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

1,107,248 views ・ 2015-07-06

TED


Fare doppio clic sui sottotitoli in inglese per riprodurre il video.

Traduttore: Claudia Arrighi Revisore: silvio stoppoloni
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
Io e i miei colleghi siamo affascinati dalla scienza dei punti in movimento.
00:16
So what are these dots?
1
16927
1150
Cosa sono questi punti?
00:18
Well, it's all of us.
2
18101
1287
Beh, siamo tutti noi.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
Ci spostiamo in casa e in ufficio, mentre facciamo acquisti o viaggiamo,
00:24
throughout our cities and around the world.
4
24521
2066
tra le nostre città e in tutto il mondo.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
Sarebbe bello riuscire a capire tutto questo movimento.
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
Trovarci schemi, significati, conoscenze nuove.
00:34
And luckily for us, we live in a time
7
34259
1785
E fortunatamente per noi, viviamo in un'era
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
in cui siamo incredibilmente bravi a catturare informazioni su noi stessi.
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
Attraverso sensori, video, applicazioni, infatti,
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
noi possiamo tracciare il nostro movimento in modo davvero dettagliato.
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
E a quanto pare, uno dei settori che fornisce i migliori dati sul movimento
00:53
is sports.
12
53148
1208
è lo sport.
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
Che si tratti di basket o baseball, di calcio o rubgy,
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
stiamo attrezzando gli stadi e i giocatori
per tracciare i loro movimenti a ogni frazione di secondo.
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
Quindi ciò che stiamo facendo
è trasformare i nostri atleti in
01:10
you probably guessed it --
17
70208
1959
-- probabilmente l'avrete già capito -
punti in movimento.
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
Quindi abbiamo montagne di punti in movimento
e, come la maggior parte dei dati grezzi,
01:18
it's hard to deal with and not that interesting.
20
78904
2502
sono difficili da gestire e spesso non interessanti.
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
Ma esistono cose che, per esempio, gli allenatori di basket vogliono sapere.
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
Il problema è che non possono saperle
perché dovrebbero guardare ogni secondo di ogni partita,
01:29
of every game, remember it and process it.
23
89057
2589
ricordarselo ed esaminarlo.
01:31
And a person can't do that,
24
91804
1930
E una persona non può farlo.
01:33
but a machine can.
25
93758
1310
Ma una macchina sì!
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
Però una macchina non può vedere il gioco con gli occhi di un allenatore.
01:39
At least they couldn't until now.
27
99363
2261
Quantomeno non poteva finora.
01:42
So what have we taught the machine to see?
28
102228
2103
Cosa abbiamo insegnato a vedere alla macchina, quindi?
01:45
So, we started simply.
29
105569
1787
Abbiamo iniziato in modo semplice.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
Le abbiamo insegnato cose come i passaggi, i tiri e i rimbalzi.
01:51
Things that most casual fans would know.
31
111203
2541
Cose che molti dei normali fan conoscono.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
Poi siamo passati a cose leggermente più complicate.
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
Azioni come i post alti, i pick and rolls e gli isolamenti.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
Se non li sapete, tranquilli. Molti normali giocatori li sanno.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
Oggi siamo arrivati a macchine che comprendono eventi complessi
02:10
like down screens and wide pins.
36
130924
3073
come i "down screen" e i "wide pins".
02:14
Basically things only professionals know.
37
134021
2726
Praticamente cose che solo i professionisti conoscono.
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
Quindi abbiamo insegnato alla macchina a guardare con gli occhi di un allenatore.
02:22
So how have we been able to do this?
39
142009
1857
Come ci siamo riusciti?
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
Se chiedessi a un allenatore di descrivere un pick and roll,
02:27
they would give me a description,
41
147653
1640
mi darebbe una descrizione
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
che sarebbe terribile da codificare in un algoritmo.
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
Il pick and roll nel basket è una specie di danza tra 4 giocatori,
02:37
two on offense and two on defense.
44
157328
1912
due in attacco e due in difesa.
02:39
And here's kind of how it goes.
45
159486
1618
Ecco più o meno come funziona.
02:41
So there's the guy on offense without the ball
46
161128
2533
Qui c'è il giocatore in attacco senza la palla
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
e si avvicina al giocatore che difende contro chi ha la palla
02:46
and he kind of stays there
48
166918
1257
e rimane un po' lì
poi si muovono, succedono cose,
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
Ta-da! È un pick and roll.
