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

מתרגם: Yifat Adler מבקר: Shir Ben Asher Kestin

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

מדע הנקודות הנעות מרתק אותי ואת עמיתיי.

So what are these dots?

אז מהן הנקודות האלו?

Well, it's all of us.

הנקודות הן אנחנו, כולנו.

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

אנחנו נעים בבית, במשרד, בקניות ובחופשה,

throughout our cities and around the world.

ברחבי הערים ומסביב לעולם.

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

האם לא היה נפלא אילו יכולנו להבין את התנועה הזאת,

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

אילו יכולנו למצוא בה תבניות, משמעויות ותובנות?

And luckily for us, we live in a time

התמזל מזלנו ואנחנו חיים בעידן עתיר אפשרויות תיעוד עצמי.

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

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

חיישנים, סרטונים ואפליקציות מאפשרים לנו

we can track our movement with incredibly fine detail.

לעקוב אחרי התנועה שלנו ולקבל עליה נתונים מפורטים ביותר.

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

ומתברר שאחד התחומים שבהם הנתונים שיש לנו על התנועה טובים במיוחד

is sports.

הוא הספורט.

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

בכדורסל, בבייסבול, בכדורגל או בפוטבול,

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

אנחנו מתקינים ציוד באצטדיונים שלנו ועל השחקנים

כדי לתעד את התנועות שלהם בכל שבריר שנייה.

every fraction of a second.

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

למעשה אנחנו הופכים את האתלטים שלנו ל...

you probably guessed it --

אתם בוודאי כבר מנחשים...

moving dots.

נקודות נעות.

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

אז יש לנו הררי נתונים על נקודות נעות.

וכמו רוב המידע הגולמי, קשה לקרוא אותם והם לא מאוד מעניינים.

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

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

אבל יש דברים שמאמני כדורסל, לדוגמה, היו רוצים לדעת.

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

אבל הם לא יכולים לדעת אותם,

כי הם יצטרכו לצפות בכל שנייה של כל משחק, לזכור ולנתח אותן.

of every game, remember it and process it.

And a person can't do that,

בני אדם לא מסוגלים לעשות את זה,

but a machine can.

אבל מכונות יכולות.

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

הבעיה היא שמכונות לא יכולות לראות את המשחק כמו שמאמן רואה אותו.

At least they couldn't until now.

לפחות הן לא יכלו לבצע את זה עד כה.

So what have we taught the machine to see?

אז מה לימדנו את המכונה לראות?

So, we started simply.

התחלנו במהלכים פשוטים.

We taught it things like passes, shots and rebounds.

לימדנו את המכונה מהם מסירות, זריקות וכדורים חוזרים.

Things that most casual fans would know.

מהלכים פשוטים שכל חובב כדורסל מכיר.

And then we moved on to things slightly more complicated.

משם עברנו למהלכים קצת יותר מורכבים.

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

מהלכים כמו פוסט-אפ, פיק-אנד-רול ובידוד.

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

המהלכים האלה מוכרים לרוב השחקנים החובבנים וגם אם אינכם מכירים אותם - לא נורא.

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

היום המכונה מבינה כבר מהלכים מורכבים

like down screens and wide pins.

כמו Down screens ו-Wide pins.

Basically things only professionals know.

דברים שרק מקצוענים מכירים.

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

לימדנו את המכונה לראות מנקודת המבט של המאמן.

So how have we been able to do this?

איך עשינו את זה?

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

אם הייתי מבקש ממאמן לתאר מהלך כמו פיק-אנד-רול,

they would give me a description,

והייתי מקודד את התיאור שלו כאלגוריתם,

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

זה היה איום ונורא.

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

פיק-אנד-רול הוא ריקוד של ארבעה שחקנים בכדורסל,

two on offense and two on defense.

שני תוקפים ושני מגינים.

And here's kind of how it goes.

הוא מתנהל בערך ככה:

So there's the guy on offense without the ball

שחקן תוקף שהכדור לא בידיו

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

מתקרב לשחקן ההגנה ששומר על השחקן עם הכדור,

and he kind of stays there

ואז הוא נשאר בסביבה,

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

ושניהם נעים וקורים כל מיני דברים וטה-דה! קיבלנו פיק-אנד-רול.

