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

1,107,248 views ・ 2015-07-06

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Péter Pallós Lektor: Orsolya Kiss
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
Kollégáimat és engem elbűvöl a mozgó pontok tudománya.
00:16
So what are these dots?
1
16927
1150
Miféle pontoké?
00:18
Well, it's all of us.
2
18101
1287
Hát, mi vagyunk azok!
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
Mozgunk otthon, az irodában, mikor bevásárlunk s utazunk
00:24
throughout our cities and around the world.
4
24521
2066
itthon és szerte a világban.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
Nem lenne-e nagyszerű, ha értenénk e mozgások természetét,
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
ha mintákat és jelentést fedezhetnénk fel benne?
00:34
And luckily for us, we live in a time
7
34259
1785
Szerencsére olyan korban élünk,
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
amikor saját adataink gyűjtésének mestereivé váltunk.
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
Érzékelőkkel, videóval vagy appokkal
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
a legapróbb részletekig nyomon követhetjük a mozgásunkat.
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
Úgy látszik, az egyik hely, ahonnan a legjobb mozgásadatokat kaphatjuk
00:53
is sports.
12
53148
1208
az a sport.
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
Legyen az kosárlabda, baseball, amerikai foci, vagy az a másik "foci",
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
stadionjaink és játékosaink föl vannak szerelve, hogy követhessük a mozgásukat
01:04
every fraction of a second.
15
64465
1313
minden pillanatban.
01:05
So what we're doing is turning our athletes into --
16
65802
4382
Annyit kell csak tennünk, hogy sportolóinkat
01:10
you probably guessed it --
17
70208
1959
— nyilván már kitalálták —
01:12
moving dots.
18
72191
1396
mozgó pontokká változtatjuk.
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
Tehát van egy rakás mozgó pontunk, s mint a legtöbb nyers adattal,
01:18
it's hard to deal with and not that interesting.
20
78904
2502
nehéz velük bánni, és nem is túl érdekes.
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
De vannak olyan dolgok, melyekre pl. a kosáredzők kíváncsiak.
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
De az a bibi, hogy ez nekik nem megy, mert akkor a játékok minden pillanatát
01:29
of every game, remember it and process it.
23
89057
2589
meg kellene jegyezniük és föl kellene dolgozniuk.
01:31
And a person can't do that,
24
91804
1930
Az ember erre nem képes.
01:33
but a machine can.
25
93758
1310
A gép viszont igen.
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
Az a bökkenő, hogy a gép nem az edző szemével látja a játékot.
01:39
At least they couldn't until now.
27
99363
2261
Legalábbis eddig nem tudta.
01:42
So what have we taught the machine to see?
28
102228
2103
Milyen látásmódra tanítottuk a gépet?
01:45
So, we started simply.
29
105569
1787
Egyszerűen kezdtük.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
Megtanítottuk neki a passzokat, dobásokat és a lepattanásokat.
01:51
Things that most casual fans would know.
31
111203
2541
Ezeket egy átlagos szurkoló ismeri.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
Azután sorra vettük a kissé bonyolultabb dolgokat.
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
Pl. a pozíciófogást, az elzárás-leválást és a terület-felszabadítást.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
Nem baj, ha ezeket nem ismerik. A hobbikosarasok ismerik.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
Elértünk arra a pontra, ahol a gép ma már komplex akciókat is megért,
02:10
like down screens and wide pins.
36
130924
3073
pl az alsó elzárást és az oldalsó elzárást.
02:14
Basically things only professionals know.
37
134021
2726
Ezeket többnyire csak a profik ismerik.
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
Megtanítottuk a gépnek, hogy miként lásson az edző szemével.
02:22
So how have we been able to do this?
39
142009
1857
Hogyan voltunk erre képesek?
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
Ha megkérnék egy edzőt, hogy adjon leírást egy akcióról,
02:27
they would give me a description,
41
147653
1640
például az elzárás-leválásról, megtenné,
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
s ha algoritmusként bekódolnám, szörnyű lenne.
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
Az elzárás-leválást a kosárlabdában négy játékos táncolja,
02:37
two on offense and two on defense.
44
157328
1912
két támadó- és két védőjátékos.
02:39
And here's kind of how it goes.
45
159486
1618
Valahogy így csinálják.
02:41
So there's the guy on offense without the ball
46
161128
2533
Van egy labda nélküli támadójátékos,
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
aki a labdát birtokló támadójátékost őrző védő mellé lép,
02:46
and he kind of stays there
48
166918
1257
egy kicsit ott marad,
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
majd mindketten mozdulnak, és hoppá, ez az elzárás-leválás.
