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

1,107,248 views ・ 2015-07-06

TED


Proszę kliknąć dwukrotnie na poniższe angielskie napisy, aby odtworzyć film.

Tłumaczenie: Michal Czapelka Korekta: Rysia Wand
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
Ja i moi koledzy fascynujemy się nauką o punktach w ruchu.
00:16
So what are these dots?
1
16927
1150
Czym są te punkty?
00:18
Well, it's all of us.
2
18101
1287
Każdym z nas.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
Przemieszczamy się w domach, biurach, podczas zakupów i podróży,
00:24
throughout our cities and around the world.
4
24521
2066
w miastach i dookoła świata.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
Czy nie byłoby świetnie zrozumieć ten ruch?
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
Poznać jego schematy i głębszy sens?
00:34
And luckily for us, we live in a time
7
34259
1785
Na szczęście żyjemy w czasach,
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
w których łatwo można rejestrować informacje o sobie.
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
Dzięki sensorom, filmom czy aplikacjom
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
można śledzić ruch z bardzo dużą dokładnością.
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
Okazuje się, że dziedziną, w której mamy najwięcej danych o ruchu,
00:53
is sports.
12
53148
1208
jest sport.
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
Czy to koszykówka, baseball, piłka nożna czy inny sport,
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
montujemy na stadionach i graczach urządzenia do rejestracji ruchu
01:04
every fraction of a second.
15
64465
1313
w każdym ułamku sekundy.
01:05
So what we're doing is turning our athletes into --
16
65802
4382
Zamieniamy więc sportowców w...
01:10
you probably guessed it --
17
70208
1959
...już pewnie wiecie...
01:12
moving dots.
18
72191
1396
...ruchome punkty.
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
Mnóstwo ruchomych punktów, jak większość surowych danych,
01:18
it's hard to deal with and not that interesting.
20
78904
2502
jest mało interesujące i trudno je zrozumieć.
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
Niektóre przydałyby się na przykład trenerowi koszykówki,
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
ale musiałby wtedy obejrzeć każdą sekundę każdej gry,
01:29
of every game, remember it and process it.
23
89057
2589
zapamiętać ją i opracować.
01:31
And a person can't do that,
24
91804
1930
Człowiek tego nie potrafi,
01:33
but a machine can.
25
93758
1310
ale maszyna może.
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
Niestety maszyna nie może oglądać gry okiem trenera.
01:39
At least they couldn't until now.
27
99363
2261
Przynajmniej tak było dotychczas.
01:42
So what have we taught the machine to see?
28
102228
2103
Jak nauczyliśmy maszynę widzieć?
01:45
So, we started simply.
29
105569
1787
Zaczęliśmy banalnie.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
Nauczyliśmy ją podań, rzutów i zbiórek.
01:51
Things that most casual fans would know.
31
111203
2541
Rzeczy, które zna większość fanów.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
Następnie przeszliśmy do rzeczy bardziej skomplikowanych.
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
Podań pod kosz, zasłon i odcięć.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
Jeśli ich nie znasz, nie szkodzi. Większość graczy je kojarzy.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
Dzisiejsza maszyna rozumie złożone zagrania,
02:10
like down screens and wide pins.
36
130924
3073
na przykład szerokie zasłony przy liniach końcowych.
02:14
Basically things only professionals know.
37
134021
2726
Rzeczy znane tylko profesjonalistom.
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
Nauczyliśmy maszynę patrzeć oczami trenera.
02:22
So how have we been able to do this?
39
142009
1857
Jak to zrobiliśmy?
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
Poproszony o wyjaśnienie zasłony
02:27
they would give me a description,
41
147653
1640
trener podałby mi opis,
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
z którego powstałby raczej mizerny algorytm.
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
Zasłona w koszykówce to taniec między czterema graczami,
02:37
two on offense and two on defense.
44
157328
1912
dwoma w ataku i dwoma w obronie.
02:39
And here's kind of how it goes.
45
159486
1618
Tak to mniej więcej wygląda.
02:41
So there's the guy on offense without the ball
46
161128
2533
Mamy atakującego bez piłki,
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
który podbiega do gracza kryjącego gracza z piłką
02:46
and he kind of stays there
48
166918
1257
i tam się zatrzymuje,
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
obaj się ruszają, coś się dzieje i - ta-dam! - mamy zasłonę.
