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

Tradutor: Ruy Lopes Pereira Revisor: Maricene Crus

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

Meus colegas e eu somos fascinados pela ciência dos pontos móveis.

So what are these dots?

O que são esses pontos?

Well, it's all of us.

Bem, somos todos nós.

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

E nós estamos nos movendo em nossas casas, escritórios, quando compramos e viajamos

throughout our cities and around the world.

pelas nossas cidades e por todo o mundo.

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

E não seria ótimo se pudéssemos entender todo esse movimento?

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

Se pudéssemos encontrar padrões, sentido e percepções nisso?

And luckily for us, we live in a time

Felizmente, vivemos em um tempo

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

em que somos incrivelmente bons em obter informações sobre nós mesmos.

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

Seja através de sensores, vídeos, ou aplicativos,

we can track our movement with incredibly fine detail.

podemos rastrear nossos movimentos com detalhamento incrível.

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

Acontece que uma das melhores fontes de dados sobre movimentos

is sports.

são os esportes.

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

Então, seja basquete ou beisebol, futebol americano ou o outro futebol,

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

estamos dando meios aos estádios e jogadores para rastrear seus movimentos

every fraction of a second.

a cada fração de segundo.

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

Então, o que estamos fazendo é transformar nossos atletas em...

you probably guessed it --

acho que adivinharam,

moving dots.

pontos móveis.

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

Então, temos montanhas de pontos móveis

e, como a maioria dos dados brutos,

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

é difícil de lidar e pouco interessante.

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

Mas há coisas que, por exemplo, treinadores de basquete querem saber.

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

O problema é que não conseguem saber, porque teriam que observar cada segundo

of every game, remember it and process it.

de cada jogo, lembrá-lo e processá-lo.

And a person can't do that,

E uma pessoa não consegue fazer isso,

but a machine can.

mas uma máquina consegue.

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

O problema é que uma máquina não pode ver o jogo com os olhos de um treinador.

At least they couldn't until now.

Pelo menos, não conseguia até agora.

So what have we taught the machine to see?

Então, o que ensinamos a máquina a ver?

So, we started simply.

Começamos de forma simples.

We taught it things like passes, shots and rebounds.

Nós ensinamos coisas como passes, arremessos e rebotes.

Things that most casual fans would know.

Coisas que a maioria dos fãs ocasionais conhece.

And then we moved on to things slightly more complicated.

E depois passamos para coisas um pouco mais complicadas.

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

Jogar de costas para a cesta, fazer corta-luz e isolação.

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

Se vocês não as conhecem, tudo bem. Muitos jogadores ocasionais conhecem.

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

Hoje, chegamos a um ponto

em que a máquina entende eventos complexos

like down screens and wide pins.

como bloqueios fora da bola e até com rotações complexas.

Basically things only professionals know.

Basicamente coisas que só profissionais conhecem.

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

Então, nós ensinamos a máquina a ver com os olhos de um treinador.

So how have we been able to do this?

Como conseguimos fazer isso?

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

Se eu pedisse a um treinador que descrevesse um corta-luz direto,

they would give me a description,

ele descreveria a jogada,

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

e se eu a codificasse em um algoritmo, ele seria muito complicado.

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

O corta-luz é um “balé” no basquete entre quatro jogadores,

two on offense and two on defense.

Dois no ataque e dois na defesa.

And here's kind of how it goes.

É assim que acontece:

So there's the guy on offense without the ball

um cara no ataque sem a bola

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

se posiciona ao lado do cara que marca o que tem a posse da bola,

and he kind of stays there

e ele fica por ali.

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

Ambos se movem, coisas acontecem, e...tchan! É um corta-luz.

(Laughter)

(Risos)

So that is also an example of a terrible algorithm.

Isso é um exemplo de um algoritmo complicado.

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

Se o jogador que se interpõe, chamado de bloqueador,

goes close by, but he doesn't stop,

se aproximar, mas não parar,

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

provavelmente não é um corta-luz.

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

Mas se parar e não ficar muito próximo,

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

provavelmente não é um corta-luz.

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

Ou se ele se aproximar do outro e realmente parar,

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

mas parar embaixo da cesta, provavelmente não é um corta-luz.

