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

1,106,478 views ・ 2015-07-06

TED


אנא לחץ פעמיים על הכתוביות באנגלית למטה כדי להפעיל את הסרטון.

מתרגם: Yifat Adler מבקר: Shir Ben Asher Kestin
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
מדע הנקודות הנעות מרתק אותי ואת עמיתיי.
00:16
So what are these dots?
1
16927
1150
אז מהן הנקודות האלו?
00:18
Well, it's all of us.
2
18101
1287
הנקודות הן אנחנו, כולנו.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
אנחנו נעים בבית, במשרד, בקניות ובחופשה,
00:24
throughout our cities and around the world.
4
24521
2066
ברחבי הערים ומסביב לעולם.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
האם לא היה נפלא אילו יכולנו להבין את התנועה הזאת,
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
אילו יכולנו למצוא בה תבניות, משמעויות ותובנות?
00:34
And luckily for us, we live in a time
7
34259
1785
התמזל מזלנו ואנחנו חיים בעידן עתיר אפשרויות תיעוד עצמי.
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
חיישנים, סרטונים ואפליקציות מאפשרים לנו
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
לעקוב אחרי התנועה שלנו ולקבל עליה נתונים מפורטים ביותר.
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
ומתברר שאחד התחומים שבהם הנתונים שיש לנו על התנועה טובים במיוחד
00:53
is sports.
12
53148
1208
הוא הספורט.
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
בכדורסל, בבייסבול, בכדורגל או בפוטבול,
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
אנחנו מתקינים ציוד באצטדיונים שלנו ועל השחקנים
כדי לתעד את התנועות שלהם בכל שבריר שנייה.
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
למעשה אנחנו הופכים את האתלטים שלנו ל...
01:10
you probably guessed it --
17
70208
1959
אתם בוודאי כבר מנחשים...
01:12
moving dots.
18
72191
1396
נקודות נעות.
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
אז יש לנו הררי נתונים על נקודות נעות.
וכמו רוב המידע הגולמי, קשה לקרוא אותם והם לא מאוד מעניינים.
01:18
it's hard to deal with and not that interesting.
20
78904
2502
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
אבל יש דברים שמאמני כדורסל, לדוגמה, היו רוצים לדעת.
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
אבל הם לא יכולים לדעת אותם,
כי הם יצטרכו לצפות בכל שנייה של כל משחק, לזכור ולנתח אותן.
01:29
of every game, remember it and process it.
23
89057
2589
01:31
And a person can't do that,
24
91804
1930
בני אדם לא מסוגלים לעשות את זה,
01:33
but a machine can.
25
93758
1310
אבל מכונות יכולות.
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
הבעיה היא שמכונות לא יכולות לראות את המשחק כמו שמאמן רואה אותו.
01:39
At least they couldn't until now.
27
99363
2261
לפחות הן לא יכלו לבצע את זה עד כה.
01:42
So what have we taught the machine to see?
28
102228
2103
אז מה לימדנו את המכונה לראות?
01:45
So, we started simply.
29
105569
1787
התחלנו במהלכים פשוטים.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
לימדנו את המכונה מהם מסירות, זריקות וכדורים חוזרים.
01:51
Things that most casual fans would know.
31
111203
2541
מהלכים פשוטים שכל חובב כדורסל מכיר.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
משם עברנו למהלכים קצת יותר מורכבים.
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
מהלכים כמו פוסט-אפ, פיק-אנד-רול ובידוד.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
המהלכים האלה מוכרים לרוב השחקנים החובבנים וגם אם אינכם מכירים אותם - לא נורא.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
היום המכונה מבינה כבר מהלכים מורכבים
02:10
like down screens and wide pins.
36
130924
3073
כמו Down screens ו-Wide pins.
02:14
Basically things only professionals know.
37
134021
2726
דברים שרק מקצוענים מכירים.
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
לימדנו את המכונה לראות מנקודת המבט של המאמן.
02:22
So how have we been able to do this?
39
142009
1857
איך עשינו את זה?