(Laughter)

(צחוק)

So that is also an example of a terrible algorithm.

זאת גם דוגמה לאלגוריתם גרוע.

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

אם השחקן שמפריע, שנקרא השחקן החוסם,

goes close by, but he doesn't stop,

מתקרב לשחקן עם הכדור אבל לא עוצר,

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

זה כנראה לא פיק-אנד-רול.

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

אם הוא עוצר, אבל לא עוצר מספיק קרוב,

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

גם זה כנראה לא פיק-אנד-רול.

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

אם הוא עוצר מספיק קרוב, אבל שני השחקנים מתחת לסל,

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

גם זה כנראה לא פיק-אנד-רול.

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

ואולי אני בכלל טועה, וכל המהלכים האלה יכולים להיות פיק-אנד-רול.

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

זה תלוי בתזמון המדויק, במרחקים, במיקומים,

and that's what makes it hard.

וזה מה שמסבך את העניין.

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

למרבה המזל, למידה חישובית מאפשרת לנו לפרוץ את גבולות היכולת שלנו

to describe the things we know.

לתאר את הדברים שאנחנו יודעים.

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

אז איך זה עובד? בעזרת דוגמאות.

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

אנחנו ניגשים למכונה ואומרים לה, "בוקר טוב, מכונה.

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

הנה כמה מהלכים של פיק-אנד-רול, והנה כמה מהלכים שהם לא פיק-אנד-רול.

Please find a way to tell the difference."

תמצאי בבקשה דרך לזהות את ההבדלים ביניהם".

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

המפתח לכך הוא למצוא מאפיינים שמאפשרים לבצע את ההבחנה הזאת.

So if I was going to teach it the difference

לדוגמה, אילו רציתי ללמד את המכונה להבדיל בין תפוזים לתפוחים,

between an apple and orange,

הייתי מציע לה "אולי תבדקי צבע או צורה?"

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

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

הבעיה שאנחנו מנסים לפתור היא, מהם המאפיינים האלה?

What are the key features

מהם מאפייני המפתח שמאפשרים למחשב לנווט בעולם הנקודות הנעות?

that let a computer navigate the world of moving dots?

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

הבנת היחסים בין מיקום, מרחק, תזמון ומהירויות יחסיים ומוחלטים,

distance, timing, velocities --

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

היא המפתח למדע הנקודות הנעות,

או כפי שאנחנו מכנים זאת בשפה האקדמית, זיהוי תבניות מרחב-זמן.

spatiotemporal pattern recognition, in academic vernacular.

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

זה נשמע מסובך,

because it is.

כי זה באמת מסובך.

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

חשוב להבין שלמאמני אן-בי-איי לא באמת אכפת

whether a pick-and-roll happened or not.

אם היה או לא היה פיק-אנד-רול.

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

אלא הם רוצים להבין איך המהלך התרחש.

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

ולמה זה כל כך חשוב להם?

It turns out in modern basketball,

מתברר שבכדורסל מודרני,

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

הפיק-אנד-רול נחשב למהלך החשוב ביותר במשחק.

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

והידע איך לנהל אותו, והידע איך להתגונן מפניו,

is basically a key to winning and losing most games.

הם למעשה המפתח לניצחון או להפסד ברוב המשחקים.

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

מתברר שלריקוד הזה יש הרבה מאוד וריאציות,

and identifying the variations is really the thing that matters,

והזיהוי שלהן הוא שורש העניין,

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

ולכן אנחנו צריכים למצוא דרך לבצע את הזיהוי בצורה מיטבית.

So, here's an example.

הנה דוגמה.

יש שני תוקפים ושני מגינים

There are two offensive and two defensive players,

שמתכוננים לבצע את ריקוד הפיק-אנד-רול.

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

השחקן עם הכדור יכול לבחור בין Take לבין Reject.

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

His teammate can either roll or pop.

