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

Vertaald door: Peter van de Ven Nagekeken door: Els De Keyser

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

Mijn collega's en ik zijn gefascineerd door de wetenschap van bewegende puntjes.

So what are these dots?

Welke puntjes?

Well, it's all of us.

Puntjes zoals jij en ik.

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

We bewegen door ons huis, in ons kantoor, winkelend en reizend,

throughout our cities and around the world.

door onze steden en over de wereld.

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

Zou het niet mooi zijn als we al deze bewegingen konden begrijpen?

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

Als we er patronen, betekenis en inzicht in konden vinden?

And luckily for us, we live in a time

Gelukkig zijn we tegenwoordig erg goed

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

in het registreren van informatie over onszelf.

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

Of we het nou doen met sensors, video's of applicaties,

we can track our movement with incredibly fine detail.

we kunnen onze bewegingen tot in extreem detail volgen.

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

Het blijkt dat een van de beste plaatsen om deze data te verzamelen

is sports.

sport is.

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

Dus of het nou basketbal, honkbal, voetbal of American football is,

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

we rusten onze stadions en spelers uit met instrumenten

om elke milliseconde van hun bewegingen te registreren.

every fraction of a second.

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

Wat we dus eigenlijk doen is onze atleten veranderen in --

you probably guessed it --

je raadt het al --

moving dots.

bewegende puntjes.

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

Zo komen we tot massa's bewegende puntjes,

maar net zoals met de meeste ruwe data kun je er dan nog weinig mee.

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

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

Er zijn echter dingen die bijvoorbeeld basketbaltrainers willen weten.

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

Dingen die ze niet kúnnen weten,

omdat ze daarvoor elke seconde van elke wedstrijd zouden moeten zien,

of every game, remember it and process it.

onthouden en verwerken.

And a person can't do that,

Dat kan een mens niet.

but a machine can.

Maar een machine wel.

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

Het probleem is dat een machine niet kijkt met het oog van een coach.

At least they couldn't until now.

Althans, dat konden ze niet. Nu wel.

So what have we taught the machine to see?

Wat hebben we de machine leren zien?

So, we started simply.

We zijn simpel begonnen.

We taught it things like passes, shots and rebounds.

We leerden haar wat passes, schoten en rebounds zijn.

Things that most casual fans would know.

Dingen die de gemiddelde fan ook weet.

And then we moved on to things slightly more complicated.

Daarna gingen we wat lastiger dingen doen.

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

Dingen als post-ups, pick-and-rolls en isolaties.

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

Het geeft niet als dat je niets zegt. De meeste spelers weten het wel.

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

We zijn inmiddels op een punt dat de machine complexe zaken begrijpt,

like down screens and wide pins.

zoals down-screens en wide-pins.

Basically things only professionals know.

Dingen die eigenlijk alleen professionals weten.

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

We hebben de machine dus geleerd met het oog van een coach te kijken.

So how have we been able to do this?

Hoe hebben we dit voor elkaar gekregen?

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

Als ik een coach zou vragen wat een pick-and-roll is,

they would give me a description,

zou hij het beschrijven,

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

maar daar kan ik niet zomaar een algoritme van maken.

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

Een pick-and-roll is een basketbaldans voor twee aanvallers en twee verdedigers.

two on offense and two on defense.

And here's kind of how it goes.

Dat gaat ongeveer zo.

So there's the guy on offense without the ball

De aanvaller zonder bal

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

gaat naast de verdediger staan die de aanvaller met de bal verdedigt

and he kind of stays there

en hij blijft daar staan,

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

ze bewegen allebei, er gebeurt iets, ta-da, dat is een pick-and-roll.

(Laughter)

(Gelach)

So that is also an example of a terrible algorithm.

Dat is een voorbeeld van een slecht algoritme.

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

Als die aanvaller zonder bal -- die noemen we de screener --

goes close by, but he doesn't stop,

in de buurt komt maar niet stopt,

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

is het niet echt een pick-and-roll.

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

Of als hij wel stopt, maar hij staat er te ver vanaf,

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

dan is het ook geen pick-and-roll.

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

Stopt hij wel en staat hij er dicht genoeg bij,

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

maar het gebeurt onder de basket, is het ook geen pick-and-roll.

