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

번역: Jeonghyeon Yeon 검토: Gemma Lee

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

동료와 저는 움직이는 점의 과학에 푹 빠져있습니다.

So what are these dots?

이 점들은 무엇일까요?

Well, it's all of us.

글세요. 우리 모두죠.

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

우리는 집에서나 회사에서도 움직입니다.

시내를 돌며 쇼핑하거나 전 세계를 여행할 때처럼 말이죠.

throughout our cities and around the world.

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

이 모든 움직임을 이해할 수 있다면 굉장하지 않을까요?

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

움직임 속에 담긴 패턴과 의미를 찾아 이해할 수 있다면

And luckily for us, we live in a time

다행히 자신에 대한 정보를 수집하는데 굉장히 능숙한 시대에 살고 있습니다.

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

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

센서나 비디오나 어플을 통한다면

we can track our movement with incredibly fine detail.

엄청나게 아주 미세하고 자세히 움직임을 담아낼 수 있습니다.

움직임을 가장 잘 수집할 수 있는 곳 중 하나가

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

is sports.

스포츠죠.

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

농구, 야구, 미식축구, 축구 경기라면

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

경기장에서 선수들의 움직임을 포착할 수 있습니다.

every fraction of a second.

매초 모든 움직임을 말이죠.

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

동료와 제가 하는 일은 선수들을

you probably guessed it --

여러분이 아마 짐작하고 있는

moving dots.

움직이는 점으로 변환하는 것입니다.

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

움직이는 점을 엄청 많이 가지고 있는데 대부분의 원데이터 처럼

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

처리하기도 어렵고 흥미롭지도 않은 것이죠.

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

하지만 예를 들면 농구 코치들이 알고 싶어하는 것들이 있죠.

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

매 경기를 모두 지켜보고 기억했다가 처리해야 하기 때문에 알 수 없죠.

of every game, remember it and process it.

And a person can't do that,

사람이 그것을 할 수 없죠.

but a machine can.

하지만 기계는 할 수 있습니다.

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

문제는 기계가 코치의 눈으로 경기를 지켜볼 수 없다는 거죠.

At least they couldn't until now.

적어도 지금까지는요.

So what have we taught the machine to see?

기계가 볼 수 있게 하려면 무엇을 가르쳐야 할까요?

So, we started simply.

간단한 것부터 시작했어요.

We taught it things like passes, shots and rebounds.

패스, 슛, 리바운드 같은 것들을 가르쳤죠.

Things that most casual fans would know.

보통 팬이라면 그 정도는 알 수 있는 거죠.

And then we moved on to things slightly more complicated.

그런 다음 조금 더 어려운 것을 가르쳤죠.

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

포스트업, 픽앤롤, 아이솔레이션 같은 기술이죠.

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

이런 기술을 몰라도 괜찮습니다. 대부분 보통 팬들도 아마 그럴 거예요.

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

현재는 기계가 복잡한 기술을 이해하는 수준까지 와 있습니다.

like down screens and wide pins.

다운 스크린과 와이드 핀 같은 기술 말이죠.

Basically things only professionals know.

기본적으로 이런 것들은 전문가만 아는 것입니다.

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

우리는 기계가 코치의 눈으로 볼 수 있도록 가르쳐 왔습니다.

So how have we been able to do this?

우리가 어떻게 이것을 할 수 있었을까요?

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

제가 코치에게 픽앤롤 같은 것을 설명해 달라고 하면

they would give me a description,

제게 설명하죠.

그러면 전 그것을 알고리즘으로 인코딩하려면 죽을 맛이죠.

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

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

픽앤롤은 농구에서 4명 선수 사이에서 이런 식으로 움직이며 일어납니다.

two on offense and two on defense.

두명은 공격하고 두 명은 방어하면서 말이죠.

And here's kind of how it goes.

예를 들면 이런 거예요.

So there's the guy on offense without the ball

공 없이 공격하는 선수가 있습니다.

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

공을 가지고 있는 선수를 수비하는 선수 옆을 지나가다가

and he kind of stays there

잠시 거기에 있다가

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

그 선수 둘이 움직였다가 채워넣으면서 짜잔, 이게 픽앤롤이죠.

(Laughter)

(웃음)

So that is also an example of a terrible algorithm.

그것 역시 복잡한 알고리즘의 예입니다.

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

막아 주는 선수를 스크리너라고 부르는데

goes close by, but he doesn't stop,

가까이 다가가지만 막아주지 않는다면

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

아마 픽앤롤은 아닌 것 같네요.

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

그가 막지만, 가까이에서 충분히 막지 않는다면

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

아마 픽앤롤이 아닐 거예요.

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

또는 가까이 다가가서 막는데

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

골대 아래서에서 그렇게 한다면 아마 픽앤롤이 아닐 거예요.