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

Ou posso estar enganado e tudo pode ser um corta-luz.

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

Depende realmente de uma boa sincronia, das distâncias e dos posicionamentos,

and that's what makes it hard.

e é aí que está a dificuldade.

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

Felizmente, com o aprendizado de máquina,

podemos ir além da nossa própria habilidade

to describe the things we know.

de descrever o que conhecemos.

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

Como isto funciona? Bem, é por meio de exemplos.

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

Dizemos para a máquina: "Bom dia, máquina.

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

Aqui estão alguns corta-luzes e coisas que não são corta-luzes.

Please find a way to tell the difference."

Por favor, encontre um jeito de distingui-los."

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

A chave de tudo é achar características que permitam separá-los.

So if I was going to teach it the difference

Tendo que ensinar à máquina a diferença entre uma laranja e uma maçã

between an apple and orange,

eu poderia dizer: "Por que não usa cor ou forma?"

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

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

Mas o problema que estamos resolvendo é: o que são essas coisas?

What are the key features

Quais traços marcantes

that let a computer navigate the world of moving dots?

possibilitam que um computador interprete o mundo dos pontos móveis?

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

Compreender todas essas relações entre posição relativa e absoluta,

distance, timing, velocities --

distância, sincronia, velocidades,

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

que são realmente a chave da ciência dos pontos móveis

ou como gostamos de chamá-la,

spatiotemporal pattern recognition, in academic vernacular.

reconhecimento de padrões espaçotemporais,

em linguagem acadêmica.

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

É importante dar um nome difícil

because it is.

porque é difícil mesmo.

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

Para treinadores da NBA, o principal não é saber

whether a pick-and-roll happened or not.

se um corta-luz aconteceu ou não,

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

mas sim como aconteceu.

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

E por que isso é tão importante para eles? Perceba o porquê.

It turns out in modern basketball,

Acontece que, no basquete moderno,

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

o corta-luz talvez seja a jogada mais importante.

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

Saber como executá-la e como se defender dela,

is basically a key to winning and losing most games.

é o que decide o resultado da maioria dos jogos.

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

Essa dança tem muitas variações,

and identifying the variations is really the thing that matters,

e identificá-las é o mais importante.

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

Por isso precisamos que esse programa seja muito bom.

Eis um exemplo:

So, here's an example.

There are two offensive and two defensive players,

dois atacantes e dois defensores

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

estão prestes a executar o balé do corta-luz.

O cara com a posse da bola, pode usar ou não o bloqueio.

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

Seu companheiro pode girar para o garrafão ou abrir para receber o passe.

His teammate can either roll or pop.

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

Quem marca o jogador que tem a bola pode avançar ou recuar.

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

Seu companheiro pode avançar, marcar ou apenas acompanhar,

and together they can either switch or blitz

e juntos podem trocar ou dobrar a marcação.

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

Eu desconhecia quase tudo isso quando comecei,

e seria ótimo se todos se movessem como aquelas flechas indicam.

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

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

Facilitaria muito as nossas vidas, mas o movimento é muito confuso.

People wiggle a lot and getting these variations identified

Há muita movimentação e com rapidez,

o que torna difícil identificar e reconstituir as variações com precisão,

with very high accuracy,

both in precision and recall, is tough

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

pois isso é o que faz um treinador profissional acreditar em você.

And despite all the difficulties with the right spatiotemporal features

Apesar das dificuldades com os aspectos espaçotemporais corretos

we have been able to do that.

conseguimos realizá-lo.

Treinadores confiam na capacidade da nossa máquina

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

de identificar as variações.

We're at the point where almost every single contender

Chegamos no ponto em que quase toda equipe

for an NBA championship this year

da NBA este ano

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

usa nosso software, instalado em uma máquina

que compreende os pontos que se movimentam, em basquetebol.

the moving dots of basketball.

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

Mais do que isto.

Nós demos conselhos que têm mudado estratégias,

that have helped teams win very important games,

as quais ajudaram equipes a vencer jogos muito importantes,

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

o que é muito estimulante,

porque existem treinadores que estão há 30 anos na liga

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

e que desejam um conselho dado por uma máquina.