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

Of ik heb het mis en het zijn wel pick-and-rolls.

Dat hangt af van de exacte timing, de afstanden en de locaties,

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

and that's what makes it hard.

en dat maakt het zo lastig.

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

Gelukkig kunnen we de machine het beter leren beschrijven

to describe the things we know.

dan we dat zelf kunnen.

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

Hoe dat werkt? Aan de hand van voorbeelden.

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

We zeggen tegen de machine: "Goedemorgen, machine.

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

Dit zijn wel pick-and-rolls en dit zijn er geen.

Please find a way to tell the difference."

Zoek voor me uit waar het verschil in zit."

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

De sleutel is om de kenmerken te vinden die het verschil maken.

So if I was going to teach it the difference

Moet ik het verschil uitleggen tussen een appel en een sinaasappel,

between an apple and orange,

dan zeg ik bijvoorbeeld: "Kijk eens naar kleur of vorm."

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

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

Wij moeten uitvinden welke dingen dat zijn.

What are the key features

Met welke kenmerken

that let a computer navigate the world of moving dots?

krijgt een computer vat op de wereld van bewegende puntjes?

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

Het ontdekken van al deze relaties met relatieve en absolute locaties,

distance, timing, velocities --

afstand, timing, snelheden,

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

dat is de essentie van de wetenschap der bewegende puntjes, oftewel:

spatiotemporal pattern recognition, in academic vernacular.

tijdruimtelijke patroonherkenning, in academische bewoordingen.

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

Je moet het altijd moeilijk laten klinken,

because it is.

want dat is het ook.

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

Het gaat er de NBA-coaches niet om of er een pick-and-roll was of niet;

whether a pick-and-roll happened or not.

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

ze willen weten hóe dat gebeurde.

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

Waarom dat zo belangrijk is? Dat zal ik je vertellen.

It turns out in modern basketball,

Het blijkt dat in modern basketbal

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

de pick-and-roll wellicht het belangrijkste spelletje is.

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

Weten hoe het uit te voeren en hoe het te verdedigen,

is basically a key to winning and losing most games.

is een sleutel tot het winnen of verliezen van wedstrijden.

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

Het blijkt dat deze dans vele variaties kent

and identifying the variations is really the thing that matters,

en het identificeren van die variaties is cruciaal.

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

Daarom moeten we dit dus echt goed in kaart hebben.

So, here's an example.

Hier is een voorbeeld.

There are two offensive and two defensive players,

Er zijn twee aanvallers en twee verdedigers,

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

klaar om de pick-and-roll-dans te doen.

Degene met de bal kan aannemen of weigeren.

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

His teammate can either roll or pop.

Zijn teamgenoot kan afrollen of 'poppen'.

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

Degene die op de bal verdedigt kan erover of eronder gaan.

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

Zijn medespeler kan dreigen, uitstappen of terugvallen

and together they can either switch or blitz

en samen kunnen ze switchen, of allebei de bal aanvallen.

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

Ik wist deze dingen ook niet toen ik begon

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

en het zou mooi zijn als iedereen beweegt zoals deze pijlen.

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

Dat zou wel makkelijk zijn, maar de praktijk is veel rommeliger.

Bewegingen zijn vaak onduidelijk

People wiggle a lot and getting these variations identified

en het accuraat identificeren van deze variaties

with very high accuracy,

both in precision and recall, is tough

in precisie en herinnering is lastig,

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

maar alleen zo win je het vertrouwen van een professionele coach.

And despite all the difficulties with the right spatiotemporal features

Ondanks alle moeilijkheden met die tijdruimtelijke eigenschappen

we have been able to do that.

zijn we daarin geslaagd.

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

Coaches vertrouwen erop dat onze machine deze variaties kan identificeren.

We're at the point where almost every single contender

We zijn nu zover dat bijna elke topploeg die NBA-kampioen zou kunnen worden,

for an NBA championship this year

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

gebruik maakt van onze software,

die is gebouwd op een machine die de bewegende puntjes begrijpt.

the moving dots of basketball.

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

Buiten dat hebben we ook advies gegeven dat strategieën heeft veranderd,

that have helped teams win very important games,

waardoor teams belangrijke wedstrijden hebben kunnen winnen.

