گسترده.

اساسا مسایلی که تنها حرفه‎ای ها با آن آشنایی دارند.

Basically things only professionals know.

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

پس ما به ماشین آموختیم که با چشم‎های مربی بازی را ببیند.

So how have we been able to do this?

خوب، ما چگونه قادر به انجام این کار شدیم؟

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

اگر من از یک مربی بخواهم که چیزی مثل پیک سد کردن و چرخش را توضیح دهد،

they would give me a description,

توصیفی را ارائه خواهد داد،

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

و اگر من بخواهم آن را به شکل الگوریتم دربیاورم، افتضاح خواهد بود

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

از قضا، سد کردن و چرخش نوعی رقص بین چهار بازیکن است،

two on offense and two on defense.

دو نفر در دفاع و دو نفر در حمله.

And here's kind of how it goes.

و این تقریبا اتفاقی است که می‎افتد.

So there's the guy on offense without the ball

خوب بازیکن حمله بدون توپ اینجاست

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

و به پشت بازیکن مدافع حامل توپ حرکت می‎کند،

and he kind of stays there

و آنجا می‎ایستد

و بعد هردو حرکت می‎کنند و خلاصه، این یک حرکت سد کردن و چرخش است.

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

(Laughter)

(خنده)

So that is also an example of a terrible algorithm.

همچنین این نمونه‎ای از یک الگوریتم افتضاح است.

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

پس، اگر بازیکن مداخله‎گر-- به او غربالگر می‎گویند--

goes close by, but he doesn't stop,

نزدیک شده و به حرکت ادامه بدهد،

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

دیگر احتمالا سد کردن وچرخش نخواهد بود.

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

یا اگر بایستد ولی به اندازه کافی نزدیک نباشد،

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

احتمالا سد کردن و چرخش نیست.

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

یا اگر نزدیک باشد و جای درستی بایستد

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

اما این کار را زیر سبد انجام دهند، احتمالا سد کردن و چرخش نیست.

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

یا ممکن است من اشتباه کنم و همه آنها سد کردن و چرخش باشند.

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

در واقع همه چیز به زمانبندی دقیق، فاصله و جایگیری بستگی دارد،

and that's what makes it hard.

و همین کار را سخت می‎کند.

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

ولی، خوشبختانه، با فراگیری ماشین، برای توصیف چیزهایی که می‎دانیم

to describe the things we know.

می‎توانیم ورای توانایی خود عمل کنیم.

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

خوب، این چطور کار می‎کند،

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

خوب ما سراغ ماشین می‎رویم و به او می‎گوییم "صبح به خیر ماشین.

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

اینها یک سری سد کردن و چرخش هستند، و اینها چیزهایی هستند که سد کردن و چرخش نیستند.

Please find a way to tell the difference."

لطفا راهی برای تشخیصشان از هم پیدا کن."

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

و کلید انجام این کار پیداکردن امکاناتی است که جداسازی را ممکن کنند.

So if I was going to teach it the difference

خوب اگر من می‎خواستم تفاوت سیب و پرتقال را

between an apple and orange,

به آن یاد بدهم

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

احتمالا می‎گویم، "چرا از رنگ یا شکل آنها استفاده نمی‎کنی؟"

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

و مسئله‎ای که باید حل کنیم این است که آنها چیستند؟

What are the key features

امکانات کلیدی که به کامپیوتر امکان بررسی

that let a computer navigate the world of moving dots?

دنیای نقطه‎های متحرک را می‎دهند، چه هستند؟

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

پس با پیدا کردن تمام این روابط میان مکان مطلق و نسبی،

distance, timing, velocities --

فاصله، زمانبندی و سرعت--

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

این کلید واقعی ورود به دانش نقاط متحرک است یا آنطور که ما می‎گوییم،

spatiotemporal pattern recognition, in academic vernacular.

تشخیص الگوی مکانی زمانی در محیط دانشگاهی.

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

چون در وهله اول باید کاری کنیم که سخت به نظر بیاید--

because it is.

چو در واقع هست.

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

نکته کلیدی برای مربیان بسکتبال این نیست که بدانند

whether a pick-and-roll happened or not.

سد کردن و چرخش اتفاق افتاد یا نه.

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

بلکه آنها می‎خواهند نحوه انجام آن را بدانند.

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

و چرا این مسئله این قدر برای آنها مهم است؟ خوب این هم یک دلیل کوچک.

It turns out in modern basketball,

این طور به نظر می‎رسد که در بسکتبال مدرن

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

این سد کردن و چرخش مهمترین حرکت بازی است.

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

و اینکه چگونه آن را انجام دهیم، و چگونه در برابر آن دفاع کنیم،

is basically a key to winning and losing most games.

