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

Fordító: Péter Pallós Lektor: Orsolya Kiss

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

Kollégáimat és engem elbűvöl a mozgó pontok tudománya.

So what are these dots?

Miféle pontoké?

Well, it's all of us.

Hát, mi vagyunk azok!

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

Mozgunk otthon, az irodában, mikor bevásárlunk s utazunk

throughout our cities and around the world.

itthon és szerte a világban.

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

Nem lenne-e nagyszerű, ha értenénk e mozgások természetét,

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

ha mintákat és jelentést fedezhetnénk fel benne?

And luckily for us, we live in a time

Szerencsére olyan korban élünk,

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

amikor saját adataink gyűjtésének mestereivé váltunk.

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

Érzékelőkkel, videóval vagy appokkal

we can track our movement with incredibly fine detail.

a legapróbb részletekig nyomon követhetjük a mozgásunkat.

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

Úgy látszik, az egyik hely, ahonnan a legjobb mozgásadatokat kaphatjuk

is sports.

az a sport.

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

Legyen az kosárlabda, baseball, amerikai foci, vagy az a másik "foci",

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

stadionjaink és játékosaink föl vannak szerelve, hogy követhessük a mozgásukat

every fraction of a second.

minden pillanatban.

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

Annyit kell csak tennünk, hogy sportolóinkat

you probably guessed it --

— nyilván már kitalálták —

moving dots.

mozgó pontokká változtatjuk.

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

Tehát van egy rakás mozgó pontunk, s mint a legtöbb nyers adattal,

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

nehéz velük bánni, és nem is túl érdekes.

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

De vannak olyan dolgok, melyekre pl. a kosáredzők kíváncsiak.

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

De az a bibi, hogy ez nekik nem megy, mert akkor a játékok minden pillanatát

of every game, remember it and process it.

meg kellene jegyezniük és föl kellene dolgozniuk.

And a person can't do that,

Az ember erre nem képes.

but a machine can.

A gép viszont igen.

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

Az a bökkenő, hogy a gép nem az edző szemével látja a játékot.

At least they couldn't until now.

Legalábbis eddig nem tudta.

So what have we taught the machine to see?

Milyen látásmódra tanítottuk a gépet?

So, we started simply.

Egyszerűen kezdtük.

We taught it things like passes, shots and rebounds.

Megtanítottuk neki a passzokat, dobásokat és a lepattanásokat.

Things that most casual fans would know.

Ezeket egy átlagos szurkoló ismeri.

And then we moved on to things slightly more complicated.

Azután sorra vettük a kissé bonyolultabb dolgokat.

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

Pl. a pozíciófogást, az elzárás-leválást és a terület-felszabadítást.

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

Nem baj, ha ezeket nem ismerik. A hobbikosarasok ismerik.

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

Elértünk arra a pontra, ahol a gép ma már komplex akciókat is megért,

like down screens and wide pins.

pl az alsó elzárást és az oldalsó elzárást.

Basically things only professionals know.

Ezeket többnyire csak a profik ismerik.

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

Megtanítottuk a gépnek, hogy miként lásson az edző szemével.

So how have we been able to do this?

Hogyan voltunk erre képesek?

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

Ha megkérnék egy edzőt, hogy adjon leírást egy akcióról,

they would give me a description,

például az elzárás-leválásról, megtenné,

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

s ha algoritmusként bekódolnám, szörnyű lenne.

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

Az elzárás-leválást a kosárlabdában négy játékos táncolja,

two on offense and two on defense.

két támadó- és két védőjátékos.

And here's kind of how it goes.

Valahogy így csinálják.

So there's the guy on offense without the ball

Van egy labda nélküli támadójátékos,

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

aki a labdát birtokló támadójátékost őrző védő mellé lép,

and he kind of stays there

egy kicsit ott marad,

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

majd mindketten mozdulnak, és hoppá, ez az elzárás-leválás.

(Laughter)

(Nevetés)

So that is also an example of a terrible algorithm.

Még egy példa egy borzalmas algoritmusra:

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

ha az akadályozó játékos — őt hívják elzárónak —

goes close by, but he doesn't stop,

egészen közel megy, de nem áll meg,

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

ez nyilván nem elzárás-leválás.

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

Ha viszont megáll, de nem elég közel,

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

nyilván ez sem elzárás-leválás.

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

Vagy ha egészen közel megy és megáll,

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

de ezt a kosár alatt teszik, nyilván ez sem elzárás-leválás.