02:51
(Laughter)
50
171540
2215
(Śmiech)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
To jest właśnie przykład mizernego algorytmu.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
Jeśli blokujący gracz nazywany zasłaniającym
03:01
goes close by, but he doesn't stop,
53
181278
2872
zbliża się do obrońcy, ale się nie zatrzymuje,
03:04
it's probably not a pick-and-roll.
54
184174
1765
to pewnie nie jest zasłona.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
Lub jeśli się zatrzymuje, ale nie dość blisko,
03:10
it's probably not a pick-and-roll.
56
190529
1761
to też może nie być zasłona.
03:12
Or, if he does go close by and he does stop
57
192642
3237
Lub jeśli zatrzymuje się blisko,
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
ale robi to pod koszem, to raczej też nie zasłona.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
Albo się mylę i to wszystko są zasłony.
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
To zależy od danego momentu w grze, odległości, pozycji graczy
03:26
and that's what makes it hard.
61
206602
1495
i dlatego jest to takie trudne.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
Na szczęście uczenie maszynowe pozwala
03:33
to describe the things we know.
63
213547
1743
lepiej opisywać znane nam rzeczy.
03:35
So how does this work? Well, it's by example.
64
215314
2280
Jak to działa? Dam wam przykład.
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
Znajdujemy maszynę i mówimy: "Dzień dobry maszyno.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
To są zasłony, a to nie.
03:44
Please find a way to tell the difference."
67
224720
2252
Naucz się je rozróżniać".
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
Najważniejsze są tu właściwości umożliwiające rozróżnienie.
03:50
So if I was going to teach it the difference
69
230807
2109
Jeśli miałbym nauczyć maszynę
03:52
between an apple and orange,
70
232940
1381
różnicy między jabłkiem, a pomarańczą
03:54
I might say, "Why don't you use color or shape?"
71
234345
2375
powiedziałbym: "Skup się na kolorze i kształcie".
03:56
And the problem that we're solving is, what are those things?
72
236744
2943
Naszym zadaniem jest odnalezienie takich właściwości.
03:59
What are the key features
73
239711
1247
Które z nich
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
ułatwią maszynie zrozumienie świata poruszających się punktów?
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
Poznanie zależności między względnymi i bezwzględnymi pozycjami,
04:09
distance, timing, velocities --
76
249352
1909
odległościami, czasem i prędkością
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
jest kluczowe w nauce o punktach w ruchu, nazywanej przez nas w języku akademickim
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
rozpoznawaniem schematów czasoprzestrzennych.
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
Nazwa musi być skomplikowana, bo sama dziedzina
04:22
because it is.
80
262847
1278
jest właśnie taka.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
Trenerzy NBA nie chcą wiedzieć, czy dane zagranie
04:27
whether a pick-and-roll happened or not.
82
267575
1922
to była zasłona czy nie.
04:29
It's that they want to know how it happened.
83
269521
2076
Chcą wiedzieć, jak do zagrania doszło.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
Dlaczego to dla nich takie ważne? Podpowiem wam.
04:34
It turns out in modern basketball,
85
274631
1771
W dzisiejszej w koszykówce
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
zasłona to jedno z najważniejszych zagrań.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
Wiedza, jak je wykonać i jak się przed nim bronić,
04:41
is basically a key to winning and losing most games.
88
281709
2670
decyduje w zasadzie o wygranej.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
Okazuje się, że ten taniec ma wiele odmian
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
i rozróżnianie tych odmian jest bardzo istotne,
04:51
and that's why we need this to be really, really good.
91
291900
2529
dlatego musimy być bardzo dokładni.
04:55
So, here's an example.
92
295228
1176
Oto przykład.
04:56
There are two offensive and two defensive players,
93
296428
2379
Dwóch zawodników w ataku i dwóch w obronie
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
przygotowuje się do tańca pick-and-roll.
05:01
So the guy with ball can either take, or he can reject.
95
301007
2683
Gracz z piłką może skorzystać z zasłony lub nie.
05:04
His teammate can either roll or pop.
96
304086
3001
Jego kolega może wbiec pod kosz lub rzucić z dystansu.
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
Kryjący piłkę może ruszyć przed lub za zasłonę.
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
Jego kolega może zachować dystans, pozostać w kontakcie lub wycofać się,
05:14
and together they can either switch or blitz
99
314710
2618
a razem mogą podwoić albo zamienić się w obronie.
