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

1,106,478 views ・ 2015-07-06

TED


Dubbelklik op de Engelse ondertitels hieronder om de video af te spelen.

Vertaald door: Peter van de Ven Nagekeken door: Els De Keyser
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
Mijn collega's en ik zijn gefascineerd door de wetenschap van bewegende puntjes.
00:16
So what are these dots?
1
16927
1150
Welke puntjes?
00:18
Well, it's all of us.
2
18101
1287
Puntjes zoals jij en ik.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
We bewegen door ons huis, in ons kantoor, winkelend en reizend,
00:24
throughout our cities and around the world.
4
24521
2066
door onze steden en over de wereld.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
Zou het niet mooi zijn als we al deze bewegingen konden begrijpen?
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
Als we er patronen, betekenis en inzicht in konden vinden?
00:34
And luckily for us, we live in a time
7
34259
1785
Gelukkig zijn we tegenwoordig erg goed
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
in het registreren van informatie over onszelf.
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
Of we het nou doen met sensors, video's of applicaties,
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
we kunnen onze bewegingen tot in extreem detail volgen.
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
Het blijkt dat een van de beste plaatsen om deze data te verzamelen
00:53
is sports.
12
53148
1208
sport is.
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
Dus of het nou basketbal, honkbal, voetbal of American football is,
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
we rusten onze stadions en spelers uit met instrumenten
om elke milliseconde van hun bewegingen te registreren.
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
Wat we dus eigenlijk doen is onze atleten veranderen in --
01:10
you probably guessed it --
17
70208
1959
je raadt het al --
01:12
moving dots.
18
72191
1396
bewegende puntjes.
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
Zo komen we tot massa's bewegende puntjes,
maar net zoals met de meeste ruwe data kun je er dan nog weinig mee.
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
Er zijn echter dingen die bijvoorbeeld basketbaltrainers willen weten.
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
Dingen die ze niet kúnnen weten,
omdat ze daarvoor elke seconde van elke wedstrijd zouden moeten zien,
01:29
of every game, remember it and process it.
23
89057
2589
onthouden en verwerken.
01:31
And a person can't do that,
24
91804
1930
Dat kan een mens niet.
01:33
but a machine can.
25
93758
1310
Maar een machine wel.
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
Het probleem is dat een machine niet kijkt met het oog van een coach.
01:39
At least they couldn't until now.
27
99363
2261
Althans, dat konden ze niet. Nu wel.
01:42
So what have we taught the machine to see?
28
102228
2103
Wat hebben we de machine leren zien?
01:45
So, we started simply.
29
105569
1787
We zijn simpel begonnen.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
We leerden haar wat passes, schoten en rebounds zijn.
01:51
Things that most casual fans would know.
31
111203
2541
Dingen die de gemiddelde fan ook weet.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
Daarna gingen we wat lastiger dingen doen.
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
Dingen als post-ups, pick-and-rolls en isolaties.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
Het geeft niet als dat je niets zegt. De meeste spelers weten het wel.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
We zijn inmiddels op een punt dat de machine complexe zaken begrijpt,
02:10
like down screens and wide pins.
36
130924
3073
zoals down-screens en wide-pins.
02:14
Basically things only professionals know.
37
134021
2726
Dingen die eigenlijk alleen professionals weten.
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
We hebben de machine dus geleerd met het oog van een coach te kijken.
02:22
So how have we been able to do this?
39
142009
1857
Hoe hebben we dit voor elkaar gekregen?
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
Als ik een coach zou vragen wat een pick-and-roll is,
02:27
they would give me a description,
41
147653
1640
zou hij het beschrijven,
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
maar daar kan ik niet zomaar een algoritme van maken.
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
Een pick-and-roll is een basketbaldans voor twee aanvallers en twee verdedigers.
02:37
two on offense and two on defense.
44
157328
1912
02:39
And here's kind of how it goes.
45
159486
1618
Dat gaat ongeveer zo.
02:41
So there's the guy on offense without the ball
46
161128
2533
De aanvaller zonder bal
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
gaat naast de verdediger staan die de aanvaller met de bal verdedigt
02:46
and he kind of stays there
48
166918
1257
en hij blijft daar staan,
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
ze bewegen allebei, er gebeurt iets, ta-da, dat is een pick-and-roll.