02:51
(Laughter)
50
171540
2215
(Nevetés)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
Még egy példa egy borzalmas algoritmusra:
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
ha az akadályozó játékos — őt hívják elzárónak —
03:01
goes close by, but he doesn't stop,
53
181278
2872
egészen közel megy, de nem áll meg,
03:04
it's probably not a pick-and-roll.
54
184174
1765
ez nyilván nem elzárás-leválás.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
Ha viszont megáll, de nem elég közel,
03:10
it's probably not a pick-and-roll.
56
190529
1761
nyilván ez sem elzárás-leválás.
03:12
Or, if he does go close by and he does stop
57
192642
3237
Vagy ha egészen közel megy és megáll,
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
de ezt a kosár alatt teszik, nyilván ez sem elzárás-leválás.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
Vagy tévedek, s ezek mind elzárás-leválások.
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
A dolog a pontos időzítéstől, távolságtól és a helytől függ,
03:26
and that's what makes it hard.
61
206602
1495
s ettől olyan bitangul nehéz.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
Szerencsére, gépi tanulással fölülmúlhatjuk az emberi képességeket,
03:33
to describe the things we know.
63
213547
1743
hogy leírhassuk az ismert dolgokat.
03:35
So how does this work? Well, it's by example.
64
215314
2280
Hogy működik ez? Egy példán mutatom be.
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
Odalépünk a géphez, és megszólítjuk: "Jó reggelt, gép.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
Van itt valami elzárás-leválás, és még valami, ami nem az.
03:44
Please find a way to tell the difference."
67
224720
2252
Kérlek, mondd meg, mi a különbség közöttük."
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
Mindennek a nyitja, hogy szétválogatásra alkalmas jellemzőket találjunk
03:50
So if I was going to teach it the difference
69
230807
2109
Ha a gépnek meg akarnám tanítani a narancs
03:52
between an apple and orange,
70
232940
1381
és az alma közti különbséget,
03:54
I might say, "Why don't you use color or shape?"
71
234345
2375
azt tanácsolnám: "Figyeld a színt és az alakot."
03:56
And the problem that we're solving is, what are those things?
72
236744
2943
A megoldandó feladat: mik ezek a tényezők?
03:59
What are the key features
73
239711
1247
Mik a döntő jellemzők,
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
melyekre támaszkodva a gép eligazodik a mozgó pontok világában?
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
Ha kiderítjük a távolságok, időzítések, relatív és abszolút helyek
04:09
distance, timing, velocities --
76
249352
1909
és sebességek közötti összefüggést,
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
ez a nyitja a mozgó pontok tudományának, vagy aminek hívni szeretjük
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
tudományos zsargonban: térbeli-időbeli mintafölismerés.
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
Mert ugye, az elnevezés is legyen ugyanolyan tojásfejű,
04:22
because it is.
80
262847
1278
mint maga a terület.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
Mert az NBA-edzőket nem az érdekli leginkább,
04:27
whether a pick-and-roll happened or not.
82
267575
1922
hogy az akció elzárás-leválás volt-e.
04:29
It's that they want to know how it happened.
83
269521
2076
Azt szeretnék tudni, hogyan történt.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
Miért olyan fontos nekik? Egy kicsit ássunk mélyebbre.
04:34
It turns out in modern basketball,
85
274631
1771
Kiderül, hogy a modern kosárlabdában
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
az elzárás-leválás a legfontosabb játék.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
Ha ismerjük a lefolyását, és a kivédésének módját,
04:41
is basically a key to winning and losing most games.
88
281709
2670
ezzel nyerjük, illetve veszítjük el a legtöbb meccset.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
Kiderül, hogy ennek a táncnak számtalan változata van,
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
és a lényeg az, hogy föltérképezzük a változatokat,
04:51
and that's why we need this to be really, really good.
91
291900
2529
méghozzá nagyon-nagyon pontosan.
04:55
So, here's an example.
92
295228
1176
Mondok egy példát.
04:56
There are two offensive and two defensive players,
93
296428
2379
Van két támadó- és két védőjátékosunk,
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
s készek eljárni az elzárás-leválás táncot.
05:01
So the guy with ball can either take, or he can reject.
95
301007
2683
A labdás muki vagy megcsinálja vagy nem.
05:04
His teammate can either roll or pop.
96
304086
3001
Csapattársa foroghat vagy nekiindulhat.