05:17
and I didn't know most of these things when I started
100
317352
2659
Nie wiedziałem tego wszystkiego z początku,
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
a byłoby świetnie, gdyby wszyscy ruszali się zgodnie ze strzałkami.
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
Byłoby nam łatwiej, ale ruch to chaos.
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
Ludzie wciąż się kręcą i rozróżnienie tych wszystkich odmian
z zachowaniem wysokiej dokładności
05:33
with very high accuracy,
104
333555
1303
05:34
both in precision and recall, is tough
105
334882
1868
i możliwości odtworzenia
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
jest trudne, ale konieczne, by przekonać trenerów.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
Pomimo tak wielu czasoprzestrzennych zależności
05:43
we have been able to do that.
108
343820
1474
udało się nam.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
Trenerzy wierzą, że nasze maszyny rozróżniają wszystkie odmiany zagrań.
05:49
We're at the point where almost every single contender
110
349478
3533
Dzisiaj prawie każda drużyna
licząca się w walce o mistrzostwo NBA
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
używa naszych rozwiązań, opartych na maszynie
rozumiejącej punkty w ruchu w koszykówce.
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
Dzięki naszym radom drużyny zmieniają strategie gry
06:07
that have helped teams win very important games,
115
367049
3352
i wygrywają ważne spotkania.
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
Co ciekawe, nawet trenerzy, którzy są w lidze od 30 lat,
06:14
for 30 years that are willing to take advice from a machine.
117
374181
3067
są skłonni słuchać rad maszyny.
06:17
And it's very exciting, it's much more than the pick-and-roll.
118
377874
2906
To naprawdę pasjonujące i nie chodzi tylko o pick-and-roll.
06:20
Our computer started out with simple things
119
380804
2076
Nasz komputer zaczynał od rzeczy prostych
06:22
and learned more and more complex things
120
382904
2064
i przez coraz bardziej skomplikowane
06:24
and now it knows so many things.
121
384992
1561
nauczył się bardzo wiele.
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
Ja sam nie bardzo to rozumiem.
06:29
and while it's not that special to be smarter than me,
123
389436
3715
To żadna sztuka być mądrzejszym ode mnie,
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
ale czy maszyna może być mądrzejsza od trenera?
06:36
Can it know more than person could know?
125
396843
2055
Wiedzieć więcej niż człowiek?
06:38
And it turns out the answer is yes.
126
398922
1745
Okazało się, że tak.
06:40
The coaches want players to take good shots.
127
400691
2557
Trenerzy chcą, by gracze dobrze rzucali.
06:43
So if I'm standing near the basket
128
403272
1651
Jeśli stoję pod koszem
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
i nikt mnie nie kryje, można rzucać.
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
Ale rzucanie z dystansu spośród obrońców to już nie najlepszy pomysł.
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
Wcześniej nie umieliśmy wyliczyć, jak dobra, czy jak zła jest decyzja.
06:56
Until now.
132
416209
1150
Aż dotąd.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
Używając zależności czasoprzestrzennych
07:00
we looked at every shot.
134
420853
1374
badamy każdy rzut.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
Sprawdzamy, jaki to rzut, pod jakim kątem do kosza.
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
Gdzie są obrońcy. Jak są daleko.
07:08
What are their angles?
137
428066
1331
Pod jakim kątem stoją.
07:09
For multiple defenders, we can look at how the player's moving
138
429421
2977
Przy wielu obrońcach umiemy przyjrzeć się ruchom gracza
07:12
and predict the shot type.
139
432422
1433
i przewidzieć rodzaj rzutu.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
Tworzymy model na podstawie ich prędkości,
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
żeby w danej sytuacji przewidzieć celność rzutu.
07:22
So why is this important?
142
442188
1500
Czemu to takie ważne?
07:24
We can take something that was shooting,
143
444102
2803
Rzucanie było uważane za jedną czynność,
07:26
which was one thing before, and turn it into two things:
144
446929
2680
ale dziś można je rozbić na dwie:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
właściwości rzutu i umiejętności rzucającego.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
Oto wykres bąbelkowy, bo co to za TED bez wykresu bąbelkowego?
07:36
(Laughter)
147
456966
1014
(Śmiech)
07:38
Those are NBA players.
148
458004
1311
To są gracze NBA.
07:39
The size is the size of the player and the color is the position.