02:51
(Laughter)
50
171540
2215
(Gelach)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
Dat is een voorbeeld van een slecht algoritme.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
Als die aanvaller zonder bal -- die noemen we de screener --
03:01
goes close by, but he doesn't stop,
53
181278
2872
in de buurt komt maar niet stopt,
03:04
it's probably not a pick-and-roll.
54
184174
1765
is het niet echt een pick-and-roll.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
Of als hij wel stopt, maar hij staat er te ver vanaf,
03:10
it's probably not a pick-and-roll.
56
190529
1761
dan is het ook geen pick-and-roll.
03:12
Or, if he does go close by and he does stop
57
192642
3237
Stopt hij wel en staat hij er dicht genoeg bij,
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
maar het gebeurt onder de basket, is het ook geen pick-and-roll.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
Of ik heb het mis en het zijn wel pick-and-rolls.
Dat hangt af van de exacte timing, de afstanden en de locaties,
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
03:26
and that's what makes it hard.
61
206602
1495
en dat maakt het zo lastig.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
Gelukkig kunnen we de machine het beter leren beschrijven
03:33
to describe the things we know.
63
213547
1743
dan we dat zelf kunnen.
03:35
So how does this work? Well, it's by example.
64
215314
2280
Hoe dat werkt? Aan de hand van voorbeelden.
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
We zeggen tegen de machine: "Goedemorgen, machine.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
Dit zijn wel pick-and-rolls en dit zijn er geen.
03:44
Please find a way to tell the difference."
67
224720
2252
Zoek voor me uit waar het verschil in zit."
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
De sleutel is om de kenmerken te vinden die het verschil maken.
03:50
So if I was going to teach it the difference
69
230807
2109
Moet ik het verschil uitleggen tussen een appel en een sinaasappel,
03:52
between an apple and orange,
70
232940
1381
dan zeg ik bijvoorbeeld: "Kijk eens naar kleur of vorm."
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
Wij moeten uitvinden welke dingen dat zijn.
03:59
What are the key features
73
239711
1247
Met welke kenmerken
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
krijgt een computer vat op de wereld van bewegende puntjes?
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
Het ontdekken van al deze relaties met relatieve en absolute locaties,
04:09
distance, timing, velocities --
76
249352
1909
afstand, timing, snelheden,
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
dat is de essentie van de wetenschap der bewegende puntjes, oftewel:
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
tijdruimtelijke patroonherkenning, in academische bewoordingen.
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
Je moet het altijd moeilijk laten klinken,
04:22
because it is.
80
262847
1278
want dat is het ook.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
Het gaat er de NBA-coaches niet om of er een pick-and-roll was of niet;
04:27
whether a pick-and-roll happened or not.
82
267575
1922
04:29
It's that they want to know how it happened.
83
269521
2076
ze willen weten hóe dat gebeurde.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
Waarom dat zo belangrijk is? Dat zal ik je vertellen.
04:34
It turns out in modern basketball,
85
274631
1771
Het blijkt dat in modern basketbal
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
de pick-and-roll wellicht het belangrijkste spelletje is.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
Weten hoe het uit te voeren en hoe het te verdedigen,
04:41
is basically a key to winning and losing most games.
88
281709
2670
is een sleutel tot het winnen of verliezen van wedstrijden.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
Het blijkt dat deze dans vele variaties kent
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
en het identificeren van die variaties is cruciaal.
04:51
and that's why we need this to be really, really good.
91
291900
2529
Daarom moeten we dit dus echt goed in kaart hebben.
04:55
So, here's an example.
92
295228
1176
Hier is een voorbeeld.
04:56
There are two offensive and two defensive players,
93
296428
2379
Er zijn twee aanvallers en twee verdedigers,
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
klaar om de pick-and-roll-dans te doen.
Degene met de bal kan aannemen of weigeren.
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
Zijn teamgenoot kan afrollen of 'poppen'.
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
Degene die op de bal verdedigt kan erover of eronder gaan.