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
אם הייתי מבקש ממאמן לתאר מהלך כמו פיק-אנד-רול,
02:27
they would give me a description,
41
147653
1640
והייתי מקודד את התיאור שלו כאלגוריתם,
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
זה היה איום ונורא.
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
פיק-אנד-רול הוא ריקוד של ארבעה שחקנים בכדורסל,
02:37
two on offense and two on defense.
44
157328
1912
שני תוקפים ושני מגינים.
02:39
And here's kind of how it goes.
45
159486
1618
הוא מתנהל בערך ככה:
02:41
So there's the guy on offense without the ball
46
161128
2533
שחקן תוקף שהכדור לא בידיו
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
מתקרב לשחקן ההגנה ששומר על השחקן עם הכדור,
02:46
and he kind of stays there
48
166918
1257
ואז הוא נשאר בסביבה,
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
ושניהם נעים וקורים כל מיני דברים וטה-דה! קיבלנו פיק-אנד-רול.
02:51
(Laughter)
50
171540
2215
(צחוק)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
זאת גם דוגמה לאלגוריתם גרוע.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
אם השחקן שמפריע, שנקרא השחקן החוסם,
03:01
goes close by, but he doesn't stop,
53
181278
2872
מתקרב לשחקן עם הכדור אבל לא עוצר,
03:04
it's probably not a pick-and-roll.
54
184174
1765
זה כנראה לא פיק-אנד-רול.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
אם הוא עוצר, אבל לא עוצר מספיק קרוב,
03:10
it's probably not a pick-and-roll.
56
190529
1761
גם זה כנראה לא פיק-אנד-רול.
03:12
Or, if he does go close by and he does stop
57
192642
3237
אם הוא עוצר מספיק קרוב, אבל שני השחקנים מתחת לסל,
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
גם זה כנראה לא פיק-אנד-רול.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
ואולי אני בכלל טועה, וכל המהלכים האלה יכולים להיות פיק-אנד-רול.
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
זה תלוי בתזמון המדויק, במרחקים, במיקומים,
03:26
and that's what makes it hard.
61
206602
1495
וזה מה שמסבך את העניין.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
למרבה המזל, למידה חישובית מאפשרת לנו לפרוץ את גבולות היכולת שלנו
03:33
to describe the things we know.
63
213547
1743
לתאר את הדברים שאנחנו יודעים.
03:35
So how does this work? Well, it's by example.
64
215314
2280
אז איך זה עובד? בעזרת דוגמאות.
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
אנחנו ניגשים למכונה ואומרים לה, "בוקר טוב, מכונה.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
הנה כמה מהלכים של פיק-אנד-רול, והנה כמה מהלכים שהם לא פיק-אנד-רול.
03:44
Please find a way to tell the difference."
67
224720
2252
תמצאי בבקשה דרך לזהות את ההבדלים ביניהם".
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
המפתח לכך הוא למצוא מאפיינים שמאפשרים לבצע את ההבחנה הזאת.
03:50
So if I was going to teach it the difference
69
230807
2109
לדוגמה, אילו רציתי ללמד את המכונה להבדיל בין תפוזים לתפוחים,
03:52
between an apple and orange,
70
232940
1381
הייתי מציע לה "אולי תבדקי צבע או צורה?"
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
הבעיה שאנחנו מנסים לפתור היא, מהם המאפיינים האלה?
03:59
What are the key features
73
239711
1247
מהם מאפייני המפתח שמאפשרים למחשב לנווט בעולם הנקודות הנעות?
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
הבנת היחסים בין מיקום, מרחק, תזמון ומהירויות יחסיים ומוחלטים,
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
היא המפתח למדע הנקודות הנעות,
או כפי שאנחנו מכנים זאת בשפה האקדמית, זיהוי תבניות מרחב-זמן.
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
זה נשמע מסובך,
04:22
because it is.
80
262847
1278
כי זה באמת מסובך.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
חשוב להבין שלמאמני אן-בי-איי לא באמת אכפת
04:27
whether a pick-and-roll happened or not.
82
267575
1922
אם היה או לא היה פיק-אנד-רול.
04:29
It's that they want to know how it happened.
83
269521
2076
אלא הם רוצים להבין איך המהלך התרחש.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
ולמה זה כל כך חשוב להם?