02:51
(Laughter)
50
171540
2215
(Risate)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
Ed è anche un pessimo esempio di algoritmo.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
Quindi, se il giocatore che marca, chiamato bloccatore
03:01
goes close by, but he doesn't stop,
53
181278
2872
va vicino ma non si ferma,
03:04
it's probably not a pick-and-roll.
54
184174
1765
probabilmente non è un pick and roll.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
O se si ferma, ma non va vicino abbastanza
03:10
it's probably not a pick-and-roll.
56
190529
1761
probabilmente non è un pick and roll.
03:12
Or, if he does go close by and he does stop
57
192642
3237
O, se va vicino e si ferma
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
ma succede sotto al canestro, probabilmente non è un pick and roll.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
O mi potrei sbagliare, e sono tutti pick and roll.
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
Dipende fortemente dal momento esatto, dalle distanze e dalle posizioni.
03:26
and that's what makes it hard.
61
206602
1495
Per questo è difficile.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
Ma con l'apprendimento automatico
noi andiamo oltre la nostra capacità nel descrivere ciò che sappiamo
03:33
to describe the things we know.
63
213547
1743
03:35
So how does this work? Well, it's by example.
64
215314
2280
E come funziona?
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
Per esempio, andiamo dalla macchina e le diciamo: "Buongiorno, macchina.
Questi sono alcuni pick and roll, e qui ci sono alcune cose che non lo sono.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
03:44
Please find a way to tell the difference."
67
224720
2252
Trova un modo per spiegare le differenze".
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
E la chiave è trovare caratteristiche che l'aiutino a distinguere.
03:50
So if I was going to teach it the difference
69
230807
2109
Così come se le insegnassi la differenza tra una mela e un'arancia,
03:52
between an apple and orange,
70
232940
1381
direi: "Perché non usi il colore o la forma?"
03:54
I might say, "Why don't you use color or shape?"
71
234345
2375
03:56
And the problem that we're solving is, what are those things?
72
236744
2943
E il problema davanti a noi è:
cosa sono queste cose, quali sono queste caratteristiche
03:59
What are the key features
73
239711
1247
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
che permettono alla macchina di indagare i punti in movimento?
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
Tenere in mente tutte queste relazioni, con posizione relative e assoluta,
distanza, tempi, velocità --
04:09
distance, timing, velocities --
76
249352
1909
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
questa è la vera chiave per la scienza dei punti in movimento,
o, in gergo accademico, riconoscimento del modello spaziotemporale.
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
Perché prima di tutto devi darle un nome difficile...
04:22
because it is.
80
262847
1278
(risate) ...perché lo è.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
Il punto è che gli allenatori NBA non vogliono sapere
04:27
whether a pick-and-roll happened or not.
82
267575
1922
se è avvenuto o meno un pick and roll.
04:29
It's that they want to know how it happened.
83
269521
2076
Vogliono sapere come è accaduto.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
Perché è così importante per loro? Vediamo un po' meglio.
04:34
It turns out in modern basketball,
85
274631
1771
Nel basket moderno,
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
il pick and roll è forse la mossa più importante.
Sapere come metterla in pratica e come difendersi da essa
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
04:41
is basically a key to winning and losing most games.
88
281709
2670
è la chiave per vincere la maggior parte delle partite
04:44
So it turns out that this dance has a great many variations
89
284403
3801
Ne viene fuori che questa sorta di danza ha tante varianti
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
e identificarle è ciò che più conta.
04:51
and that's why we need this to be really, really good.
91
291900
2529
È per questo che bisogna farlo molto, molto bene.
04:55
So, here's an example.
92
295228
1176
Ecco un esempio: ci sono due attaccanti e due difensori,
04:56
There are two offensive and two defensive players,
93
296428
2379
pronti ad inziare la danza del pick and roll.
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
Il tipo con la palla può sia accettare o rifiutare il blocco.
05:01
So the guy with ball can either take, or he can reject.
95
301007
2683
05:04
His teammate can either roll or pop.
96
304086
3001
il suo compagno di squadra può fare roll o pop.
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
il giocatore che difende la palla può passare sopra o sotto
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
Il suo compagno può mostrare, giocare up-to-touch o giocare soft
05:14
and together they can either switch or blitz
99
314710
2618
ed insieme possono cambiare marcatura o fare un raddoppio
05:17
and I didn't know most of these things when I started
100
317352
2659
e quando cominciai io non sapevo la maggior parte di queste cose
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
e sarebbe bello se tutti si muovessero seguendo queste frecce:
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
renderebbe la vita molto più semplice.