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

Het is heel opwindend om te zien

dat coaches met 30 jaar ervaring advies aannemen van een machine.

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.

Het is erg boeiend en veel meer dan pick-and-roll.

Our computer started out with simple things

Onze computer begon met simpele dingen

and learned more and more complex things

die gaandeweg complexer werden

and now it knows so many things.

en inmiddels weet hij ontzettend veel.

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

Eerlijk gezegd begrijp ik weinig van wat hij doet.

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

Nu is er is niet zóveel voor nodig om slimmer te zijn dan ik,

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

maar zou een computer meer kunnen weten dan een coach?

Can it know more than person could know?

Kan hij meer weten dan een persoon?

And it turns out the answer is yes.

Het antwoord daarop blijkt 'ja'.

The coaches want players to take good shots.

Coaches willen dat spelers schieten in kansrijke posities.

So if I'm standing near the basket

Sta ik in mijn eentje dicht bij de basket, dan is dat een goed schot.

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

Sta ik veraf met verdedigers om me heen, dan is dat meestal een slecht schot.

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.

We wisten alleen nooit hoe goed 'goed' was en hoe slecht 'slecht' was, kwantitatief.

Until now.

Tot nu.

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

We zijn gaan kijken naar de tijdruimtelijke eigenschappen

we looked at every shot.

van elk schot.

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

Waar wordt geschoten? Wat is de hoek naar de basket?

Where are the defenders standing? What are their distances?

Waar zijn de verdedigers? Hoever staan ze ervan af?

Onder welke hoek?

What are their angles?

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

Bij meerdere verdedigers kijken we naar hoe de speler beweegt

and predict the shot type.

en voorspellen het type schot.

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

We kijken naar alle snelheden en bouwen dan een model dat voorspelt:

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

wat is de kans dat dit schot erin gaat onder deze omstandigheden?

So why is this important?

Waarom is dit belangrijk?

We can take something that was shooting,

We breken zoiets als 'schieten',

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

van één ding, in twee dingen:

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

de kwaliteit van het schot en die van de schutter.

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

Hier is een bellendiagram, want wat is TED zonder een bellendiagram?

(Laughter)

(Gelach)

Those are NBA players.

Dat zijn NBA-spelers.

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

De maat is de lengte van de speler en de kleur is hun positie.

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

Op de x-as hebben we de schotkans.

People on the left take difficult shots,

De mensen links nemen moeilijke schoten en die rechts makkelijke schoten.

on the right, they take easy shots.

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

Op de y-as staat hun schietvaardigheid.

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

De beste staan bovenaan, de slechtste onderaan.

So for example, if there was a player

Als er bijvoorbeeld een speler was

who generally made 47 percent of their shots,

die 47% van zijn schoten scoorde,

that's all you knew before.

was dat vroeger alles dat je wist.

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

Nu kan ik aantonen dat die speler schoten neemt

die door de gemiddelde NBA-speler 49% van de tijd raak geschoten worden,

would make 49 percent of the time,

and they are two percent worse.

en dat hij dus twee procent slechter is.

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

Dat is zo belangrijk omdat er massa's spelers 47 scoren.

And so it's really important to know

Het is dus van groot belang om te weten

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

of die 47 die 100 miljoen dollar kost

is a good shooter who takes bad shots

een goede schutter is die slechte schoten neemt,

or a bad shooter who takes good shots.

of een slechte schutter die goede schoten neemt.

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

Dat digitale inzicht verandert niet alleen hoe we naar spelers kijken,

it changes how we look at the game.

maar ook hoe we naar het spel kijken.

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

Een paar jaar geleden was er een spannende wedstrijd in de NBA-finale.

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

Miami stond drie punten achter met nog 20 seconden te gaan.

They were about to lose the championship.

Ze gingen het kampioenschap verliezen.

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

LeBron James probeerde gelijk te maken met een driepunter.

He missed.

Hij miste.

His teammate Chris Bosh got a rebound,

Zijn teamgenoot Bosh pakte de rebound

passed it to another teammate named Ray Allen.

en passte de bal naar Ray Allen.

He sank a three. It went into overtime.

Die scoorde en het werd een verlenging.

They won the game. They won the championship.