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

É muito empolgante, é muito mais do que o corta-luz.

Our computer started out with simple things

Nosso computador começou com coisas simples,

and learned more and more complex things

aprendeu coisas mais complexas,

and now it knows so many things.

e agora sabe bastante coisas.

Francamente, eu não entendo muito do que ele faz,

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

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

e embora não seja tão especial ser mais inteligente que eu,

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

nos perguntamos: “Uma máquina pode saber mais do que um treinador?

Can it know more than person could know?

Mais do que uma pessoa pode saber?”

And it turns out the answer is yes.

A resposta é sim.

The coaches want players to take good shots.

Treinadores desejam que os jogadores façam bons arremessos.

So if I'm standing near the basket

Se eu estiver perto da cesta,

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

e sem marcação, é um bom arremesso.

Se eu estiver distante, cercado por defensores,

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

geralmente é um mau arremesso.

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

Mas nunca soubemos quantitativamente os significados de “bom” ou “mau”.

Until now.

Até agora.

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

Usando características espaçotemporais,

we looked at every shot.

analisamos todos os arremessos.

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

De onde foi o arremesso? Qual o ângulo em relação à cesta?

Where are the defenders standing? What are their distances?

E as posições dos defensores? E suas distâncias?

Quais são seus ângulos?

What are their angles?

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

Com vários defensores, analisamos como os jogadores se movimentam

and predict the shot type.

e prevemos o tipo de arremesso.

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

Podemos analisar suas velocidades e construir um modelo

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

que prevê a probabilidade de um arremesso ser convertido em tais circunstâncias?

So why is this important?

Por que é tão importante?

We can take something that was shooting,

Podemos transformar o que era arremessar

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

em duas outras coisas:

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

a qualidade do arremesso e a qualidade do arremessador.

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

Eis um gráfico de bolas.

O que seria do TED sem um gráfico de bolas?

(Laughter)

(Risos)

Esses são jogadores da NBA.

Those are NBA players.

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

O tamanho da bola é o tamanho do jogador, a cor é a posição.

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

No eixo x, temos a probabilidade do arremesso.

People on the left take difficult shots,

À esquerda, estão os arremessos difíceis,

on the right, they take easy shots.

à direita, os arremessos fáceis.

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

No eixo y está a habilidade de arremessar.

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

Com boa habilidade em cima, má habilidade, embaixo.

So for example, if there was a player

Por exemplo, se houver um jogador

who generally made 47 percent of their shots,

que geralmente acerta 47% dos arremessos,

that's all you knew before.

era tudo o que se sabia antes.

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

Mas hoje, posso dizer que aquele jogador executa arremessos

que um jogador da NBA, em média, acertaria 49% das vezes,

would make 49 percent of the time,

and they are two percent worse.

e que seriam 2% ruins.

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

Isto é importante porque há uma enorme diversidade de 47%.

And so it's really important to know

E assim é realmente importante saber

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

se os 47% a quem se está considerando dar US$ 100 milhões

is a good shooter who takes bad shots

é um bom arremessador que executa maus arremessos,

or a bad shooter who takes good shots.

ou um mau arremessador que faz bons arremessos.

O aprendizado da máquina não muda apenas como analisamos os jogadores,

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

it changes how we look at the game.

ele muda como analisamos o jogo.

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

Houve um jogo emocionante há alguns anos, nas finais da NBA.

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

O Miami perdia por três pontos, faltavam 20 segundos para o final,

They were about to lose the championship.

eles estavam prestes a perder o campeonato.

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

Um senhor chamado LeBron James tentou um arremesso de três.

He missed.

Ele errou.

Seu companheiro Chris Bosh pegou um rebote,

His teammate Chris Bosh got a rebound,

passed it to another teammate named Ray Allen.

passou para o companheiro Ray Allen.

Ele marcou três pontos. O jogo foi para a prorrogação.

He sank a three. It went into overtime.

They won the game. They won the championship.

O Miami ganhou o jogo e o campeonato.

It was one of the most exciting games in basketball.

Foi um dos mais emocionantes jogos de basquetebol.

