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

1,107,248 views ・ 2015-07-06

TED


Por favor, clique duas vezes nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Ruy Lopes Pereira Revisor: Maricene Crus
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
Meus colegas e eu somos fascinados pela ciência dos pontos móveis.
00:16
So what are these dots?
1
16927
1150
O que são esses pontos?
00:18
Well, it's all of us.
2
18101
1287
Bem, somos todos nós.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
E nós estamos nos movendo em nossas casas, escritórios, quando compramos e viajamos
00:24
throughout our cities and around the world.
4
24521
2066
pelas nossas cidades e por todo o mundo.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
E não seria ótimo se pudéssemos entender todo esse movimento?
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
Se pudéssemos encontrar padrões, sentido e percepções nisso?
00:34
And luckily for us, we live in a time
7
34259
1785
Felizmente, vivemos em um tempo
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
em que somos incrivelmente bons em obter informações sobre nós mesmos.
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
Seja através de sensores, vídeos, ou aplicativos,
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
podemos rastrear nossos movimentos com detalhamento incrível.
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
Acontece que uma das melhores fontes de dados sobre movimentos
00:53
is sports.
12
53148
1208
são os esportes.
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
Então, seja basquete ou beisebol, futebol americano ou o outro futebol,
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
estamos dando meios aos estádios e jogadores para rastrear seus movimentos
01:04
every fraction of a second.
15
64465
1313
a cada fração de segundo.
01:05
So what we're doing is turning our athletes into --
16
65802
4382
Então, o que estamos fazendo é transformar nossos atletas em...
01:10
you probably guessed it --
17
70208
1959
acho que adivinharam,
01:12
moving dots.
18
72191
1396
pontos móveis.
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
Então, temos montanhas de pontos móveis
e, como a maioria dos dados brutos,
01:18
it's hard to deal with and not that interesting.
20
78904
2502
é difícil de lidar e pouco interessante.
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
Mas há coisas que, por exemplo, treinadores de basquete querem saber.
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
O problema é que não conseguem saber, porque teriam que observar cada segundo
01:29
of every game, remember it and process it.
23
89057
2589
de cada jogo, lembrá-lo e processá-lo.
01:31
And a person can't do that,
24
91804
1930
E uma pessoa não consegue fazer isso,
01:33
but a machine can.
25
93758
1310
mas uma máquina consegue.
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
O problema é que uma máquina não pode ver o jogo com os olhos de um treinador.
01:39
At least they couldn't until now.
27
99363
2261
Pelo menos, não conseguia até agora.
01:42
So what have we taught the machine to see?
28
102228
2103
Então, o que ensinamos a máquina a ver?
01:45
So, we started simply.
29
105569
1787
Começamos de forma simples.
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
Nós ensinamos coisas como passes, arremessos e rebotes.
01:51
Things that most casual fans would know.
31
111203
2541
Coisas que a maioria dos fãs ocasionais conhece.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
E depois passamos para coisas um pouco mais complicadas.
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
Jogar de costas para a cesta, fazer corta-luz e isolação.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
Se vocês não as conhecem, tudo bem. Muitos jogadores ocasionais conhecem.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
Hoje, chegamos a um ponto
em que a máquina entende eventos complexos
02:10
like down screens and wide pins.
36
130924
3073
como bloqueios fora da bola e até com rotações complexas.
02:14
Basically things only professionals know.
37
134021
2726
Basicamente coisas que só profissionais conhecem.
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
Então, nós ensinamos a máquina a ver com os olhos de um treinador.
02:22
So how have we been able to do this?
39
142009
1857
Como conseguimos fazer isso?
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
Se eu pedisse a um treinador que descrevesse um corta-luz direto,
02:27
they would give me a description,
41
147653
1640
ele descreveria a jogada,
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
e se eu a codificasse em um algoritmo, ele seria muito complicado.
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
O corta-luz é um “balé” no basquete entre quatro jogadores,
02:37
two on offense and two on defense.
44
157328
1912
Dois no ataque e dois na defesa.
02:39
And here's kind of how it goes.
45