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

제가 틀렸다면 지금까지 말한 모두가 픽앤롤이겠죠.

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

정확한 타이밍, 거리, 위치에 따라 진짜 달라집니다.

and that's what makes it hard.

그러니 그게 힘든 거지요.

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

다행이 기계가 학습을 하면서 우리가 알고 있는 것을 설명하는데

to describe the things we know.

우리의 능력을 넘어설 수 있습니다.

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

이게 어떻게 가능할까요? 예를 들어보죠.

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

우리가 기계에게 가서 "좋은 아침이네. 기계 씨.

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

여기 몇 가지 픽앤롤과 이전에 없던 몇 가지가 있네.

Please find a way to tell the difference."

방법을 찾아 차이점을 말해줬으면 해."

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

이 모든 것의 핵심은 특징을 찾아 그것을 분리해내는 거죠.

So if I was going to teach it the difference

만약 제가 사과와 오렌지의 차이점을 가르치려고 하면

between an apple and orange,

"색과 모양을 사용하는 게 어때?"라고 말하겠죠.

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

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

우리가 풀려는 문제는 그것들이 뭔가라는 거죠.

What are the key features

어떤 핵심기능으로

that let a computer navigate the world of moving dots?

컴퓨터가 움직이는 점의 세계를 처리할 수 있을까요?

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

상대적이고 절대적인 위치, 거리, 타이밍, 속도로

distance, timing, velocities --

이 모든 것을 설명한다는 것이

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

그게 "움직이는 점의 과학"에서 진짜 핵심이죠.

학계에서 쓰는 말로는 시공간적 패턴 인식이라고 하죠.

spatiotemporal pattern recognition, in academic vernacular.

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

여러분이 발음하기 힘들기 때문에

because it is.

세게 발음해야 합니다.

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

핵심은 NBA코치들이 알고 싶어하는 것이

whether a pick-and-roll happened or not.

픽앤롤이 일어났는지 안 일어났는지가 아니라

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

어떻게 일어나느냐하는 거죠.

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

왜 그게 코치에게 그렇게 중요할까요? 바로 직관때문이죠.

It turns out in modern basketball,

현대 농구에서 밝혀진 바로는

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

이런 픽앤롤 기술이 아마 가장 중요한 플레이입니다.

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

어떻게 달리고 방어하는지 아는 것이

is basically a key to winning and losing most games.

기본적으로 대부분의 경기의 승패를 가르는 열쇠입니다.

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

이 기술이 매우 많은 변형이 있다는 것을 알아냈죠.

and identifying the variations is really the thing that matters,

변형을 알아내는 것이 진짜 중요한 일이죠.

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

아주 아주 잘 해내려면 이것이 필요한 이유죠.

So, here's an example.

예를 들면,

There are two offensive and two defensive players,

두 공격 선수와 두 수비 선수가 있죠.

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

픽앤롤 기술을 하려고 준비합니다.

공을 가진 선수가 그 기술을 받아들일 수도 거부할 수도 있죠.

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

His teammate can either roll or pop.

그의 동료는 뒤로 돌아나가거나 외곽쪽으로 빠질 수 있죠.

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

수비 선수는 위쪽 또는 아래쪽으로 뛸 수 있죠.

그의 동료는 공을 가진 선수를 따라가거나 스크리너를 막거나

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

뒤쪽으로 빠지거나

and together they can either switch or blitz

둘다 스위치나 블리치를 할 수 있죠.

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

제가 시작할 때는 이런 것들을 대부분 몰랐어요.

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

모두가 이런 화살표대로 움직인다면 좋았을 거예요.

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

그러면 아주 쉬웠을 텐데 움직임은 매우 복잡했죠.

사람들은 매우 자주 움직이고 변형도 많았죠.

People wiggle a lot and getting these variations identified

매우 정밀하게 확인해 바로는요.

with very high accuracy,

both in precision and recall, is tough

정확하게 회상하기는 힘들었어요.

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

여러분이 믿을 만한 전문 코치를 구하는 데 시간이 걸렸기 때문이죠.

And despite all the difficulties with the right spatiotemporal features

정확한 시공간 특징을 찾아낸다는 것이 어려움에도 불구하고

we have been able to do that.

그것을 해낼 수 있었습니다.

코치가 기계의 능력을 믿고 이런 변형을 확인했죠.

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

We're at the point where almost every single contender

거의 모든 경쟁자들이

for an NBA championship this year

올해 NBA 선수권을 위해

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

이 소프트웨어를 이용하려고 하고 있죠.

농구의 움직이는 점을 이해하는 기계로 만든 소프트웨어 말이에요.

the moving dots of basketball.