در واقع کلید برد یا باخت در اکثر بازی‎ها است.

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

خوب متوجه شدیم که این رقص گونه‎های بسیار متفاوتی دارد

and identifying the variations is really the thing that matters,

و در واقع نکته مهم، شناسایی این گونه‎ها است،

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

و به این دلیل است که این الگوریتم باید خیلی خیلی خوب عمل کند.

So, here's an example.

خوب، یک مثال.

There are two offensive and two defensive players,

دو بازیکن حمله و دو بازیکن دفاع داریم،

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

که برای انجام حرکت سد کردن و چرخش آماده می‎شوند.

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

خوب بازیکن حامل توپ می‎تواند بگیرد، و یا رد کند.

His teammate can either roll or pop.

همبازی او می‎تواند بچرخد یا بزند.

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

بازیکن مدافع توپ می‎تواند جلو یا عقب برود.

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

هم تیمی او می‎تواند نمایش بدهد یا دفاع کند و بازی آرام انجام دهد.

and together they can either switch or blitz

و آنها با هم کی‎توانند جابجا شوند یا حمله کنند

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

و زمانی که شروع کردم، من بیشتر این چیزها را نمی‎دانستم

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

و بسیار خوب می‎شد اگر همه بر اساس آن پیکان‎ها حرکت می‎کردند.

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

در آن صورت زندگی بسیار آسان‎تر بود، اما این طور که پیداست حرکات بسیار بی‎نظم هستند

People wiggle a lot and getting these variations identified

بازیکن‎ها خیلی وول می‎خورند و تایید این تغییرات

with very high accuracy,

با دقت بسیار بالا

both in precision and recall, is tough

و با جامعیت و صراحت، بسیار دشوار است.

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

زیرا این تنها راهی است که می‎توان اعتماد یک مربی حرفه‎ای را جلب کرد.

And despite all the difficulties with the right spatiotemporal features

و با وجود تمام مشکلات در تحلیل صحیح الگوهای مکانی زمانی

we have been able to do that.

ما توانستیم آن را به انجام برسانیم.

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

مربی‎ها به توانایی ما و ماشین‎هایمان در تشخیص این گونه‎ها اعتماد دارند.

We're at the point where almost every single contender

و اکنون در جایگاهی هستیم که امسال

for an NBA championship this year

تمام مدعیان قهرمانی NBA

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

از نر‎م افزار ما استفاده می‎کنند، که بر ماشینی نصب شده

the moving dots of basketball.

که حرکات نقاط متحرک بسکتبال را درک می‎کند.

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

و نه تنها این، بلکه ما پیشنهادهایی ارائه داده‎ایم که استراتژی‎ها را عوض کرده

that have helped teams win very important games,

و به تیم‎ها در بردن بازیهای بسیار مهم کمک کرده است،

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

و این خیلی جالب است چون مربیانی هستند که به مدت

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

۳۰ سال در لیگ بوده‎اند اما از یک ماشین کمک می‎گیرند.

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

و این مسئله بسیار هیجان انگیز است، این بسیار ببیشتر از تشخیص پیک و چرخش است.

Our computer started out with simple things

کامپیوتر ما از مسائل ساده شروع کرد

and learned more and more complex things

و به تدریج چیزهای پیچیده تری را یاد گرفت

and now it knows so many things.

و اکنون چیزهای خیلی زیادی می‎داند.

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

در حقیقت، من بیشتر کارهای او را متوجه نمی‎شوم،

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

و از آنجا که به اندازه‎ای خاص نیست که از من باهوش‎تر باشد،

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

این سوال برایمان مطرح شد، که آیا یک ماشین می‎تواند بیش از یک مربی بداند؟

Can it know more than person could know?

آیا می‎تواند بیش از توانایی انسان بداند؟

And it turns out the answer is yes.

و مشخص شد که جواب مثبت است.

The coaches want players to take good shots.

مربیان از بازیکنان می‎خواهند که ضربات خوبی به دست بیاورند.

So if I'm standing near the basket

پس اگر من زیر سبد باشم

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

و کسی دور و بر من نباشد، این یک ضربه خوب است.

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

اگر از سبد دور باشم و مدافعین اطراف من باشند، معمولا این یک ضربه بد است.

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

اما هیچ گاه نمی‎دانیم که "خوب" چه اندازه خوب است، یا "بد"چه اندازه بد است.

Until now.

تا امروز.

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

خوب، دوباره با استفاده از الگوی مکانی زمانی، چه کار می‎توانیم بکنیم

we looked at every shot.

ما به تمام ضربات توجه کردیم.