04:34
It turns out in modern basketball,
85
274631
1771
מתברר שבכדורסל מודרני,
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
הפיק-אנד-רול נחשב למהלך החשוב ביותר במשחק.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
והידע איך לנהל אותו, והידע איך להתגונן מפניו,
04:41
is basically a key to winning and losing most games.
88
281709
2670
הם למעשה המפתח לניצחון או להפסד ברוב המשחקים.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
מתברר שלריקוד הזה יש הרבה מאוד וריאציות,
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
והזיהוי שלהן הוא שורש העניין,
04:51
and that's why we need this to be really, really good.
91
291900
2529
ולכן אנחנו צריכים למצוא דרך לבצע את הזיהוי בצורה מיטבית.
04:55
So, here's an example.
92
295228
1176
הנה דוגמה.
יש שני תוקפים ושני מגינים
04:56
There are two offensive and two defensive players,
93
296428
2379
שמתכוננים לבצע את ריקוד הפיק-אנד-רול.
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
השחקן עם הכדור יכול לבחור בין Take לבין Reject.
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
השותף שלו יכול לבחור בין Roll לבין Pop.
השחקן ששומר על השחקן עם הכדור יכול לבחור בין Over ל-Under.
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
השותף שלו יכול לבחור בין Show ל-Up to Touch או ל-Soft.
05:14
and together they can either switch or blitz
99
314710
2618
וביחד הם יכולים לבחור בין Switch ל-Blitz.
05:17
and I didn't know most of these things when I started
100
317352
2659
בתחילת הדרך לא הכרתי את רוב המונחים האלה.
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
אם השחקנים היו תמיד נעים לפי החצים, החיים שלנו היו הרבה יותר קלים.
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
אבל מתברר שתנועה היא עסק מאוד מבולגן.
התנועה של השחקנים מפותלת מאוד,
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
וקשה מאוד לזהות את הווריאציות השונות ברמת נכונות גבוהה,
05:33
with very high accuracy,
104
333555
1303
05:34
both in precision and recall, is tough
105
334882
1868
ולשמור על רמות גבוהות של דיוק ואחזור.
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
כדי שמאמנים מקצועיים יאמינו במערכת שלנו היא חייבת לעמוד בדרישות האלה.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
ולמרות הקשיים המרובים במציאת מאפייני המרחב-זמן המתאימים
05:43
we have been able to do that.
108
343820
1474
הצלחנו לעשות את זה.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
מאמנים בוטחים ביכולת של המכונה שלנו לזהות את הווריאציות האלה.
05:49
We're at the point where almost every single contender
110
349478
3533
כמעט כל הקבוצות שמתמודדות השנה על אליפות האן-בי-איי
05:53
for an NBA championship this year
111
353035
1623
05:54
is using our software, which is built on a machine that understands
112
354682
4408
משתמשות בתוכנה שלנו,
שמבוססת על מכונה שמבינה את הנקודות הנעות במשחק הכדורסל.
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
מעבר לזה, הייעוץ שלנו שינה אסטרטגיות של קבוצות
06:07
that have helped teams win very important games,
115
367049
3352
ועזר להן לנצח במשחקי מפתח.
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
זה מאוד מרגש אותנו.
מאמנים עם ותק של 30 שנות אימון מוכנים לקבל עצות ממכונה.
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
וזה מאוד מרגש. לא מדובר רק בפיק-אנד-רול.
06:20
Our computer started out with simple things
119
380804
2076
המחשב שלנו התחיל בדברים פשוטים,
06:22
and learned more and more complex things
120
382904
2064
ולמד דברים יותר ויותר מורכבים.
06:24
and now it knows so many things.
121
384992
1561
והיום הוא יודע הרבה מאוד דברים.
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
למען האמת, אני כבר לא מבין הרבה מהדברים שהוא עושה.
06:29
and while it's not that special to be smarter than me,
123
389436
3715
אמנם לא קשה להיות יותר חכם ממני,
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
אבל תהינו אם מכונה יכולה לדעת יותר ממאמנים?
06:36
Can it know more than person could know?