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
A labdát birtokló vagy áttör vagy megkerülheti a lezárást.
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
Csapattársa segítheti váltáscsellel vagy azzal, hogy nem mozdul,
05:14
and together they can either switch or blitz
99
314710
2618
és együtt válthatnak vagy lerohanhatnak.
05:17
and I didn't know most of these things when I started
100
317352
2659
Kezdetben nem ismertem ezeket a dolgokat,
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
és milyen jó is lenne, ha mindenki a nyilak szerint mozogna.
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
Nagyon megkönnyítené az életünket, de a mozgások nagyon bonyolultak.
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
A játékosok rengeteget izegnek-mozognak, s a változatokat igen pontosan végzik.
05:33
with very high accuracy,
104
333555
1303
Nehéz a változatokat
05:34
both in precision and recall, is tough
105
334882
1868
meghatározni, s meg is jegyezni.
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
Hiszen pont az kell, hogy egy profi edző bízzon a játékosban.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
A tér-időjellemzők minden nehézsége ellenére
05:43
we have been able to do that.
108
343820
1474
el tudtuk végezni a feladatot.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
Az edzők bíznak benne, hogy gépünk képes a változatokat meghatározni.
05:49
We're at the point where almost every single contender
110
349478
3533
Ma ott tartunk, hogy az idei NBA-bajnokság
05:53
for an NBA championship this year
111
353035
1623
minden résztvevője
05:54
is using our software, which is built on a machine that understands
112
354682
4408
a mi szoftverünket használja, amelynek alapja
05:59
the moving dots of basketball.
113
359114
1634
a kosárlabda mozgó pontjait értő gép.
06:01
So not only that, we have given advice that has changed strategies
114
361872
5153
Nem csak tanácsokat adunk, amely megváltoztatja a stratégiát,
06:07
that have helped teams win very important games,
115
367049
3352
hanem segítettük a csapatokat, hogy fontos meccseket nyerhessenek.
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
Ez igen érdekes, mert vannak edzők, akik 30 éve vannak a Szövetségben,
06:14
for 30 years that are willing to take advice from a machine.
117
374181
3067
és mégis hajlandóak megfogadni egy gép tanácsát.
06:17
And it's very exciting, it's much more than the pick-and-roll.
118
377874
2906
Ez nagyon lelkesítő, jobban, mint az elzárás-leválás.
06:20
Our computer started out with simple things
119
380804
2076
Számítógépünk egyszerű dolgokkal kezdte,
06:22
and learned more and more complex things
120
382904
2064
s mind több összetett dolgot tanult meg,
06:24
and now it knows so many things.
121
384992
1561
s mára már rengeteg mindent tud.
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
Őszintén szólva, nem sokat értek abból, amit művel,
06:29
and while it's not that special to be smarter than me,
123
389436
3715
s nem az a különleges benne, hogy okosabb nálam.
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
Azon töprengünk, hogy a gép többet tudhat-e egy edzőnél?
06:36
Can it know more than person could know?
125
396843
2055
Többet tudhat-e az embernél?
06:38
And it turns out the answer is yes.
126
398922
1745
Kiderül, hogy a válasz: igen.
06:40
The coaches want players to take good shots.
127
400691
2557
Az edzők jól dobó játékosokat szeretnének.
06:43
So if I'm standing near the basket
128
403272
1651
Ha a kosár közelében állok,
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
és senki sincs a közelemben, az jó dobás.
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
Ha messze, védőkkel körülvéve állok, akkor az általában rossz dobás.
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
De sohasem tudtuk, hogy mennyiségileg mennyire jó a jó és rossz a rossz.
06:56
Until now.
132
416209
1150
Eddig.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
Azt tehetjük, ismétlem, hogy a tér-időjellemzők segítségével
07:00
we looked at every shot.
134
420853
1374
megfigyelünk minden dobást.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
S elénk tárul: Honnan dobnak? Milyen szögben van a kosár?
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
Hol állnak a védők? Mennyire vannak egymástól?
07:08
What are their angles?
137
428066
1331
Milyen szögben?
07:09
For multiple defenders, we can look at how the player's moving
138
429421
2977
Több védőnél megfigyelhetjük, hogyan mozog a játékos,
07:12
and predict the shot type.
139
432422
1433
megtippelhetjük a dobásfajtát.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
Megfigyelhetjük a sebességeket, s olyan modellt készíthetünk, amely megjósolja,
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
hogy a dobás beleillik-e ezekbe a feltételekbe.