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
Zijn medespeler kan dreigen, uitstappen of terugvallen
05:14
and together they can either switch or blitz
99
314710
2618
en samen kunnen ze switchen, of allebei de bal aanvallen.
05:17
and I didn't know most of these things when I started
100
317352
2659
Ik wist deze dingen ook niet toen ik begon
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
en het zou mooi zijn als iedereen beweegt zoals deze pijlen.
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
Dat zou wel makkelijk zijn, maar de praktijk is veel rommeliger.
Bewegingen zijn vaak onduidelijk
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
en het accuraat identificeren van deze variaties
05:33
with very high accuracy,
104
333555
1303
05:34
both in precision and recall, is tough
105
334882
1868
in precisie en herinnering is lastig,
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
maar alleen zo win je het vertrouwen van een professionele coach.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
Ondanks alle moeilijkheden met die tijdruimtelijke eigenschappen
05:43
we have been able to do that.
108
343820
1474
zijn we daarin geslaagd.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
Coaches vertrouwen erop dat onze machine deze variaties kan identificeren.
05:49
We're at the point where almost every single contender
110
349478
3533
We zijn nu zover dat bijna elke topploeg die NBA-kampioen zou kunnen worden,
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
gebruik maakt van onze software,
die is gebouwd op een machine die de bewegende puntjes begrijpt.
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
Buiten dat hebben we ook advies gegeven dat strategieën heeft veranderd,
06:07
that have helped teams win very important games,
115
367049
3352
waardoor teams belangrijke wedstrijden hebben kunnen winnen.
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
Het is heel opwindend om te zien
dat coaches met 30 jaar ervaring advies aannemen van een machine.
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
Het is erg boeiend en veel meer dan pick-and-roll.
06:20
Our computer started out with simple things
119
380804
2076
Onze computer begon met simpele dingen
06:22
and learned more and more complex things
120
382904
2064
die gaandeweg complexer werden
06:24
and now it knows so many things.
121
384992
1561
en inmiddels weet hij ontzettend veel.
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
Eerlijk gezegd begrijp ik weinig van wat hij doet.
06:29
and while it's not that special to be smarter than me,
123
389436
3715
Nu is er is niet zóveel voor nodig om slimmer te zijn dan ik,
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
maar zou een computer meer kunnen weten dan een coach?
06:36
Can it know more than person could know?
125
396843
2055
Kan hij meer weten dan een persoon?
06:38
And it turns out the answer is yes.
126
398922
1745
Het antwoord daarop blijkt 'ja'.
06:40
The coaches want players to take good shots.
127
400691
2557
Coaches willen dat spelers schieten in kansrijke posities.
06:43
So if I'm standing near the basket
128
403272
1651
Sta ik in mijn eentje dicht bij de basket, dan is dat een goed schot.
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
Sta ik veraf met verdedigers om me heen, dan is dat meestal een slecht schot.
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
We wisten alleen nooit hoe goed 'goed' was en hoe slecht 'slecht' was, kwantitatief.
06:56
Until now.
132
416209
1150
Tot nu.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
We zijn gaan kijken naar de tijdruimtelijke eigenschappen
07:00
we looked at every shot.
134
420853
1374
van elk schot.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
Waar wordt geschoten? Wat is de hoek naar de basket?
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
Waar zijn de verdedigers? Hoever staan ze ervan af?
Onder welke hoek?
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
Bij meerdere verdedigers kijken we naar hoe de speler beweegt
07:12
and predict the shot type.
139
432422
1433
en voorspellen het type schot.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
We kijken naar alle snelheden en bouwen dan een model dat voorspelt:
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
wat is de kans dat dit schot erin gaat onder deze omstandigheden?
07:22
So why is this important?
142
442188
1500
Waarom is dit belangrijk?
07:24
We can take something that was shooting,
143
444102
2803
We breken zoiets als 'schieten',
07:26
which was one thing before, and turn it into two things:
144
446929
2680
van één ding, in twee dingen:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
de kwaliteit van het schot en die van de schutter.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
Hier is een bellendiagram, want wat is TED zonder een bellendiagram?
07:36
(Laughter)
147
456966
1014
(Gelach)
07:38
Those are NBA players.
148
458004
1311
Dat zijn NBA-spelers.