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

Vagy tévedek, s ezek mind elzárás-leválások.

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

A dolog a pontos időzítéstől, távolságtól és a helytől függ,

and that's what makes it hard.

s ettől olyan bitangul nehéz.

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

Szerencsére, gépi tanulással fölülmúlhatjuk az emberi képességeket,

to describe the things we know.

hogy leírhassuk az ismert dolgokat.

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

Hogy működik ez? Egy példán mutatom be.

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

Odalépünk a géphez, és megszólítjuk: "Jó reggelt, gép.

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

Van itt valami elzárás-leválás, és még valami, ami nem az.

Please find a way to tell the difference."

Kérlek, mondd meg, mi a különbség közöttük."

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

Mindennek a nyitja, hogy szétválogatásra alkalmas jellemzőket találjunk

So if I was going to teach it the difference

Ha a gépnek meg akarnám tanítani a narancs

between an apple and orange,

és az alma közti különbséget,

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

azt tanácsolnám: "Figyeld a színt és az alakot."

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

A megoldandó feladat: mik ezek a tényezők?

What are the key features

Mik a döntő jellemzők,

that let a computer navigate the world of moving dots?

melyekre támaszkodva a gép eligazodik a mozgó pontok világában?

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

Ha kiderítjük a távolságok, időzítések, relatív és abszolút helyek

distance, timing, velocities --

és sebességek közötti összefüggést,

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

ez a nyitja a mozgó pontok tudományának, vagy aminek hívni szeretjük

spatiotemporal pattern recognition, in academic vernacular.

tudományos zsargonban: térbeli-időbeli mintafölismerés.

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

Mert ugye, az elnevezés is legyen ugyanolyan tojásfejű,

because it is.

mint maga a terület.

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

Mert az NBA-edzőket nem az érdekli leginkább,

whether a pick-and-roll happened or not.

hogy az akció elzárás-leválás volt-e.

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

Azt szeretnék tudni, hogyan történt.

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

Miért olyan fontos nekik? Egy kicsit ássunk mélyebbre.

It turns out in modern basketball,

Kiderül, hogy a modern kosárlabdában

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

az elzárás-leválás a legfontosabb játék.

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

Ha ismerjük a lefolyását, és a kivédésének módját,

is basically a key to winning and losing most games.

ezzel nyerjük, illetve veszítjük el a legtöbb meccset.

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

Kiderül, hogy ennek a táncnak számtalan változata van,

and identifying the variations is really the thing that matters,

és a lényeg az, hogy föltérképezzük a változatokat,

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

méghozzá nagyon-nagyon pontosan.

So, here's an example.

Mondok egy példát.

There are two offensive and two defensive players,

Van két támadó- és két védőjátékosunk,

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

s készek eljárni az elzárás-leválás táncot.

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

A labdás muki vagy megcsinálja vagy nem.

His teammate can either roll or pop.

Csapattársa foroghat vagy nekiindulhat.

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

A labdát birtokló vagy áttör vagy megkerülheti a lezárást.

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

Csapattársa segítheti váltáscsellel vagy azzal, hogy nem mozdul,

and together they can either switch or blitz

és együtt válthatnak vagy lerohanhatnak.

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

Kezdetben nem ismertem ezeket a dolgokat,

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

és milyen jó is lenne, ha mindenki a nyilak szerint mozogna.

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

Nagyon megkönnyítené az életünket, de a mozgások nagyon bonyolultak.

People wiggle a lot and getting these variations identified

A játékosok rengeteget izegnek-mozognak, s a változatokat igen pontosan végzik.

with very high accuracy,

Nehéz a változatokat

both in precision and recall, is tough

meghatározni, s meg is jegyezni.

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

Hiszen pont az kell, hogy egy profi edző bízzon a játékosban.

And despite all the difficulties with the right spatiotemporal features

A tér-időjellemzők minden nehézsége ellenére

we have been able to do that.

el tudtuk végezni a feladatot.

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

Az edzők bíznak benne, hogy gépünk képes a változatokat meghatározni.

We're at the point where almost every single contender

Ma ott tartunk, hogy az idei NBA-bajnokság

for an NBA championship this year

minden résztvevője

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

a mi szoftverünket használja, amelynek alapja

the moving dots of basketball.

a kosárlabda mozgó pontjait értő gép.

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

Nem csak tanácsokat adunk, amely megváltoztatja a stratégiát,

that have helped teams win very important games,

hanem segítettük a csapatokat, hogy fontos meccseket nyerhessenek.