149
459339
3120
Rozmiar to wzrost zawodnika, kolor to pozycja.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
Oś X to prawdopodobieństwo rzutu.
07:44
People on the left take difficult shots,
151
464639
1953
Gracze z lewej oddają trudne rzuty,
07:46
on the right, they take easy shots.
152
466616
2229
ci prawej - łatwe.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
Oś Y przedstawia celność graczy.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
Najlepsi są na górze, najgorsi na dole.
07:53
So for example, if there was a player
155
473861
1760
Dla przykładu, jeśli dawniej gracz
07:55
who generally made 47 percent of their shots,
156
475621
2097
miał 47% skuteczności rzutów,
07:57
that's all you knew before.
157
477718
1389
to tu się nasza wiedza kończyła.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
Teraz mogę stwierdzić, że oddaje on rzuty, które dla przeciętnego gracza NBA
08:04
would make 49 percent of the time,
159
484219
1961
są celne w 49% przypadków
08:06
and they are two percent worse.
160
486204
1684
i że jest on słabszy o 2%.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
To ważne, bo jest wielu graczy ze skutecznością 47%.
08:13
And so it's really important to know
162
493714
2549
Warto wiedzieć czy gracz,
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
któremu chcemy zapłacić 100 milinów dolarów,
08:20
is a good shooter who takes bad shots
164
500267
3055
to dobry rzucający oddający trudne rzuty,
08:23
or a bad shooter who takes good shots.
165
503346
2397
czy słaby rzucający oddający rzuty łatwe.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
Logika maszynowa zmienia nie tylko nasze postrzeganie graczy,
08:30
it changes how we look at the game.
167
510487
1858
ale też samej gry.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
Dwa lata temu w finałach NBA mieliśmy bardzo ekscytujący mecz.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
Miami przegrywało 3 punktami, zostało 20 sekund.
08:39
They were about to lose the championship.
170
519379
2025
Byli o włos od przegrania mistrzostwa.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
Gracz zwany LeBron James dostał pikę i rzucił za trzy.
08:44
He missed.
172
524793
1198
Spudłował.
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
Jego kolega Chris Bosh zebrał
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
i podał do innego kolegi, Raya Allena.
08:50
He sank a three. It went into overtime.
175
530059
1919
On trafił i potrzebna była dogrywka.
08:52
They won the game. They won the championship.
176
532002
2096
Miami wygrało mecz a później mistrzostwo.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
Był to jeden z najbardziej pasjonujących meczów.
08:57
And our ability to know the shot probability for every player
178
537438
3429
A fakt, że znamy prawdopodobieństwo każdego rzutu, każdego gracza
09:00
at every second,
179
540891
1188
w każdej sekundzie
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
i prawdopodobieństwo zbiórki w każdej sekundzie meczu,
09:05
can illuminate this moment in a way that we never could before.
181
545083
3443
pozwala nam przeanalizować ten moment w zupełnie nowy sposób.
09:09
Now unfortunately, I can't show you that video.
182
549618
2668
Niestety nie mogę pokazać wam tamtego meczu.
09:12
But for you, we recreated that moment
183
552310
4493
Ale odtworzyliśmy dla was tamtą chwilę
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
podczas jednego z naszych meczów 3 tygodnie temu.
09:19
(Laughter)
185
559279
2167
(Śmiech)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
Odtworzyliśmy też metodę obserwacji.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
Oto my w Chinatown w Los Angeles,
09:29
a park we play at every week,
188
569478
1564
na naszym boisku.
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
Tutaj odtwarzamy rzut Raya Allena
09:33
and all the tracking that's associated with it.
190
573321
2229
i związane z nim obserwacje.
09:36
So, here's the shot.
191
576772
1517
Oto rzut.
09:38
I'm going to show you that moment
192
578313
2516
Pokażę wam tę chwilę
09:40
and all the insights of that moment.
193
580853
2587
i to, jak ją analizowaliśmy.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
Różni się tylko tym, że zamiast zawodowców gramy my,
09:47
and instead of a professional announcer, it's me.
195
587218
2618
a ja zastępuję profesjonalnego komentatora.
09:49
So, bear with me.
196
589860
1477
Zaczynamy.
09:53
Miami.
197
593153
1150
Miami.
09:54
Down three.
198
594671
1150
Trzy punkty straty.
09:56
Twenty seconds left.
199
596107
1150
Zostało 20 sekund.