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

그것뿐만 아니라 전술을 바꾸는 조언을 해 줘

that have helped teams win very important games,

팀을 도와 매우 중요한 경기에서 승리하게 했죠.

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

매우 들떴던 이유는 30년동안 리그에서 있었던 코치가

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

기계에서 나온 조언을 기꺼이 수용했기 때문이죠.

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

픽앤롤을 알았을 때보다 훨씬 더 신났어요.

Our computer started out with simple things

컴퓨터는 간단한 것부터 시작해서

and learned more and more complex things

점점 더 복잡한 것을 학습했고

and now it knows so many things.

지금은 많은 것을 알고 있습니다.

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

솔직히 전 컴퓨터가 하는 일을 다 이해하지 못하지만

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

저보다 더 똑똑해진다고 그렇게 특별해지지 않겠지만

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

궁금하기는 하네요. 기계가 코치보다 더 많이 알 수 있을까요?

Can it know more than person could know?

사람보다 더 많이 알 수 있을까요?

And it turns out the answer is yes.

밝혀진 바로는 "네."입니다.

The coaches want players to take good shots.

코치는 선수들이 슛을 잘 쏘기 바랍니다.

So if I'm standing near the basket

제가 골대 근처에 서 있고

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

근처에 아무도 없다면 슛하기 좋죠.

수비수에 둘러싸여 골대 멀리 서있다면 대개 슛하기 좋지 않죠.

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

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

하지만 결코 알지 못하죠.

좋은 게 얼마나 좋은지 나쁜 게 얼마나 나쁜지를요.

Until now.

현재까지는요.

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

할 수 있는 것은 다시 시공간적인 특징을 이용해서

we looked at every shot.

슛을 모든 방향에서 보았습니다.

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

슛을 어디서 했고 골대까지 각도가 어떤지 알 수 있었죠.

Where are the defenders standing? What are their distances?

수비수가 어디 서있는지? 그 거리는 얼마인지?

그들과의 각도는 얼마인지?

What are their angles?

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

다수의 수비수가 어떻게 움직이는지 볼 수 있었죠.

and predict the shot type.

슛 타입도 예상할 수 있었고요.

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

공의 속도를 보고 예측 모델을 만들 수 있었죠.

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

이 슛이 이런 상황에서 나올 가능성이 얼마나 될까?

So why is this important?

이게 왜 중요할까요?

We can take something that was shooting,

슛을 해석할 때

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

전에는 하나로 보았던 것을 지금 둘로 나누어 해석하죠.

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

슛의 유효율과 슈터의 자질입니다.

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

버블차트가 있습니다. 이거 없이는 테드 강연을 할 수 없죠.

(Laughter)

(웃음)

Those are NBA players.

NBA 선수들입니다.

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

크기는 선수들의 체격이고 색은 선수들의 포지션입니다.

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

X축에는 슛성공률입니다.

People on the left take difficult shots,

왼쪽에 있는 선수는 슛을 성공하기 힘들죠.

on the right, they take easy shots.

오른쪽에는 있는 선수는 슛을 성공하기 쉽죠.

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

Y축은 슛을 쏠 수 있는 능력입니다.

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

위에는 능력이 좋은 선수, 아래는 능력이 나쁜 선수입니다.

So for example, if there was a player

예를 들면, 대체로 슛의 47%를 넣는 선수가 있는데

who generally made 47 percent of their shots,

that's all you knew before.

그게 여러분이 아는 전부죠.

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

하지만 오늘 말씀드릴 수 있는 것은 NBA 평균 선수들이

would make 49 percent of the time,

그 당시 슛성공률은 49%이고

and they are two percent worse.

슛 쏘는 능력은 -2%라는 것이죠.

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

중요한 사실은 47%인 선수가 많다는 거죠.

And so it's really important to know

알아야 할 정말 중요한 것은

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

1억 달러를 주기로 한 47%의 선수가

is a good shooter who takes bad shots

좋은 슈터지만 슛을 잘 못 던지는지

or a bad shooter who takes good shots.

나쁜 슈터지만 슛을 잘 던지는지 아는 거죠.

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

기계가 이해하고 있는 것이 선수를 보는 방법을 변화시키지 못하지만

it changes how we look at the game.

경기를 바라보는 방법을 변화시킵니다.

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

가장 흥미진진했던 몇 년 전 NBA 결승 경기에서

마이애미는 3점을 뒤지고 20초가 남았었습니다.

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

They were about to lose the championship.

우승을 놓치기 일보 직전이었죠.

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

르브론 제임스 선수가 3점슛을 쏴 동점을 만들려고 했으나

He missed.

실패했죠.

동료선수 크리스 보쉬가 리바운드를 잡았고

His teammate Chris Bosh got a rebound,

passed it to another teammate named Ray Allen.