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

می‎توانیم ببینیم: ضربه کجاست؟ در چه زاویه‎ای نسبت به سبد قرار دارد؟

Where are the defenders standing? What are their distances?

مدافعین کجا هستند؟ فاصله آنها چقدر است؟

What are their angles?

در چه زاویه‎ای هستند؟

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

در مورد چند مدافع، می‎توانیم به نحوه حرکت آنها نگاه کنیم

and predict the shot type.

و نحوه پرتاب را پیش بینی کنیم.

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

می‎توانیم سرعت حرکت تمام آنها را بررسی کنیم و مدلی برای پیش بینی ارائه دهیم

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

که احتمال گل شدن این پرتاب در این شرایط چقدر است؟

So why is this important?

خوب، اهمیت این کار در چیست؟

We can take something that was shooting,

می‎توانیم چیزی که پرتاب خوانده می‎شود را درنظر بگیریم

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

که قبل از این یک چیز بود، و به آن را دو چیز مجزا تفکیک کنیم:

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

کیفیت پرتاب و کیفیت پرتاب کننده.

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

خوب این یک نمودار حبابی است، چون TED بدون نمودار بی فایده است.

(Laughter)

(خنده)

Those are NBA players.

اینها بازیکنان NBA هستند.

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

اندازه، نشان دهنده ابعاد بازیکن و رنگ نشان دهنده جایگاه او است.

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

در محور طولی احتمال گل شدن پرتاب را داریم.

People on the left take difficult shots,

افراد سمت چپ پرتاب‎های سختی می‎گیرند،

on the right, they take easy shots.

در سمت راست، پرتاب‎های آسان.

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

بر روی محور عمودی توانایی پرتاب بازیکنان قرار دارد.

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

بالا خوب‎ها و پایین ضعیف‎ترها قرار دارند.

So for example, if there was a player

پس به عنوان مثال، اگر بازیکنی

who generally made 47 percent of their shots,

معمولا ۴۷ درصد از پرتابهای خود را وارد سبد ‎کند،

that's all you knew before.

این تنها چیزی بود که تا پیش از این می‎دانستیم.

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

اما امروز، من می‎توانم بگویم که این بازیکن پرتابهایی به دست می‎آورد که یک بازیکن

would make 49 percent of the time,

متوسط NBA با احتمال ۴۹ درصدآن را وارد سبد می‎کند،

and they are two percent worse.

و او دو درصد پایین‎تر است.

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

و دلیل اهمیت این موضوع این است که تعداد زیادی بازیکن با احتمال ۴۷ درصد وجود دارند.

And so it's really important to know

و بسیار مهم است که بدانیم

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

که این ۴۷ درصدی که قرار است ۱۰۰ میلیون دلار دستمزد بگیرد

is a good shooter who takes bad shots

پرتاب کننده خوبی است که پرتابهای ضعیفی می‎گیرد

or a bad shooter who takes good shots.

یا پرتاب کننده بدی است که پرتابهای خوبی می‎گیرد.

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

دانایی ماشین تنها نحوه نگاه ما به بازیکنان را تغییر نمی‎دهد

it changes how we look at the game.

بلکه نحوه نگاه ما به بازی را هم عوض می‎کند.

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

مثلا، دو سال پیش یک بازی بسیار هیجان انگیز در فینال NBA در جریان بود:

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

میامی سه امتیاز عقب بود و تنها 20 ثانیه باقی مانده بود.

They were about to lose the championship.

آنها در حال از دست دادن قهرمانی بودند.

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

یک آقای محترمی به نام لبران جیمز آمد و یک سه امتیازی پرتاب کرد تا مساوی کنند.

He missed.

پرتاب را از دست داد.

His teammate Chris Bosh got a rebound,

همبازی او کریس باش ریباند کرد،

passed it to another teammate named Ray Allen.

و به همبازی دیگرشان، ری الن پاس داد.

He sank a three. It went into overtime.

او سه امتیاز گرفت. بازی به وقت اضافی کشیده شد.

They won the game. They won the championship.

آنها بازی را بردند و قهرمان فصل شدند.

It was one of the most exciting games in basketball.

یکی از هیجان انگیز ترین بازی‎های بسکتبال بود.

And our ability to know the shot probability for every player

و توانایی ما در دانستن احتمال پرتاب برای هر بازیکن

at every second,

در هر لحظه از بازی،

and the likelihood of them getting a rebound at every second

و احتمال ریباند گرفتن آنها در طول بازی

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

می‎تواند این اتفاق را بهتر از هر وقت دیگری روشن کند.

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

الان متاسفانه، نمی‎توانم آن تصویر را به شما نشان دهم.

But for you, we recreated that moment

اما به خاطر شما، ما این لحظه را

at our weekly basketball game about 3 weeks ago.