07:39
The size is the size of the player and the color is the position.
149
459339
3120
De maat is de lengte van de speler en de kleur is hun positie.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
Op de x-as hebben we de schotkans.
07:44
People on the left take difficult shots,
151
464639
1953
De mensen links nemen moeilijke schoten en die rechts makkelijke schoten.
07:46
on the right, they take easy shots.
152
466616
2229
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
Op de y-as staat hun schietvaardigheid.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
De beste staan bovenaan, de slechtste onderaan.
07:53
So for example, if there was a player
155
473861
1760
Als er bijvoorbeeld een speler was
07:55
who generally made 47 percent of their shots,
156
475621
2097
die 47% van zijn schoten scoorde,
07:57
that's all you knew before.
157
477718
1389
was dat vroeger alles dat je wist.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
Nu kan ik aantonen dat die speler schoten neemt
die door de gemiddelde NBA-speler 49% van de tijd raak geschoten worden,
08:04
would make 49 percent of the time,
159
484219
1961
08:06
and they are two percent worse.
160
486204
1684
en dat hij dus twee procent slechter is.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
Dat is zo belangrijk omdat er massa's spelers 47 scoren.
08:13
And so it's really important to know
162
493714
2549
Het is dus van groot belang om te weten
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
of die 47 die 100 miljoen dollar kost
08:20
is a good shooter who takes bad shots
164
500267
3055
een goede schutter is die slechte schoten neemt,
08:23
or a bad shooter who takes good shots.
165
503346
2397
of een slechte schutter die goede schoten neemt.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
Dat digitale inzicht verandert niet alleen hoe we naar spelers kijken,
08:30
it changes how we look at the game.
167
510487
1858
maar ook hoe we naar het spel kijken.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
Een paar jaar geleden was er een spannende wedstrijd in de NBA-finale.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
Miami stond drie punten achter met nog 20 seconden te gaan.
08:39
They were about to lose the championship.
170
519379
2025
Ze gingen het kampioenschap verliezen.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
LeBron James probeerde gelijk te maken met een driepunter.
08:44
He missed.
172
524793
1198
Hij miste.
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
Zijn teamgenoot Bosh pakte de rebound
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
en passte de bal naar Ray Allen.
08:50
He sank a three. It went into overtime.
175
530059
1919
Die scoorde en het werd een verlenging.
08:52
They won the game. They won the championship.
176
532002
2096
Ze wonnen de wedstrijd. Ze werden kampioen.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
Het was één van de spannendste basketbalwedstrijden.
08:57
And our ability to know the shot probability for every player
178
537438
3429
Dat we van elke speler op elk moment de scoringskans weten
09:00
at every second,
179
540891
1188
en de kans dat ze een rebound pakken,
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
kan dit moment belichten zoals nooit tevoren.
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
Helaas kan ik de video niet laten zien.
09:12
But for you, we recreated that moment
183
552310
4493
Maar --
voor jullie hebben we dat moment nagebootst
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
tijdens onze wekelijkse basketbalwedstrijd.
09:19
(Laughter)
185
559279
2167
(Gelach)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
We hebben de situatie nagespeeld die tot de inzichten leidde.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
Dit zijn we. In Chinatown, Los Angeles.
09:29
a park we play at every week,
188
569478
1564
Hier spelen we elke week
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
en hier doen we het Ray Allen-moment na
09:33
and all the tracking that's associated with it.
190
573321
2229
met alle benodigde informatie erbij.
09:36
So, here's the shot.
191
576772
1517
Dit is het schot.
09:38
I'm going to show you that moment
192
578313
2516
Ik zal het moment laten zien
09:40
and all the insights of that moment.
193
580853
2587
met alle inzichten erbij.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
Het enige verschil is dat we geen professionals zijn
09:47
and instead of a professional announcer, it's me.
195
587218
2618
en ik ben geen professionele commentator.
09:49
So, bear with me.
196
589860
1477
Hier moeten we het mee doen.
09:53
Miami.
197
593153
1150
Miami.
09:54
Down three.
198
594671
1150
Drie punten achter.
09:56
Twenty seconds left.
199
596107
1150
Twintig seconden nog.