Ma in realtà il movimento è molto confuso.
Le persone ondeggiano molto e identificare queste variazioni
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
con un alto livello di accuratezza
05:33
with very high accuracy,
104
333555
1303
05:34
both in precision and recall, is tough
105
334882
1868
sia in precisione che in memorizzazione, è difficile, ma è necessario
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
se vuoi che un allenatore professionista ti creda.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
Malgrado tutti i problemi con le questioni spaziotemporali,
05:43
we have been able to do that.
108
343820
1474
ci siamo riusciti.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
Gli allenatori credono nella capacità della macchina di trovare le varianti.
05:49
We're at the point where almost every single contender
110
349478
3533
Siamo arrivati al punto che quasi ogni partecipante
05:53
for an NBA championship this year
111
353035
1623
al campionato NBA di quest'anno
05:54
is using our software, which is built on a machine that understands
112
354682
4408
sta usando il nostro software, costruito su una macchina
che capisce i punti in movimento del basket.
05:59
the moving dots of basketball.
113
359114
1634
06:01
So not only that, we have given advice that has changed strategies
114
361872
5153
Non solo abbiamo dato consigli che hanno cambiato le strategie di gioco
06:07
that have helped teams win very important games,
115
367049
3352
che hanno aiutato le squadre a vincere competizioni molto importanti
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
ed è esaltante vedere allenatori
con 30 anni di esperienza in lega pronti a farsi consigliare da una macchina.
06:14
for 30 years that are willing to take advice from a machine.
117
374181
3067
06:17
And it's very exciting, it's much more than the pick-and-roll.
118
377874
2906
È appassionante, è c'è molto più dei pick and roll.
06:20
Our computer started out with simple things
119
380804
2076
La macchina ha cominciato con cose semplici,
06:22
and learned more and more complex things
120
382904
2064
poi ha imparato cose sempre più complesse
06:24
and now it knows so many things.
121
384992
1561
e ora sa davvero molte cose.
Francamente, io non capisco gran parte di quello che fa,
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
06:29
and while it's not that special to be smarter than me,
123
389436
3715
e anche se non ci vuol molto ad essere più bravi di me,
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
ci chiedevamo, può una macchina sapere più di un allenatore?
06:36
Can it know more than person could know?
125
396843
2055
Sapere più di quello che sa una persona?
06:38
And it turns out the answer is yes.
126
398922
1745
Viene fuori che la risposta è si.
06:40
The coaches want players to take good shots.
127
400691
2557
Gli allenatori vogliono che i giocatori facciamo dei bei tiri.
06:43
So if I'm standing near the basket
128
403272
1651
Quindi, se sono vicino al canestro
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
con nessuno vicino a me, è un buon tiro.
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
Se sono lontano circondato da difensori, in genere è un tiro scadente.
Ma quanto "buoni" o "scadenti" sono i tiri buoni o scadenti?
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
06:56
Until now.
132
416209
1150
Finora non potevi saperlo.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
Quindi cosa possiamo fare usando coordinate spaziotemporali?
07:00
we looked at every shot.
134
420853
1374
Abbiamo guardato ogni tiro.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
Possiamo vedere: dove è il tiro? Qual è l'angolo col canestro?
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
Dove sono i difensori? Quali sono le loro distanze?
Quali sono i loro angoli?
07:08
What are their angles?
137
428066
1331
07:09
For multiple defenders, we can look at how the player's moving
138
429421
2977
Con più difensori, possiamo guardare a come si muove il giocatore
07:12
and predict the shot type.
139
432422
1433
e prevedere il tipo di tiro.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
Possiamo guardare alle loro velocità e costruire un modello che prevede
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
la probabilità che questo tiro vada dentro, date queste circostanze?
07:22
So why is this important?
142
442188
1500
E perché questo è importante?
07:24
We can take something that was shooting,
143
444102
2803
Possiamo prendere ciò che era il tirare,
07:26
which was one thing before, and turn it into two things:
144
446929
2680
che prima era una cosa sola, e separarla in due:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
la qualità del tiro e la qualità del tiratore.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
Ecco un grafico a bolle: che TED sarebbe, senza un grafico a bolle?
07:36
(Laughter)
147
456966
1014
(Risate)
07:38
Those are NBA players.