07:22
So why is this important?
142
442188
1500
Miért fontos ez?
07:24
We can take something that was shooting,
143
444102
2803
A dobást, amely korábban egy dolog volt,
07:26
which was one thing before, and turn it into two things:
144
446929
2680
két részre bonthatjuk:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
a dobás minősége és a dobó minősége.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
Ez egy buborékdiagram, mert a TED-en egy tapodtat se diagram nélkül.
07:36
(Laughter)
147
456966
1014
(Nevetés)
07:38
Those are NBA players.
148
458004
1311
Ezek az NBA játékosai.
07:39
The size is the size of the player and the color is the position.
149
459339
3120
A méret a játékos magassága, a szín a helyzete.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
Az x-tengelyen van a dobás valószínűsége.
07:44
People on the left take difficult shots,
151
464639
1953
a bal oldali játékosok nehéz,
07:46
on the right, they take easy shots.
152
466616
2229
a jobb oldaliak könnyű dobásokat végeznek.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
Az y-tengelyen van a dobóképesség.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
Fenn vannak a jó játékosok, lenn a rosszak.
07:53
So for example, if there was a player
155
473861
1760
Pl. Itt egy játékosunk. A dobásai
07:55
who generally made 47 percent of their shots,
156
475621
2097
47%-ban általában sikeresek.
07:57
that's all you knew before.
157
477718
1389
Eddig csak ezt tudtuk róla.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
De most már azt is, hogy ő úgy dob, mint az esetek 49%-ában
08:04
would make 49 percent of the time,
159
484219
1961
egy átlagos NBA-játékos,
08:06
and they are two percent worse.
160
486204
1684
s ő 2%-kal gyengébb.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
S ez azért lényeges, mert sok 47%-os van,
08:13
And so it's really important to know
162
493714
2549
és tudnunk kell,
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
hogy a 47%-os muki, akinek 100 millió dollárt kellene adni,
08:20
is a good shooter who takes bad shots
164
500267
3055
jó dobó-e, aki rosszakat dob,
08:23
or a bad shooter who takes good shots.
165
503346
2397
vagy rossz dobó, aki jókat dob.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
A gépi értelem nemcsak a játékosok megítélését változtatja meg,
08:30
it changes how we look at the game.
167
510487
1858
hanem a játék megítélését is.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
Volt egy nagyon izgalmas meccs pár éve az NBA döntőjében.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
A Miami hárompontos hátrányban volt, 20 másodperc volt hátra.
08:39
They were about to lose the championship.
170
519379
2025
Úgy látszott, elvesztik a bajnokságot.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
Beállt LeBron James, és dobott egy hármast, hogy egyenlítsen.
08:44
He missed.
172
524793
1198
Elhibázta.
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
Társa, Chris Bosh a lepattanó labdát
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
csapattársának, Ray Allennek passzolta,
08:50
He sank a three. It went into overtime.
175
530059
1919
ő meg bedobta a hármast. Hosszabbítás!
08:52
They won the game. They won the championship.
176
532002
2096
Megnyerték a meccset és a bajnokságot is.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
Minden idők egyik legizgalmasabb kosármeccse volt.
08:57
And our ability to know the shot probability for every player
178
537438
3429
Az a képességünk, hogy minden játékosról ismertük a dobás valószínűségét
09:00
at every second,
179
540891
1188
minden pillanatban,
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
és a lepattanó labda elkapásáét is minden pillanatban,
09:05
can illuminate this moment in a way that we never could before.
181
545083
3443
a korábbiakhoz képest más megvilágításba helyezte ezt a pillanatot.
09:09
Now unfortunately, I can't show you that video.
182
549618
2668
Sajnos, nem tudom levetíteni a videót.
09:12
But for you, we recreated that moment
183
552310
4493
De az önök kedvéért felidéztük a pillanatot
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
3 hete a heti kosarazásunkkor.
09:19
(Laughter)
185
559279
2167
(Nevetés)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
Újra előállítottuk az útvonalat, amelyből eredményeink származtak.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
Ezek itt mi vagyunk. Ez a Chinatown Los Angelesben.
09:29
a park we play at every week,
188
569478
1564
E parkban játszunk hetente,
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
itt meg újra előállítjuk Ray Allen akcióját
09:33
and all the tracking that's associated with it.
190
573321
2229
és az akcióval kapcsolatos útvonalat.
09:36
So, here's the shot.
191
576772
1517
Ez itt a dobás.