125
396843
2055
האם המכונה יכולה לדעת יותר מאדם?
06:38
And it turns out the answer is yes.
126
398922
1745
והתשובה היא כן.
06:40
The coaches want players to take good shots.
127
400691
2557
המאמנים רוצים שהשחקנים יזרקו זריקות טובות.
06:43
So if I'm standing near the basket
128
403272
1651
אם אני עומד ליד הסל ואין אף אחד אחר לידי,
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
אם אני רחוק מהסל ומוקף בשחקני הגנה, זאת בדרך כלל זריקה גרועה.
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
אבל לא ידענו מבחינת כמותית כמה "טוב" הוא טוב או כמה "רע" הוא רע.
06:56
Until now.
132
416209
1150
עד עכשיו.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
כעת, בעזרת מאפיינים של מרחב-זמן
07:00
we looked at every shot.
134
420853
1374
אנחנו יכולים לבחון כל זריקה.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
אנחנו יכולים לראות: מאיפה מתבצעת הזריקה? מה הזווית לסל?
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
איפה עומדים המגינים? מה המרחקים מהם?
מה הזוויות שלהם?
07:08
What are their angles?
137
428066
1331
אם יש כמה מגינים,
07:09
For multiple defenders, we can look at how the player's moving
138
429421
2977
אנחנו יכולים לבדוק איך השחקן נע ולחזות את סוג הזריקה שלו.
07:12
and predict the shot type.
139
432422
1433
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
אנחנו יכולים לבחון את המהירויות שלהם,
ואנחנו יכולים לבנות מודל שחוזה מראש
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
מה הסיכוי שהזריקה הזאת תיכנס לסל בנסיבות האלה.
07:22
So why is this important?
142
442188
1500
מה החשיבות של זה?
07:24
We can take something that was shooting,
143
444102
2803
אנחנו יכולים לקחת זריקה,
07:26
which was one thing before, and turn it into two things:
144
446929
2680
ולחלק אותה לשני חלקים:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
איכות הזריקה ואיכות הזורק.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
זה תרשים בועות, כי ב-TED אי אפשר בלי תרשים בועות...
07:36
(Laughter)
147
456966
1014
(צחוק)
07:38
Those are NBA players.
148
458004
1311
אלה שחקני אן-בי-איי.
07:39
The size is the size of the player and the color is the position.
149
459339
3120
גודל הבועה הוא גובה השחקן והצבע שלה הוא המיקום שלו.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
ציר ה-x מציג את סיכויי הזריקה.
07:44
People on the left take difficult shots,
151
464639
1953
השחקנים שמשמאל זורקים זריקות קשות,
07:46
on the right, they take easy shots.
152
466616
2229
ושחקנים בצד ימין זורקים זריקות קלות.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
ציר ה-y מציג את כישורי הזריקה שלהם.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
השחקנים הטובים נמצאים למעלה, והגרועים למטה.
07:53
So for example, if there was a player
155
473861
1760
נניח לדוגמה ששחקן מגיע ל-47 אחוזי הצלחה בזריקות.
07:55
who generally made 47 percent of their shots,
156
475621
2097
07:57
that's all you knew before.
157
477718
1389
בעבר זה כל מה שידענו עליו.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
אבל היום אני יכול לספר לכם שהשחקן זורק זריקות
08:04
would make 49 percent of the time,
159
484219
1961
ששחקן ממוצע באן-בי-איי מצליח ב-49 אחוזים מהן.
08:06
and they are two percent worse.
160
486204
1684
כלומר, הוא גרוע מהשחקן הממוצע בשני אחוזים.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
והנתון הזה חשוב, כי יש הרבה שחקני 47.
08:13
And so it's really important to know
162
493714
2549
וחשוב מאוד לדעת
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
אם שחקן ה-47 ששוקלים לשלם לו מאה מיליון דולר
08:20
is a good shooter who takes bad shots
164
500267
3055
הוא קלע טוב שזורק זריקות גרועות
08:23
or a bad shooter who takes good shots.
165
503346
2397
או קלע גרוע שזורק זריקות טובות.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
ההבנה של המכונה לא משנה רק את ההסתכלות שלנו על שחקנים,
08:30
it changes how we look at the game.