148
458004
1311
Questi sono giocatori NBA.
07:39
The size is the size of the player and the color is the position.
149
459339
3120
La dimensione è quella del giocatore e il colore è la posizione.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
Sull'asse delle x abbiamo la probabilità di tiro.
07:44
People on the left take difficult shots,
151
464639
1953
Le persone sulla sinistra fanno tiri difficili,
07:46
on the right, they take easy shots.
152
466616
2229
sulla destra, tiri facili.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
Sull'asse delle y c'è la loro abilità di tiro.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
Quelli bravi sono in alto, gli altri in basso.
07:53
So for example, if there was a player
155
473861
1760
Per esempio, se c'era un giocatore
07:55
who generally made 47 percent of their shots,
156
475621
2097
che in genere realizzava il 47% dei tiri,
07:57
that's all you knew before.
157
477718
1389
prima questo era tutto ciò che sapevamo.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
Ma oggi ti posso dire che quel giocatore fa tiri che il giocatore NBA di media
08:04
would make 49 percent of the time,
159
484219
1961
farebbe il 49% delle volte,
08:06
and they are two percent worse.
160
486204
1684
e quindi è del 2% peggiore.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
E il motivo per cui è importante è che ci sono tanti 47 in giro,
08:13
And so it's really important to know
162
493714
2549
e quindi è molto importante sapere
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
se il 47 a cui stai pensando di dare 100 milioni di dollari
08:20
is a good shooter who takes bad shots
164
500267
3055
è un buon tiratore ma che sceglie tiri difficili
08:23
or a bad shooter who takes good shots.
165
503346
2397
o è un cattivo tiratore che sceglie tiri buoni.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
L'analisi della macchina non cambia solo come guardiamo ai giocatori,
08:30
it changes how we look at the game.
167
510487
1858
cambia il modo di guardare al gioco.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
C'era questa partita emozionante, un paio di anni fa, nelle finali NBA.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
Miami perdeva per 3 punti, e mancavano 20 secondi.
08:39
They were about to lose the championship.
170
519379
2025
Stavano per perdere il campionato.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
Un certo LeBron James ebbe l'occasione di un tiro da 3 per pareggiare.
08:44
He missed.
172
524793
1198
Sbagliò, il suo compagno Chris Bosh prese un rimbalzo,
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
lo passò ad un altro, Ray Allen.
Che infilò un tre. Andarono ai supplementari.
08:50
He sank a three. It went into overtime.
175
530059
1919
08:52
They won the game. They won the championship.
176
532002
2096
Vinsero la partita. Vinsero il campionato.
Fu una delle partite più emozionanti della storia del basket.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
E la capacità di conoscere la probabilità di tiro
08:57
And our ability to know the shot probability for every player
178
537438
3429
di ognuno, a ogni secondo,
09:00
at every second,
179
540891
1188
la probabilità che prendessero un rimbalzo a ogni secondo
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
può far luce su questo momento in modo completamente nuovo.
09:05
can illuminate this moment in a way that we never could before.
181
545083
3443
09:09
Now unfortunately, I can't show you that video.
182
549618
2668
Sfortunatamente non posso farvi vedere il video.
09:12
But for you, we recreated that moment
183
552310
4493
Ma per voi, abbiamo ricreato quel momento
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
durante la nostra partita settimanale circa 3 settimane fa.
09:19
(Laughter)
185
559279
2167
(Risate)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
E abbiamo ricreato l'analisi che ci ha portato a nuove informazioni.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
Eccoci qui. Questa è Chinatown a Los Angeles,
09:29
a park we play at every week,
188
569478
1564
un parco dove giochiamo tutte le settimane,
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
e questi siamo noi che ricreiamo il momento Ray Allen
09:33
and all the tracking that's associated with it.
190
573321
2229
e tutte le analisi associate.
09:36
So, here's the shot.
191
576772
1517
Ecco il tiro.
09:38
I'm going to show you that moment
192
578313
2516
Vi faccio vedere quel momento
09:40
and all the insights of that moment.
193
580853
2587
e tutte le informazioni di quel momento.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
L'unica differenza è che, invece di giocatori professionisti, ci siamo noi,
09:47
and instead of a professional announcer, it's me.
195
587218
2618
e invece di un professionista, commento io.
09:49
So, bear with me.
196
589860
1477
Quindi siate comprensivi.
09:53
Miami.
197
593153
1150
Miami.
09:54
Down three.