در بازی‎های هفتگی بسکتبال خودمان بازسازی کردیم.

(Laughter)

(خنده)

And we recreated the tracking that led to the insights.

و حرکات را دنبال کردیم تا همه چیز روشن شود.

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

خوب، این ماییم. اینجا محله چینی‎ها در لس‎انجلس است،

a park we play at every week,

پارکی ما هر هفته در آن بازی می‎کنیم.

and that's us recreating the Ray Allen moment

و اینها ما هستیم که داریم لحظه پرتاب ری الن را

and all the tracking that's associated with it.

با تمام ردیابی‎های مربوط به آن بازسازی می‎کنیم.

So, here's the shot.

و حالا پرتاب.

I'm going to show you that moment

من می‎خواهم آن لحظه را با تمام بینش

and all the insights of that moment.

مربوط به آن . به شما نشان دهم.

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

تنها تفاوت اینجاست که به جای بازیکنان حرفه‎ای، ما بازی می‎کنیم،

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

و به جای یک گزارشگر حرفه‎ای، من گزارش می‎کنم.

So, bear with me.

پس با من باشید.

Miami.

میامی.

Down three.

سه امتیاز کمتر دارند.

Twenty seconds left.

تنها بیست ثانیه تا پایان بازی.

Jeff brings up the ball.

جف توپ رو میگیره.

Josh catches, puts up a three!

پاس میده به جاش، جاش یه سه امتیازی پرتاب میکنه!

[Calculating shot probability]

[محاسبه احتمال پرتاب]

[Shot quality]

[کیفیت پرتاب]

[Rebound probability]

[احتمال ریباند]

Won't go!

و گل نمیشه!

[Rebound probability]

[احتمال ریباند]

Rebound, Noel.

نویل ریباند می‎کنه.

Back to Daria.

به عقب پاس میده به داریا.

[Shot quality]

[کیفیت پرتاب]

Her three-pointer -- bang!

و این هم از سه امتیازی، گل میشه!

Tie game with five seconds left.

پنج ثانیه از بازی مانده و مساوی می‎کنند.

The crowd goes wild.

تماشاچی‎ها غوغا به پا می‎کنند.

(Laughter)

(خنده)

That's roughly how it happened.

این تقریبا اتفاقی بود که افتاد.

(Applause)

(تشویق)

Roughly.

تقریبا.

(Applause)

(تشویق)

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

احتمال وقوع این لحظه در NBA نه درصد بود.

and we know that and a great many other things.

و ما این را و خیلی چیزهای خوب دیگر را می‎دانیم.

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

به شما نخواهم گفت چند بار تلاش کردیم تا این اتفاق بیافتد.

(Laughter)

(خنده)

Okay, I will! It was four.

خیلی خوب، میگم! چهار بار.

(Laughter)

(خنده)

Way to go, Daria.

راه درازی در پیش داری داریا.

But the important thing about that video

اما نکته مهم درباره این ویدیو

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

و بینشی که از هر لحظه بازیهای NBA به دست آورده‎ایم -- این نیست.

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

این است که لازم نیست شما یک تیم حرفه‎ای باشید تا بتوانید حرکات را ردیابی کنید.

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

حتی لازم نیست یک بازیکن حرفه‎ای باشید تا حرکات را درک کنید.

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

در واقع، اصلا نیازی نیست که فقط درباره ورزش باشد، چون ما همه جا در حال حرکتیم.

We're moving in our homes,

در خانه‎مان حرکت می‎کنیم.

in our offices,

در دفترهایمان،

as we shop and we travel

زمانی که به خرید یا مسافرت می‎رویم

throughout our cities

در شهرها

and around our world.

و سراسر دنیا.

What will we know? What will we learn?

چه چیزی را متوجه می‎شویم؟ چه چیزی یاد می‎گیریم؟

Perhaps, instead of identifying pick-and-rolls,

شاید به جای تشخیص سد کردن و چرخش،

a machine can identify the moment and let me know

یک ماشین بتواند لحظه را بیابد و به من اطلاع دهد

when my daughter takes her first steps.

که دخترم کی اولین قدمش را بر خواهد داشت.

Which could literally be happening any second now.

که در واقع ممکن است همین الان باشد.

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

شاید بتوانیم یاد بگیریم که از ساختمانها بهتر استفاده کنیم، شهرها را بهتر بسازیم.

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

من باور دارم که با توسعه دانش نقطه‎ها،

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

ما بهتر حرکت خواهیم کرد، هوشمندانه تر عمل می‎کنیم و پیشرفت خواهیم کرد.

Thank you very much.

بسیار سپاسگزارم.

(Applause)

(تشویق)