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

Ez igen érdekes, mert vannak edzők, akik 30 éve vannak a Szövetségben,

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

és mégis hajlandóak megfogadni egy gép tanácsát.

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

Ez nagyon lelkesítő, jobban, mint az elzárás-leválás.

Our computer started out with simple things

Számítógépünk egyszerű dolgokkal kezdte,

and learned more and more complex things

s mind több összetett dolgot tanult meg,

and now it knows so many things.

s mára már rengeteg mindent tud.

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

Őszintén szólva, nem sokat értek abból, amit művel,

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

s nem az a különleges benne, hogy okosabb nálam.

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

Azon töprengünk, hogy a gép többet tudhat-e egy edzőnél?

Can it know more than person could know?

Többet tudhat-e az embernél?

And it turns out the answer is yes.

Kiderül, hogy a válasz: igen.

The coaches want players to take good shots.

Az edzők jól dobó játékosokat szeretnének.

So if I'm standing near the basket

Ha a kosár közelében állok,

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

és senki sincs a közelemben, az jó dobás.

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

Ha messze, védőkkel körülvéve állok, akkor az általában rossz dobás.

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

De sohasem tudtuk, hogy mennyiségileg mennyire jó a jó és rossz a rossz.

Until now.

Eddig.

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

Azt tehetjük, ismétlem, hogy a tér-időjellemzők segítségével

we looked at every shot.

megfigyelünk minden dobást.

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

S elénk tárul: Honnan dobnak? Milyen szögben van a kosár?

Where are the defenders standing? What are their distances?

Hol állnak a védők? Mennyire vannak egymástól?

What are their angles?

Milyen szögben?

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

Több védőnél megfigyelhetjük, hogyan mozog a játékos,

and predict the shot type.

megtippelhetjük a dobásfajtát.

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

Megfigyelhetjük a sebességeket, s olyan modellt készíthetünk, amely megjósolja,

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

hogy a dobás beleillik-e ezekbe a feltételekbe.

So why is this important?

Miért fontos ez?

We can take something that was shooting,

A dobást, amely korábban egy dolog volt,

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

két részre bonthatjuk:

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

a dobás minősége és a dobó minősége.

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

Ez egy buborékdiagram, mert a TED-en egy tapodtat se diagram nélkül.

(Laughter)

(Nevetés)

Those are NBA players.

Ezek az NBA játékosai.

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

A méret a játékos magassága, a szín a helyzete.

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

Az x-tengelyen van a dobás valószínűsége.

People on the left take difficult shots,

a bal oldali játékosok nehéz,

on the right, they take easy shots.

a jobb oldaliak könnyű dobásokat végeznek.

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

Az y-tengelyen van a dobóképesség.

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

Fenn vannak a jó játékosok, lenn a rosszak.

So for example, if there was a player

Pl. Itt egy játékosunk. A dobásai

who generally made 47 percent of their shots,

47%-ban általában sikeresek.

that's all you knew before.

Eddig csak ezt tudtuk róla.

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

De most már azt is, hogy ő úgy dob, mint az esetek 49%-ában

would make 49 percent of the time,

egy átlagos NBA-játékos,

and they are two percent worse.

s ő 2%-kal gyengébb.

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

S ez azért lényeges, mert sok 47%-os van,

And so it's really important to know

és tudnunk kell,

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

hogy a 47%-os muki, akinek 100 millió dollárt kellene adni,

is a good shooter who takes bad shots

jó dobó-e, aki rosszakat dob,

or a bad shooter who takes good shots.

vagy rossz dobó, aki jókat dob.

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

A gépi értelem nemcsak a játékosok megítélését változtatja meg,

it changes how we look at the game.

hanem a játék megítélését is.

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

Volt egy nagyon izgalmas meccs pár éve az NBA döntőjében.

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

A Miami hárompontos hátrányban volt, 20 másodperc volt hátra.

They were about to lose the championship.

Úgy látszott, elvesztik a bajnokságot.

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

Beállt LeBron James, és dobott egy hármast, hogy egyenlítsen.

He missed.

Elhibázta.

His teammate Chris Bosh got a rebound,

Társa, Chris Bosh a lepattanó labdát

passed it to another teammate named Ray Allen.

csapattársának, Ray Allennek passzolta,

He sank a three. It went into overtime.

ő meg bedobta a hármast. Hosszabbítás!

They won the game. They won the championship.

Megnyerték a meccset és a bajnokságot is.