09:59
Jeff brings up the ball.
200
599385
1198
Jeff wyrzuca piłkę.
10:02
Josh catches, puts up a three!
201
602656
1535
Josh łapie i rzuca za trzy!
10:04
[Calculating shot probability]
202
604631
1849
[Prawdopodobieństwo trafienia]
10:07
[Shot quality]
203
607278
1150
[Jakość rzutu]
10:09
[Rebound probability]
204
609048
1785
[Prawdopodobieństwo zbiórki]
10:12
Won't go!
205
612373
1173
Nie wejdzie!
10:13
[Rebound probability]
206
613570
1446
[Prawdopodobieństwo zbiórki]
10:15
Rebound, Noel.
207
615777
1256
Zbiera Noel.
10:17
Back to Daria.
208
617057
1150
Podaje Darii.
10:18
[Shot quality]
209
618509
3365
[Jakość rzutu]
10:22
Her three-pointer -- bang!
210
622676
1620
Trójka - tak jest!
10:24
Tie game with five seconds left.
211
624320
2197
Remis na pięć sekund przed końcem,
10:26
The crowd goes wild.
212
626880
1618
Tłumy szaleją.
10:28
(Laughter)
213
628522
1659
(Śmiech)
10:30
That's roughly how it happened.
214
630205
1547
Mniej więcej tak to było.
10:31
(Applause)
215
631776
1151
(Brawa)
10:32
Roughly.
216
632951
1175
Mniej więcej.
10:34
(Applause)
217
634150
1531
(Brawa)
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
Prawdopodobieństwo tego zdarzenia w NBA wynosiło około 9%.
10:41
and we know that and a great many other things.
219
641629
2261
Wiemy to i mnóstwo innych rzeczy.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
Nie wspomnę, ile razy próbowaliśmy odtworzyć tę scenę.
10:47
(Laughter)
221
647429
1747
(Śmiech)
10:49
Okay, I will! It was four.
222
649200
1872
Dobra, powiem wam. Cztery.
10:51
(Laughter)
223
651096
1001
(Śmiech)
10:52
Way to go, Daria.
224
652121
1165
Dobra robota, Daria.
10:53
But the important thing about that video
225
653647
4263
Ale w tym materiale
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
i analizie każdej sekundy gry najważniejsze jest to,
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
że nie trzeba grać zawodowo, by śledzić swoje ruchy.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
Nie tylko zawodowi sportowcy mogą analizować to, jak się poruszają.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
To w ogóle nie musi dotyczyć sportu, bo poruszamy się wszędzie.
11:15
We're moving in our homes,
230
675654
2369
W domu
11:21
in our offices,
231
681428
1205
i biurze.
11:24
as we shop and we travel
232
684238
2690
Robiąc zakupy i podróżując.
11:29
throughout our cities
233
689318
1253
Przemierzamy miasta
11:32
and around our world.
234
692065
1618
i cały świat.
11:35
What will we know? What will we learn?
235
695270
2295
Czego można się dowiedzieć i nauczyć?
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
Może zamiast rozpoznawać zagrania,
11:39
a machine can identify the moment and let me know
237
699918
3010
maszyna będzie da mi znać,
11:42
when my daughter takes her first steps.
238
702952
2059
kiedy moja córka postawi pierwsze kroki.
11:45
Which could literally be happening any second now.
239
705035
2536
A może się to stać w każdej chwili.
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
Możemy dzięki temu poprawiać użyteczność budynków i miast.
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
Wierzę, że rozwijając naukę o poruszających się punktach,
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
będziemy poruszali się lepiej i mądrzej kroczyli naprzód.
Dziękuję bardzo.
12:00
Thank you very much.
243
720607
1189
12:01
(Applause)
244
721820
5045
(Brawa)
O tej stronie

Na tej stronie poznasz filmy z YouTube, które są przydatne do nauki języka angielskiego. Zobaczysz lekcje angielskiego prowadzone przez najlepszych nauczycieli z całego świata. Kliknij dwukrotnie na angielskie napisy wyświetlane na stronie każdego filmu, aby odtworzyć film od tego miejsca. Napisy przewijają się synchronicznie z odtwarzaniem filmu. Jeśli masz jakieś uwagi lub prośby, skontaktuj się z nami za pomocą formularza kontaktowego.

https://forms.gle/WvT1wiN1qDtmnspy7