09:59
Jeff brings up the ball.
200
599385
1198
Jeff dribbelt de bal op.
10:02
Josh catches, puts up a three!
201
602656
1535
Josh vangt en schiet!
10:04
[Calculating shot probability]
202
604631
1849
[Berekening schietkans]
10:07
[Shot quality]
203
607278
1150
[Schotkwaliteit]
10:09
[Rebound probability]
204
609048
1785
[Reboundkans]
10:12
Won't go!
205
612373
1173
Hij mist!
10:13
[Rebound probability]
206
613570
1446
[Reboundkans]
10:15
Rebound, Noel.
207
615777
1256
Rebound, Noel.
10:17
Back to Daria.
208
617057
1150
Terug naar Daria.
10:18
[Shot quality]
209
618509
3365
[Schotkwaliteit]
10:22
Her three-pointer -- bang!
210
622676
1620
Haar driepunter -- raak!
10:24
Tie game with five seconds left.
211
624320
2197
Gelijke stand met vijf seconden te gaan.
10:26
The crowd goes wild.
212
626880
1618
Het publiek wordt gek!
10:28
(Laughter)
213
628522
1659
(Gelach)
10:30
That's roughly how it happened.
214
630205
1547
Zo ging het ongeveer.
10:31
(Applause)
215
631776
1151
(Applaus)
10:32
Roughly.
216
632951
1175
Grofweg.
10:34
(Applause)
217
634150
1531
(Applaus)
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
De kans dat dit moment in de NBA zou gebeuren was negen procent.
10:41
and we know that and a great many other things.
219
641629
2261
Dat weten we en nog veel meer.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
Ik ga niet vertellen hoe vaak wij hierover gedaan hebben.
10:47
(Laughter)
221
647429
1747
(Gelach)
10:49
Okay, I will! It was four.
222
649200
1872
Nou goed dan: vier keer!
10:51
(Laughter)
223
651096
1001
(Gelach)
10:52
Way to go, Daria.
224
652121
1165
Goed gedaan, Daria.
10:53
But the important thing about that video
225
653647
4263
Maar het belangrijke bij deze video,
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
of bij de inzichten die we hebben in elke NBA-wedstrijd -- is niet dat.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
Het is het feit dat je geen profteam hoeft te zijn om bewegingen te volgen.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
Je hoeft geen profspeler te zijn om inzicht te krijgen in bewegingen.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
Het hoeft niet eens over sport te gaan, want we bewegen tenslotte overal.
11:15
We're moving in our homes,
230
675654
2369
In onze huizen,
11:21
in our offices,
231
681428
1205
onze kantoren,
11:24
as we shop and we travel
232
684238
2690
tijdens het winkelen en reizen
11:29
throughout our cities
233
689318
1253
door onze steden
11:32
and around our world.
234
692065
1618
en over de hele wereld.
11:35
What will we know? What will we learn?
235
695270
2295
Wat gaan we ontdekken? Wat gaan we leren?
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
In plaats van pick-and-rolls
11:39
a machine can identify the moment and let me know
237
699918
3010
kan een machine misschien het moment herkennen en mij verwittigen
11:42
when my daughter takes her first steps.
238
702952
2059
als mijn dochter haar eerste stapjes zet --
11:45
Which could literally be happening any second now.
239
705035
2536
wat nu trouwens op elk moment zou kunnen gebeuren --
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
Misschien kunnen we onze gebouwen en steden beter indelen.
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
Ik denk dat de ontwikkeling van deze wetenschap
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
ons beter, slimmer en verder vooruit zal doen bewegen.
12:00
Thank you very much.
243
720607
1189
Dank je wel.
12:01
(Applause)
244
721820
5045
(Applaus)
Over deze website

Deze site laat u kennismaken met YouTube-video's die nuttig zijn om Engels te leren. U ziet Engelse lessen gegeven door topdocenten uit de hele wereld. Dubbelklik op de Engelse ondertitels op elke videopagina om de video af te spelen. De ondertitels scrollen synchroon met het afspelen van de video. Heeft u opmerkingen of verzoeken, neem dan contact met ons op via dit contactformulier.

https://forms.gle/WvT1wiN1qDtmnspy7