09:38
I'm going to show you that moment
192
578313
2516
Meg fogom mutatni azt a pillanatot,
09:40
and all the insights of that moment.
193
580853
2587
és az eredményeinket.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
A különbség, hogy nem profik, hanem mi játszunk,
09:47
and instead of a professional announcer, it's me.
195
587218
2618
és profi bemondó helyett én beszélek.
09:49
So, bear with me.
196
589860
1477
Viseljenek el.
09:53
Miami.
197
593153
1150
Miami.
09:54
Down three.
198
594671
1150
Hárompontos hátrány
09:56
Twenty seconds left.
199
596107
1150
20 másodperc van hátra.
09:59
Jeff brings up the ball.
200
599385
1198
Jeff hozza föl a labdát.
10:02
Josh catches, puts up a three!
201
602656
1535
Josh elcsípi, s dob egy hármast.
10:04
[Calculating shot probability]
202
604631
1849
[Dobás valószínűségének számolása]
10:07
[Shot quality]
203
607278
1150
[Dobásminőség]
10:09
[Rebound probability]
204
609048
1785
[Lepattanás valószínűsége]
10:12
Won't go!
205
612373
1173
Nem fog menni!
10:13
[Rebound probability]
206
613570
1446
[Lepattanás valószínűsége]
10:15
Rebound, Noel.
207
615777
1256
Lepattan, Noel.
10:17
Back to Daria.
208
617057
1150
Vissza Dariának,
10:18
[Shot quality]
209
618509
3365
[Dobásminőség]
10:22
Her three-pointer -- bang!
210
622676
1620
A hárompontosa — puff!
10:24
Tie game with five seconds left.
211
624320
2197
Döntetlen, és 5 másodperc van hátra.
10:26
The crowd goes wild.
212
626880
1618
A tömeg bevadul.
10:28
(Laughter)
213
628522
1659
(Nevetés)
10:30
That's roughly how it happened.
214
630205
1547
Kb. így történt.
10:31
(Applause)
215
631776
1151
(Taps)
10:32
Roughly.
216
632951
1175
Körülbelül.
10:34
(Applause)
217
634150
1531
(Taps)
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
9%-os volt az esély, hogy az NBA-ben az a pillanat bekövetkezik:
10:41
and we know that and a great many other things.
219
641629
2261
ezt tudjuk, és egy csomó mást is.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
Inkább nem mondom meg, hányszor próbáltuk el, míg végül sikerült.
10:47
(Laughter)
221
647429
1747
(Nevetés)
10:49
Okay, I will! It was four.
222
649200
1872
Na jó, megmondom: négyszer.
10:51
(Laughter)
223
651096
1001
(Nevetés)
10:52
Way to go, Daria.
224
652121
1165
Bravó, Daria.
10:53
But the important thing about that video
225
653647
4263
De a videóval és az NBA-meccsek minden pillanatáról meglévő
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
részletekkel kapcsolatban a fontos — nem ez.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
Tény, hogy nem kell profi csapatnak lennünk, hogy kövessük a mozgásokat.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
Profi játékosnak sem, hogy tájékozódjunk a mozgások részleteiről.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
Még csak nem is kell ennek sportnak lennie, hiszen mindenfelé mozgunk.
11:15
We're moving in our homes,
230
675654
2369
Mozgunk otthon,
11:21
in our offices,
231
681428
1205
az irodában,
11:24
as we shop and we travel
232
684238
2690
vásárlás közben, miközben utazgatunk
11:29
throughout our cities
233
689318
1253
a városokban
11:32
and around our world.
234
692065
1618
és a világban.
11:35
What will we know? What will we learn?
235
695270
2295
Mit fogunk megtudni? Mit tanulunk meg?
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
Talán az elzárás-leválás azonosítása helyett
11:39
a machine can identify the moment and let me know
237
699918
3010
azonosíthatja a pillanatot, és tudtomra adhatja,
11:42
when my daughter takes her first steps.
238
702952
2059
hogy kislányom mikor kezd járni.
11:45
Which could literally be happening any second now.
239
705035
2536
Ez pedig most bármely pillanatban megtörténhet.
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
Tán megtanuljuk, hogy jobban használjuk épületeinket,
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
jobban tervezzük városainkat. A mozgó pontok tudományának fejlesztésével
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
jobban és okosabban fogunk mozogni, s előbbre haladunk.
12:00
Thank you very much.
243
720607
1189
Nagyon köszönöm.
12:01
(Applause)
244
721820
5045
(Taps)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7