공을 동료선수 레이 알렌에게 패스했습니다.

3점을 성공했고 연장전으로 들어갔죠.

He sank a three. It went into overtime.

경기에 이겼고 챔피언십에서 우승했죠.

They won the game. They won the championship.

가장 흥미진진했던 농구경기 중 하나였습니다.

It was one of the most exciting games in basketball.

And our ability to know the shot probability for every player

매 순간 모든 선수의 슛성공률과

at every second,

매 순간 리바운드를 따낼 가능성을 파악하는 능력을

and the likelihood of them getting a rebound at every second

전에는 불가능했던 방법으로 설명할 수 있게 되었죠.

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

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

현재, 안타깝게도 여러분에게 그 비디오를 보여줄 수 없네요.

But for you, we recreated that moment

하지만, 여러분을 위해 그 순간을 재현했습니다.

at our weekly basketball game about 3 weeks ago.

3주 전 주말 농구경기에서 말이죠.

(Laughter)

(웃음)

And we recreated the tracking that led to the insights.

직관을 보여주는 경기를 재현했죠.

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

이곳입니다. 로스앤젤레스 차이나타운이죠.

a park we play at every week,

매주 경기를 했던 공원입니다.

and that's us recreating the Ray Allen moment

레이 알렌이 플레이했던 순간과

and all the tracking that's associated with it.

그것과 관련된 모든 것을 재현했습니다.

So, here's the shot.

슛장면입니다.

I'm going to show you that moment

그 순간을 여러분에게 보여주려고 합니다.

and all the insights of that moment.

그 순간의 직관까지요.

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

차이점이라곤 전문 선수들이 아니라 제 동료라는 거죠.

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

전문적인 아나운서가 아니라 제가 하고 있다는 거죠.

So, bear with me.

잠시 참아주세요.

Miami.

마이애미

Down three.

3점이 지고 있는 상황

Twenty seconds left.

20초가 남았네요.

Jeff brings up the ball.

제프가 공을 몰고 오네요.

Josh catches, puts up a three!

조쉬가 받아 3점 슛!

[Calculating shot probability]

[슛 성공률 계산 중]

[Shot quality]

[슛의 유효율]

[Rebound probability]

[리바운드 성공률]

Won't go!

잡지 못했네요.

[Rebound probability]

[리바운드 성공률]

Rebound, Noel.

노엘이 리바운드했습니다.

Back to Daria.

다리아에게 패스

[Shot quality]

[슛의 유효율]

Her three-pointer -- bang!

3점 슛, 골!

Tie game with five seconds left.

5초를 남긴 상황

The crowd goes wild.

관중이 흥분하기 시작합니다.

(Laughter)

(웃음)

That's roughly how it happened.

대충 이런 식으로 일어나죠.

(Applause)

(박수)

Roughly.

대충이요.

(Applause)

(박수)

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

그런 순간은 NBA에서 일어날 확률이 약 9%라고 하죠.

and we know that and a great many other things.

아시다시피 다른 것들도 매우 많죠.

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

얼마나 많이 일어나는지 말하려고 하는 게 아닙니다.

(Laughter)

(웃음)

Okay, I will! It was four.

좋아요. 말해줄게요. 네 번 정도죠.

(Laughter)

(웃음)

Way to go, Daria.

잘했어. 다리아

But the important thing about that video

하지만 그 비디오에서 중요한 것과

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

모든 NBA경기의 매 초마다 파악하려고 한 직관은 그게 아니죠.

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

사실 움직임을 추적하기 위해 전문적인 팀일 필요는 없습니다.

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

움직임에 대한 안목을 키우려고 전문적인 선수일 필요는 없죠.

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

사실 굳이 스포츠일 필요는 없죠. 우리는 모든 순간 움직이니까요.

We're moving in our homes,

집에 가거나

in our offices,

회사에 가거나

as we shop and we travel

쇼핑을 하고

여행하죠.

throughout our cities

도시 여기 저기를

and around our world.

그리고 전 세계를

What will we know? What will we learn?

우리는 무엇을 알고 배웠을까요?

Perhaps, instead of identifying pick-and-rolls,

아마 픽앤롤을 감지하는 대신

a machine can identify the moment and let me know

딸의 첫발을 내딛는 순간을 감지해 알려줄 수 있습니다.

when my daughter takes her first steps.

Which could literally be happening any second now.

말 그대로 현재 일어나고 있는 모든 순간을 말이죠.

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

아마 건물을 더 잘 이용하고

도시 설계를 더 잘 할 수 있을 겁니다.

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

움직이는 점의 과학 발전을 통해

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

우리는 더 좋은 쪽으로 더 영리하게, 앞으로 나아갈 거라 믿습니다

Thank you very much.

대단히 감사합니다.

(Applause)

(박수)