השותף שלו יכול לבחור בין Roll לבין Pop.

השחקן ששומר על השחקן עם הכדור יכול לבחור בין Over ל-Under.

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

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

השותף שלו יכול לבחור בין Show ל-Up to Touch או ל-Soft.

and together they can either switch or blitz

וביחד הם יכולים לבחור בין Switch ל-Blitz.

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

בתחילת הדרך לא הכרתי את רוב המונחים האלה.

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

אם השחקנים היו תמיד נעים לפי החצים, החיים שלנו היו הרבה יותר קלים.

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

אבל מתברר שתנועה היא עסק מאוד מבולגן.

התנועה של השחקנים מפותלת מאוד,

People wiggle a lot and getting these variations identified

וקשה מאוד לזהות את הווריאציות השונות ברמת נכונות גבוהה,

with very high accuracy,

both in precision and recall, is tough

ולשמור על רמות גבוהות של דיוק ואחזור.

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

כדי שמאמנים מקצועיים יאמינו במערכת שלנו היא חייבת לעמוד בדרישות האלה.

And despite all the difficulties with the right spatiotemporal features

ולמרות הקשיים המרובים במציאת מאפייני המרחב-זמן המתאימים

we have been able to do that.

הצלחנו לעשות את זה.

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

מאמנים בוטחים ביכולת של המכונה שלנו לזהות את הווריאציות האלה.

We're at the point where almost every single contender

כמעט כל הקבוצות שמתמודדות השנה על אליפות האן-בי-איי

for an NBA championship this year

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

משתמשות בתוכנה שלנו,

שמבוססת על מכונה שמבינה את הנקודות הנעות במשחק הכדורסל.

the moving dots of basketball.

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

מעבר לזה, הייעוץ שלנו שינה אסטרטגיות של קבוצות

that have helped teams win very important games,

ועזר להן לנצח במשחקי מפתח.

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

זה מאוד מרגש אותנו.

מאמנים עם ותק של 30 שנות אימון מוכנים לקבל עצות ממכונה.

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

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

וזה מאוד מרגש. לא מדובר רק בפיק-אנד-רול.

Our computer started out with simple things

המחשב שלנו התחיל בדברים פשוטים,

and learned more and more complex things

ולמד דברים יותר ויותר מורכבים.

and now it knows so many things.

והיום הוא יודע הרבה מאוד דברים.

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

למען האמת, אני כבר לא מבין הרבה מהדברים שהוא עושה.

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

אמנם לא קשה להיות יותר חכם ממני,

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

אבל תהינו אם מכונה יכולה לדעת יותר ממאמנים?

Can it know more than person could know?

האם המכונה יכולה לדעת יותר מאדם?

And it turns out the answer is yes.

והתשובה היא כן.

The coaches want players to take good shots.

המאמנים רוצים שהשחקנים יזרקו זריקות טובות.

So if I'm standing near the basket

אם אני עומד ליד הסל ואין אף אחד אחר לידי,

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

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

אם אני רחוק מהסל ומוקף בשחקני הגנה, זאת בדרך כלל זריקה גרועה.

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

אבל לא ידענו מבחינת כמותית כמה "טוב" הוא טוב או כמה "רע" הוא רע.

Until now.

עד עכשיו.

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

כעת, בעזרת מאפיינים של מרחב-זמן

we looked at every shot.

אנחנו יכולים לבחון כל זריקה.

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

אנחנו יכולים לראות: מאיפה מתבצעת הזריקה? מה הזווית לסל?

Where are the defenders standing? What are their distances?

איפה עומדים המגינים? מה המרחקים מהם?

מה הזוויות שלהם?

What are their angles?

אם יש כמה מגינים,

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

אנחנו יכולים לבדוק איך השחקן נע ולחזות את סוג הזריקה שלו.

and predict the shot type.

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

אנחנו יכולים לבחון את המהירויות שלהם,

ואנחנו יכולים לבנות מודל שחוזה מראש

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

מה הסיכוי שהזריקה הזאת תיכנס לסל בנסיבות האלה.