198
594671
1150
Sotto 3 punti.
09:56
Twenty seconds left.
199
596107
1150
20 secondi rimasti.
09:59
Jeff brings up the ball.
200
599385
1198
Jeff porta avanti la palla.
10:02
Josh catches, puts up a three!
201
602656
1535
Josh l'afferra, fa un tiro da 3 punti!
10:04
[Calculating shot probability]
202
604631
1849
[Calcolo della probabilità del tiro]
10:07
[Shot quality]
203
607278
1150
[Qualità del tiro]
10:09
[Rebound probability]
204
609048
1785
[Probabilità di rimbalzo]
10:12
Won't go!
205
612373
1173
Non entra!
10:13
[Rebound probability]
206
613570
1446
[Probabilità di rimbalzo]
10:15
Rebound, Noel.
207
615777
1256
Rimbalzo, Noel.
10:17
Back to Daria.
208
617057
1150
Indietro a Daria.
10:18
[Shot quality]
209
618509
3365
[Qualità del tiro]
10:22
Her three-pointer -- bang!
210
622676
1620
E lei fa i 3 punti! Bang!
10:24
Tie game with five seconds left.
211
624320
2197
Partita pareggiata con 5 secondi rimasti.
10:26
The crowd goes wild.
212
626880
1618
Il pubblico impazzisce.
10:28
(Laughter)
213
628522
1659
(Risate)
10:30
That's roughly how it happened.
214
630205
1547
Più o meno è andata così.
10:31
(Applause)
215
631776
1151
(Applausi)
10:32
Roughly.
216
632951
1175
Più o meno.
10:34
(Applause)
217
634150
1531
(Applausi)
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
Quel momento aveva una probabilità di accadere nell'NBA del 9%
10:41
and we know that and a great many other things.
219
641629
2261
e noi lo sappiamo come moltissime altre cose.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
Non sto a darvi quante volte ci abbiamo messo per replicarlo.
10:47
(Laughter)
221
647429
1747
(Risate)
10:49
Okay, I will! It was four.
222
649200
1872
Via, ve lo dico. Quattro volte.
10:51
(Laughter)
223
651096
1001
(Risate)
10:52
Way to go, Daria.
224
652121
1165
Grande Daria!
10:53
But the important thing about that video
225
653647
4263
Ma la cosa importante di questo video,
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
e quello che capiamo di ogni secondo, non è tanto quello.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
È che non devi essere un professionista per tener traccia dei movimenti.
Non serve essere un professionista per comprendere meglio il movimento.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
E in fondo, non deve nemmeno essere sport, perché ci muoviamo ovunque.
11:15
We're moving in our homes,
230
675654
2369
Ci muoviamo nelle nostre case,
11:21
in our offices,
231
681428
1205
nei nostri uffici,
11:24
as we shop and we travel
232
684238
2690
mentre facciamo acquisti e viaggiamo
11:29
throughout our cities
233
689318
1253
attraverso le nostre città
11:32
and around our world.
234
692065
1618
e intorno al mondo.
11:35
What will we know? What will we learn?
235
695270
2295
Quanto conosceremo? Cosa impareremo?
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
Forse, invece di identificare pick and roll
11:39
a machine can identify the moment and let me know
237
699918
3010
una macchina può identificare il momento
e informarmi quando mia figlia fa i suoi primi passi.
11:42
when my daughter takes her first steps.
238
702952
2059
Che potrebbe davvero succedere da un momento all'altro.
11:45
Which could literally be happening any second now.
239
705035
2536
Forse si può usare meglio i nostri edifici o pianificare meglio le nostre città.
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
Io credo che con lo sviluppo della scienza dei punti in movimento,
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
ci muoveremo meglio, più intelligentemente e faremo grandi progressi.
12:00
Thank you very much.
243
720607
1189
Grazie mille.
12:01
(Applause)
244
721820
5045
(Applausi)
A proposito di questo sito web

Questo sito vi presenterà i video di YouTube utili per l'apprendimento dell'inglese. Vedrete lezioni di inglese tenute da insegnanti di alto livello provenienti da tutto il mondo. Fate doppio clic sui sottotitoli in inglese visualizzati su ogni pagina video per riprodurre il video da lì. I sottotitoli scorrono in sincronia con la riproduzione del video. Se avete commenti o richieste, contattateci tramite questo modulo di contatto.

https://forms.gle/WvT1wiN1qDtmnspy7