Ze wonnen de wedstrijd. Ze werden kampioen.

It was one of the most exciting games in basketball.

Het was één van de spannendste basketbalwedstrijden.

And our ability to know the shot probability for every player

Dat we van elke speler op elk moment de scoringskans weten

at every second,

en de kans dat ze een rebound pakken,

and the likelihood of them getting a rebound at every second

kan dit moment belichten zoals nooit tevoren.

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

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

Helaas kan ik de video niet laten zien.

But for you, we recreated that moment

Maar --

voor jullie hebben we dat moment nagebootst

at our weekly basketball game about 3 weeks ago.

tijdens onze wekelijkse basketbalwedstrijd.

(Laughter)

(Gelach)

And we recreated the tracking that led to the insights.

We hebben de situatie nagespeeld die tot de inzichten leidde.

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

Dit zijn we. In Chinatown, Los Angeles.

a park we play at every week,

Hier spelen we elke week

and that's us recreating the Ray Allen moment

en hier doen we het Ray Allen-moment na

and all the tracking that's associated with it.

met alle benodigde informatie erbij.

So, here's the shot.

Dit is het schot.

I'm going to show you that moment

Ik zal het moment laten zien

and all the insights of that moment.

met alle inzichten erbij.

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

Het enige verschil is dat we geen professionals zijn

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

en ik ben geen professionele commentator.

So, bear with me.

Hier moeten we het mee doen.

Miami.

Miami.

Down three.

Drie punten achter.

Twenty seconds left.

Twintig seconden nog.

Jeff brings up the ball.

Jeff dribbelt de bal op.

Josh catches, puts up a three!

Josh vangt en schiet!

[Calculating shot probability]

[Berekening schietkans]

[Shot quality]

[Schotkwaliteit]

[Rebound probability]

[Reboundkans]

Won't go!

Hij mist!

[Rebound probability]

[Reboundkans]

Rebound, Noel.

Rebound, Noel.

Back to Daria.

Terug naar Daria.

[Shot quality]

[Schotkwaliteit]

Her three-pointer -- bang!

Haar driepunter -- raak!

Tie game with five seconds left.

Gelijke stand met vijf seconden te gaan.

The crowd goes wild.

Het publiek wordt gek!

(Laughter)

(Gelach)

That's roughly how it happened.

Zo ging het ongeveer.

(Applause)

(Applaus)

Roughly.

Grofweg.

(Applause)

(Applaus)

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

De kans dat dit moment in de NBA zou gebeuren was negen procent.

and we know that and a great many other things.

Dat weten we en nog veel meer.

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

Ik ga niet vertellen hoe vaak wij hierover gedaan hebben.

(Laughter)

(Gelach)

Okay, I will! It was four.

Nou goed dan: vier keer!

(Laughter)

(Gelach)

Way to go, Daria.

Goed gedaan, Daria.

But the important thing about that video

Maar het belangrijke bij deze video,

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

of bij de inzichten die we hebben in elke NBA-wedstrijd -- is niet dat.

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

Het is het feit dat je geen profteam hoeft te zijn om bewegingen te volgen.

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

Je hoeft geen profspeler te zijn om inzicht te krijgen in bewegingen.

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

Het hoeft niet eens over sport te gaan, want we bewegen tenslotte overal.

We're moving in our homes,

In onze huizen,

in our offices,

onze kantoren,

as we shop and we travel

tijdens het winkelen en reizen

throughout our cities

door onze steden

and around our world.

en over de hele wereld.

What will we know? What will we learn?

Wat gaan we ontdekken? Wat gaan we leren?

Perhaps, instead of identifying pick-and-rolls,

In plaats van pick-and-rolls

a machine can identify the moment and let me know

kan een machine misschien het moment herkennen en mij verwittigen

when my daughter takes her first steps.

als mijn dochter haar eerste stapjes zet --

Which could literally be happening any second now.

wat nu trouwens op elk moment zou kunnen gebeuren --

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

Misschien kunnen we onze gebouwen en steden beter indelen.

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

Ik denk dat de ontwikkeling van deze wetenschap

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

ons beter, slimmer en verder vooruit zal doen bewegen.

Thank you very much.

Dank je wel.

(Applause)

(Applaus)