So why is this important?

מה החשיבות של זה?

We can take something that was shooting,

אנחנו יכולים לקחת זריקה,

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

ולחלק אותה לשני חלקים:

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

איכות הזריקה ואיכות הזורק.

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

זה תרשים בועות, כי ב-TED אי אפשר בלי תרשים בועות...

(Laughter)

(צחוק)

Those are NBA players.

אלה שחקני אן-בי-איי.

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

גודל הבועה הוא גובה השחקן והצבע שלה הוא המיקום שלו.

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

ציר ה-x מציג את סיכויי הזריקה.

People on the left take difficult shots,

השחקנים שמשמאל זורקים זריקות קשות,

on the right, they take easy shots.

ושחקנים בצד ימין זורקים זריקות קלות.

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

ציר ה-y מציג את כישורי הזריקה שלהם.

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

השחקנים הטובים נמצאים למעלה, והגרועים למטה.

So for example, if there was a player

נניח לדוגמה ששחקן מגיע ל-47 אחוזי הצלחה בזריקות.

who generally made 47 percent of their shots,

that's all you knew before.

בעבר זה כל מה שידענו עליו.

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

אבל היום אני יכול לספר לכם שהשחקן זורק זריקות

would make 49 percent of the time,

ששחקן ממוצע באן-בי-איי מצליח ב-49 אחוזים מהן.

and they are two percent worse.

כלומר, הוא גרוע מהשחקן הממוצע בשני אחוזים.

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

והנתון הזה חשוב, כי יש הרבה שחקני 47.

And so it's really important to know

וחשוב מאוד לדעת

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

אם שחקן ה-47 ששוקלים לשלם לו מאה מיליון דולר

is a good shooter who takes bad shots

הוא קלע טוב שזורק זריקות גרועות

or a bad shooter who takes good shots.

או קלע גרוע שזורק זריקות טובות.

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

ההבנה של המכונה לא משנה רק את ההסתכלות שלנו על שחקנים,

it changes how we look at the game.

היא משנה גם את ההסתכלות שלנו על המשחק.

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

לפני כמה שנים התנהל המשחק המרגש הבא בסדרת הגמר של האן-בי-איי.

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

מיאמי פיגרה בשלוש נקודות, ונותרו 20 שניות לסיום.

They were about to lose the championship.

הם עמדו לאבד את האליפות.

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

בחור בשם לברון ג'יימס זרק שלשה כדי להשוות את התוצאה.

He missed.

הוא החטיא.

His teammate Chris Bosh got a rebound,

חברו לקבוצה כריס בוש תפס את הכדור החוזר,

passed it to another teammate named Ray Allen.

ומסר אותו לחברם לקבוצה ריי אלן.

He sank a three. It went into overtime.

הוא קלע שלשה והמשחק הגיע להארכה.

They won the game. They won the championship.

הם ניצחו במשחק. הם זכו באליפות.

It was one of the most exciting games in basketball.

זה היה אחד המשחקים המרגשים ביותר בכדורסל.

And our ability to know the shot probability for every player

היכולת שלנו לדעת את אחוזי הקליעה של כל שחקן בכל שנייה

at every second,

and the likelihood of them getting a rebound at every second

ואת הסיכוי של כל שחקן לתפוס כדור חוזר בכל שנייה

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

יכולה לשפוך אור על כל רגע בדרך שלא היתה קיימת בעבר.

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

לרוע המזל אני לא יכול להציג לכם את הסרטון.

But for you, we recreated that moment

אבל שחזרנו עבורכם את הרגע ההוא

at our weekly basketball game about 3 weeks ago.

במשחק הכדורסל השבועי שלנו לפני שלושה שבועות.

(Laughter)

(צחוק)

And we recreated the tracking that led to the insights.

ושחזרנו גם את כל המהלכים שהובילו לתובנות שלנו.

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

הנה אנחנו בצ'יינטאון שבלוס אנג'לס

a park we play at every week,

בפארק שבו אנחנו משחקים כל שבוע.

and that's us recreating the Ray Allen moment

וכאן אנחנו משחזרים את הרגע של ריי אלן

and all the tracking that's associated with it.