It was one of the most exciting games in basketball.

Minden idők egyik legizgalmasabb kosármeccse volt.

And our ability to know the shot probability for every player

Az a képességünk, hogy minden játékosról ismertük a dobás valószínűségét

at every second,

minden pillanatban,

and the likelihood of them getting a rebound at every second

és a lepattanó labda elkapásáét is minden pillanatban,

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

a korábbiakhoz képest más megvilágításba helyezte ezt a pillanatot.

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

Sajnos, nem tudom levetíteni a videót.

But for you, we recreated that moment

De az önök kedvéért felidéztük a pillanatot

at our weekly basketball game about 3 weeks ago.

3 hete a heti kosarazásunkkor.

(Laughter)

(Nevetés)

And we recreated the tracking that led to the insights.

Újra előállítottuk az útvonalat, amelyből eredményeink származtak.

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

Ezek itt mi vagyunk. Ez a Chinatown Los Angelesben.

a park we play at every week,

E parkban játszunk hetente,

and that's us recreating the Ray Allen moment

itt meg újra előállítjuk Ray Allen akcióját

and all the tracking that's associated with it.

és az akcióval kapcsolatos útvonalat.

So, here's the shot.

Ez itt a dobás.

I'm going to show you that moment

Meg fogom mutatni azt a pillanatot,

and all the insights of that moment.

és az eredményeinket.

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

A különbség, hogy nem profik, hanem mi játszunk,

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

és profi bemondó helyett én beszélek.

So, bear with me.

Viseljenek el.

Miami.

Miami.

Down three.

Hárompontos hátrány

Twenty seconds left.

20 másodperc van hátra.

Jeff brings up the ball.

Jeff hozza föl a labdát.

Josh catches, puts up a three!

Josh elcsípi, s dob egy hármast.

[Calculating shot probability]

[Dobás valószínűségének számolása]

[Shot quality]

[Dobásminőség]

[Rebound probability]

[Lepattanás valószínűsége]

Won't go!

Nem fog menni!

[Rebound probability]

[Lepattanás valószínűsége]

Rebound, Noel.

Lepattan, Noel.

Back to Daria.

Vissza Dariának,

[Shot quality]

[Dobásminőség]

Her three-pointer -- bang!

A hárompontosa — puff!

Tie game with five seconds left.

Döntetlen, és 5 másodperc van hátra.

The crowd goes wild.

A tömeg bevadul.

(Laughter)

(Nevetés)

That's roughly how it happened.

Kb. így történt.

(Applause)

(Taps)

Roughly.

Körülbelül.

(Applause)

(Taps)

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

9%-os volt az esély, hogy az NBA-ben az a pillanat bekövetkezik:

and we know that and a great many other things.

ezt tudjuk, és egy csomó mást is.

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

Inkább nem mondom meg, hányszor próbáltuk el, míg végül sikerült.

(Laughter)

(Nevetés)

Okay, I will! It was four.

Na jó, megmondom: négyszer.

(Laughter)

(Nevetés)

Way to go, Daria.

Bravó, Daria.

But the important thing about that video

De a videóval és az NBA-meccsek minden pillanatáról meglévő

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

részletekkel kapcsolatban a fontos — nem ez.

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

Tény, hogy nem kell profi csapatnak lennünk, hogy kövessük a mozgásokat.

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

Profi játékosnak sem, hogy tájékozódjunk a mozgások részleteiről.

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

Még csak nem is kell ennek sportnak lennie, hiszen mindenfelé mozgunk.

We're moving in our homes,

Mozgunk otthon,

in our offices,

az irodában,

as we shop and we travel

vásárlás közben, miközben utazgatunk

throughout our cities

a városokban

and around our world.

és a világban.

What will we know? What will we learn?

Mit fogunk megtudni? Mit tanulunk meg?

Perhaps, instead of identifying pick-and-rolls,

Talán az elzárás-leválás azonosítása helyett

a machine can identify the moment and let me know

azonosíthatja a pillanatot, és tudtomra adhatja,

when my daughter takes her first steps.

hogy kislányom mikor kezd járni.

Which could literally be happening any second now.

Ez pedig most bármely pillanatban megtörténhet.

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

Tán megtanuljuk, hogy jobban használjuk épületeinket,

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

jobban tervezzük városainkat. A mozgó pontok tudományának fejlesztésével

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

jobban és okosabban fogunk mozogni, s előbbre haladunk.

Thank you very much.

Nagyon köszönöm.

(Applause)

(Taps)