167
510487
1858
היא משנה גם את ההסתכלות שלנו על המשחק.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
לפני כמה שנים התנהל המשחק המרגש הבא בסדרת הגמר של האן-בי-איי.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
מיאמי פיגרה בשלוש נקודות, ונותרו 20 שניות לסיום.
08:39
They were about to lose the championship.
170
519379
2025
הם עמדו לאבד את האליפות.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
בחור בשם לברון ג'יימס זרק שלשה כדי להשוות את התוצאה.
08:44
He missed.
172
524793
1198
הוא החטיא.
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
חברו לקבוצה כריס בוש תפס את הכדור החוזר,
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
ומסר אותו לחברם לקבוצה ריי אלן.
08:50
He sank a three. It went into overtime.
175
530059
1919
הוא קלע שלשה והמשחק הגיע להארכה.
08:52
They won the game. They won the championship.
176
532002
2096
הם ניצחו במשחק. הם זכו באליפות.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
זה היה אחד המשחקים המרגשים ביותר בכדורסל.
08:57
And our ability to know the shot probability for every player
178
537438
3429
היכולת שלנו לדעת את אחוזי הקליעה של כל שחקן בכל שנייה
09:00
at every second,
179
540891
1188
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
ואת הסיכוי של כל שחקן לתפוס כדור חוזר בכל שנייה
09:05
can illuminate this moment in a way that we never could before.
181
545083
3443
יכולה לשפוך אור על כל רגע בדרך שלא היתה קיימת בעבר.
09:09
Now unfortunately, I can't show you that video.
182
549618
2668
לרוע המזל אני לא יכול להציג לכם את הסרטון.
09:12
But for you, we recreated that moment
183
552310
4493
אבל שחזרנו עבורכם את הרגע ההוא
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
במשחק הכדורסל השבועי שלנו לפני שלושה שבועות.
09:19
(Laughter)
185
559279
2167
(צחוק)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
ושחזרנו גם את כל המהלכים שהובילו לתובנות שלנו.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
הנה אנחנו בצ'יינטאון שבלוס אנג'לס
09:29
a park we play at every week,
188
569478
1564
בפארק שבו אנחנו משחקים כל שבוע.
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
וכאן אנחנו משחזרים את הרגע של ריי אלן
09:33
and all the tracking that's associated with it.
190
573321
2229
ואת כל המהלכים שהובילו אליו.
09:36
So, here's the shot.
191
576772
1517
זאת הזריקה.
09:38
I'm going to show you that moment
192
578313
2516
עכשיו נראה את הרגע ההוא
09:40
and all the insights of that moment.
193
580853
2587
ואת כל התובנות שלנו על הרגע ההוא.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
ההבדל היחיד הוא שאנחנו ממלאים את מקום השחקנים המקצועיים,
09:47
and instead of a professional announcer, it's me.
195
587218
2618
ואני ממלא את מקומו של הכרוז המקצועי.
09:49
So, bear with me.
196
589860
1477
אז תהיו סבלניים כלפיי.
09:53
Miami.
197
593153
1150
מיאמי.
09:54
Down three.
198
594671
1150
פיגור של שלוש נקודות.
09:56
Twenty seconds left.
199
596107
1150
עשרים שניות לסיום.
09:59
Jeff brings up the ball.
200
599385
1198
ג'ף מקדם את הכדור.
10:02
Josh catches, puts up a three!
201
602656
1535
ג'וש תופס את הכדור וזורק שלשה!
10:04
[Calculating shot probability]
202
604631
1849
[הסיכוי לקליעה - 33%]
10:07
[Shot quality]
203
607278
1150
[איכות הזריקה - ג'וש - 33%]
10:09
[Rebound probability]
204
609048
1785
[הסיכוי לריבאונד - נואל - 12%]
10:12
Won't go!
205
612373
1173
לא נכנס!
10:13
[Rebound probability]
206
613570
1446
[הסיכוי לריבאונד - נואל - 32%]
10:15
Rebound, Noel.
207
615777
1256
ריבאונד, נואל.