ואת כל המהלכים שהובילו אליו.

So, here's the shot.

זאת הזריקה.

I'm going to show you that moment

עכשיו נראה את הרגע ההוא

and all the insights of that moment.

ואת כל התובנות שלנו על הרגע ההוא.

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

ההבדל היחיד הוא שאנחנו ממלאים את מקום השחקנים המקצועיים,

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

ואני ממלא את מקומו של הכרוז המקצועי.

So, bear with me.

אז תהיו סבלניים כלפיי.

Miami.

מיאמי.

Down three.

פיגור של שלוש נקודות.

Twenty seconds left.

עשרים שניות לסיום.

Jeff brings up the ball.

ג'ף מקדם את הכדור.

Josh catches, puts up a three!

ג'וש תופס את הכדור וזורק שלשה!

[Calculating shot probability]

[הסיכוי לקליעה - 33%]

[Shot quality]

[איכות הזריקה - ג'וש - 33%]

[Rebound probability]

[הסיכוי לריבאונד - נואל - 12%]

Won't go!

לא נכנס!

[Rebound probability]

[הסיכוי לריבאונד - נואל - 32%]

Rebound, Noel.

ריבאונד, נואל.

Back to Daria.

בחזרה לדריה.

[Shot quality]

[איכות הזריקה - דריה - 37%]

Her three-pointer -- bang!

שלוש נקודות - בנג!

Tie game with five seconds left.

נותרו חמש שניות לסיום.

The crowd goes wild.

הקהל משתולל.

(Laughter)

(צחוק)

That's roughly how it happened.

ככה בערך זה קרה.

(Applause)

(מחיאות כפיים)

Roughly.

בערך.

(Applause)

(מחיאות כפיים)

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

לרגע הזה היה סיכוי של כתשעה אחוזים להתרחש באן-בי-איי.

and we know that and a great many other things.

ואנחנו יודעים את זה והרבה דברים נוספים.

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

לא אגלה לכם כמה ניסיונות עשינו עד שהצלחנו.

(Laughter)

(צחוק)

Okay, I will! It was four.

טוב, בכל זאת אגלה לכם. ניסינו ארבע פעמים.

(Laughter)

(צחוק)

Way to go, Daria.

כל הכבוד, דריה.

But the important thing about that video

אבל הסרטון הזה והתובנות שלנו לגבי כל שנייה של כל משחק אן-בי-איי

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

חשובים מסיבה אחרת.

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

והסיבה היא שלא צריך להיות קבוצה מקצוענית כדי לעקוב אחרי תנועה.

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

לא צריך להיות שחקן מקצועי כדי לקבל תובנות על תנועה.

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

למעשה, הנושא אינו מוגבל רק לספורט, כי אנחנו נעים בכל מקום.

We're moving in our homes,

אנחנו נעים בבתים שלנו,

in our offices,

במשרדים שלנו,

as we shop and we travel

כשאנחנו יוצאים לקניות, כשאנחנו מטיילים

throughout our cities

בתוך הערים

and around our world.

ומסביב לעולם.

What will we know? What will we learn?

מה נדע? מה נלמד?

Perhaps, instead of identifying pick-and-rolls,

אולי, במקום לזהות פיק-אנד-רול,

a machine can identify the moment and let me know

המכונה תוכל לזהות את הרגע

when my daughter takes her first steps.

ולהודיע לי מתי הבת שלי צועדת את צעדיה הראשונים.

Which could literally be happening any second now.

דבר שצפוי להתרחש בכל רגע.

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

אולי נוכל ללמוד לנצל בצורה טובה יותר את הבניינים שלנו

ולתכנן טוב יותר את הערים שלנו.

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

אני מאמין שכשמדע הנקודות הנעות יתפתח,

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

ננוע טוב יותר, ננוע בצורה חכמה יותר, ננוע קדימה.

Thank you very much.

תודה רבה.

(Applause)

(מחיאות כפיים)