And our ability to know the shot probability for every player

E nossa capacidade de saber

a probabilidade de arremessar de cada jogador, a cada segundo,

at every second,

and the likelihood of them getting a rebound at every second

e a possibilidade de pegar um rebote a cada segundo

pode iluminar esse momento como nunca foi possível.

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

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

Infelizmente, não posso mostrar esse vídeo a vocês.

But for you, we recreated that moment

Mas recriamos aquele momento para vocês

at our weekly basketball game about 3 weeks ago.

no nosso jogo semanal de basquete, há umas três semanas.

(Laughter)

(Risos)

And we recreated the tracking that led to the insights.

Refizemos a trilha que nos levou à percepção dos fatos

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

Aqui estamos. Esta é Chinatown em Los Angeles,

a park we play at every week,

um parque onde jogamos toda semana,

and that's us recreating the Ray Allen moment

e aqui estamos nós

recriando o momento de Ray Allen e todo o caminho associado a ele.

and all the tracking that's associated with it.

So, here's the shot.

Eis o arremesso.

I'm going to show you that moment

Vou mostrar-lhes aquele momento,

and all the insights of that moment.

e todas as suas percepções.

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

A única diferença é que somos nós, em vez de jogadores profissionais,

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

E sou eu, em vez de um locutor profissional.

So, bear with me.

Tenham paciência comigo.

Miami.

Miami.

Down three.

Perde por três pontos.

Twenty seconds left.

Faltam 20 segundos.

Jeff brings up the ball.

Jeff conduz a bola.

Josh catches, puts up a three!

Josh recebe, marca três pontos!

[Calculating shot probability]

[Shot quality]

[Qualidade do arremesso]

[Rebound probability]

[Probabilidade de rebote]

Won't go!

Não vai dar certo!

[Rebound probability]

[Probabilidade de rebote]

Rebound, Noel.

Rebote, Noel.

Back to Daria.

Devolve ao Daria.

[Shot quality]

[Qualidade do arremesso]

Her three-pointer -- bang!

Arremesso de três pontos...pimba!

Tie game with five seconds left.

Restam cinco segundos.

The crowd goes wild.

A plateia vai à loucura.

(Laughter)

(Risos)

That's roughly how it happened.

Aconteceu mais ou menos assim.

(Applause)

(Aplausos)

Roughly.

Mais ou menos.

(Applause)

Aquele momento tinha cerca de 9% de probabilidade de acontecer na NBA;

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

and we know that and a great many other things.

sabemos disso e de muitas outras coisas.

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

Não direi a vocês quantas vezes precisamos jogar para que isso acontecesse.

(Laughter)

(Risos)

Okay, I will! It was four.

Tá bom. Contarei. Foram quatro vezes.

(Laughter)

(Risos)

Way to go, Daria.

Muito bem, Daria.

But the important thing about that video

Porém a coisa mais importante do vídeo

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

e o que percebemos em cada segundo de todo jogo da NBA, não é isso.

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

É o fato de que não é preciso que seja um time profissional

para rastrear a movimentação.

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

Não precisa ser um jogador profissional para entender a movimentação.

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

Na verdade, nem precisa ser sobre esportes porque nos movimentamos por toda parte.

We're moving in our homes,

Nos movemos em casa,

in our offices,

no escritório,

quando fazemos compras e viajamos

as we shop and we travel

throughout our cities

pelas cidades

and around our world.

e pelo mundo.

What will we know? What will we learn?

O que iremos saber? O que aprenderemos?

Perhaps, instead of identifying pick-and-rolls,

Talvez, em vez de identificar corta-luzes,

a machine can identify the moment and let me know

a máquina possa identificar o momento

when my daughter takes her first steps.

e avisar-me, quando milha filha der os primeiros passos.

Which could literally be happening any second now.

O que poderia acontecer a qualquer segundo, literalmente.

Talvez possamos aprender a usar melhor os edifícios e planejar melhor as cidades.

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

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

Creio que com o desenvolvimento da ciência dos pontos em movimento

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

vamos nos mover melhor, de modos mais inteligentes. Avançaremos.

Thank you very much.

Muito obrigado.

(Applause)