10:17
Back to Daria.
208
617057
1150
בחזרה לדריה.
10:18
[Shot quality]
209
618509
3365
[איכות הזריקה - דריה - 37%]
10:22
Her three-pointer -- bang!
210
622676
1620
שלוש נקודות - בנג!
10:24
Tie game with five seconds left.
211
624320
2197
נותרו חמש שניות לסיום.
10:26
The crowd goes wild.
212
626880
1618
הקהל משתולל.
10:28
(Laughter)
213
628522
1659
(צחוק)
10:30
That's roughly how it happened.
214
630205
1547
ככה בערך זה קרה.
10:31
(Applause)
215
631776
1151
(מחיאות כפיים)
10:32
Roughly.
216
632951
1175
בערך.
10:34
(Applause)
217
634150
1531
(מחיאות כפיים)
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
לרגע הזה היה סיכוי של כתשעה אחוזים להתרחש באן-בי-איי.
10:41
and we know that and a great many other things.
219
641629
2261
ואנחנו יודעים את זה והרבה דברים נוספים.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
לא אגלה לכם כמה ניסיונות עשינו עד שהצלחנו.
10:47
(Laughter)
221
647429
1747
(צחוק)
10:49
Okay, I will! It was four.
222
649200
1872
טוב, בכל זאת אגלה לכם. ניסינו ארבע פעמים.
10:51
(Laughter)
223
651096
1001
(צחוק)
10:52
Way to go, Daria.
224
652121
1165
כל הכבוד, דריה.
10:53
But the important thing about that video
225
653647
4263
אבל הסרטון הזה והתובנות שלנו לגבי כל שנייה של כל משחק אן-בי-איי
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
חשובים מסיבה אחרת.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
והסיבה היא שלא צריך להיות קבוצה מקצוענית כדי לעקוב אחרי תנועה.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
לא צריך להיות שחקן מקצועי כדי לקבל תובנות על תנועה.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
למעשה, הנושא אינו מוגבל רק לספורט, כי אנחנו נעים בכל מקום.
11:15
We're moving in our homes,
230
675654
2369
אנחנו נעים בבתים שלנו,
11:21
in our offices,
231
681428
1205
במשרדים שלנו,
11:24
as we shop and we travel
232
684238
2690
כשאנחנו יוצאים לקניות, כשאנחנו מטיילים
11:29
throughout our cities
233
689318
1253
בתוך הערים
11:32
and around our world.
234
692065
1618
ומסביב לעולם.
11:35
What will we know? What will we learn?
235
695270
2295
מה נדע? מה נלמד?
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
אולי, במקום לזהות פיק-אנד-רול,
11:39
a machine can identify the moment and let me know
237
699918
3010
המכונה תוכל לזהות את הרגע
11:42
when my daughter takes her first steps.
238
702952
2059
ולהודיע לי מתי הבת שלי צועדת את צעדיה הראשונים.
11:45
Which could literally be happening any second now.
239
705035
2536
דבר שצפוי להתרחש בכל רגע.
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
אולי נוכל ללמוד לנצל בצורה טובה יותר את הבניינים שלנו
ולתכנן טוב יותר את הערים שלנו.
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
אני מאמין שכשמדע הנקודות הנעות יתפתח,
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
ננוע טוב יותר, ננוע בצורה חכמה יותר, ננוע קדימה.
12:00
Thank you very much.
243
720607
1189
תודה רבה.
12:01
(Applause)
244
721820
5045
(מחיאות כפיים)
על אתר זה

אתר זה יציג בפניכם סרטוני YouTube המועילים ללימוד אנגלית. תוכלו לראות שיעורי אנגלית המועברים על ידי מורים מהשורה הראשונה מרחבי העולם. לחץ פעמיים על הכתוביות באנגלית המוצגות בכל דף וידאו כדי להפעיל את הסרטון משם. הכתוביות גוללות בסנכרון עם הפעלת הווידאו. אם יש לך הערות או בקשות, אנא צור איתנו קשר באמצעות טופס יצירת קשר זה.

https://forms.gle/WvT1wiN1qDtmnspy7