159486
1618
É assim que acontece:
02:41
So there's the guy on offense without the ball
46
161128
2533
um cara no ataque sem a bola
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
se posiciona ao lado do cara que marca o que tem a posse da bola,
02:46
and he kind of stays there
48
166918
1257
e ele fica por ali.
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
Ambos se movem, coisas acontecem, e...tchan! É um corta-luz.
02:51
(Laughter)
50
171540
2215
(Risos)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
Isso é um exemplo de um algoritmo complicado.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
Se o jogador que se interpõe, chamado de bloqueador,
03:01
goes close by, but he doesn't stop,
53
181278
2872
se aproximar, mas não parar,
03:04
it's probably not a pick-and-roll.
54
184174
1765
provavelmente não é um corta-luz.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
Mas se parar e não ficar muito próximo,
03:10
it's probably not a pick-and-roll.
56
190529
1761
provavelmente não é um corta-luz.
03:12
Or, if he does go close by and he does stop
57
192642
3237
Ou se ele se aproximar do outro e realmente parar,
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
mas parar embaixo da cesta, provavelmente não é um corta-luz.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
Ou posso estar enganado e tudo pode ser um corta-luz.
03:22
It really depends on the exact timing, the distances, the locations,
60
202010
4568
Depende realmente de uma boa sincronia, das distâncias e dos posicionamentos,
03:26
and that's what makes it hard.
61
206602
1495
e é aí que está a dificuldade.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
Felizmente, com o aprendizado de máquina,
podemos ir além da nossa própria habilidade
03:33
to describe the things we know.
63
213547
1743
de descrever o que conhecemos.
03:35
So how does this work? Well, it's by example.
64
215314
2280
Como isto funciona? Bem, é por meio de exemplos.
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
Dizemos para a máquina: "Bom dia, máquina.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
Aqui estão alguns corta-luzes e coisas que não são corta-luzes.
03:44
Please find a way to tell the difference."
67
224720
2252
Por favor, encontre um jeito de distingui-los."
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
A chave de tudo é achar características que permitam separá-los.
03:50
So if I was going to teach it the difference
69
230807
2109
Tendo que ensinar à máquina a diferença entre uma laranja e uma maçã
03:52
between an apple and orange,
70
232940
1381
eu poderia dizer: "Por que não usa cor ou forma?"
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
Mas o problema que estamos resolvendo é: o que são essas coisas?
03:59
What are the key features
73
239711
1247
Quais traços marcantes
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
possibilitam que um computador interprete o mundo dos pontos móveis?
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
Compreender todas essas relações entre posição relativa e absoluta,
04:09
distance, timing, velocities --
76
249352
1909
distância, sincronia, velocidades,
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
que são realmente a chave da ciência dos pontos móveis
ou como gostamos de chamá-la,
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
reconhecimento de padrões espaçotemporais,
em linguagem acadêmica.
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
É importante dar um nome difícil
04:22
because it is.
80
262847
1278
porque é difícil mesmo.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
Para treinadores da NBA, o principal não é saber
04:27
whether a pick-and-roll happened or not.
82
267575
1922
se um corta-luz aconteceu ou não,
04:29
It's that they want to know how it happened.
83
269521
2076
mas sim como aconteceu.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
E por que isso é tão importante para eles? Perceba o porquê.
04:34
It turns out in modern basketball,
85
274631
1771
Acontece que, no basquete moderno,
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
o corta-luz talvez seja a jogada mais importante.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
Saber como executá-la e como se defender dela,
04:41
is basically a key to winning and losing most games.
88
281709
2670
é o que decide o resultado da maioria dos jogos.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
Essa dança tem muitas variações,
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
e identificá-las é o mais importante.
04:51
and that's why we need this to be really, really good.
91
291900
2529
Por isso precisamos que esse programa seja muito bom.
Eis um exemplo:
04:55
So, here's an example.
92
295228
1176
04:56
There are two offensive and two defensive players,
93
296428
2379
dois atacantes e dois defensores
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
estão prestes a executar o balé do corta-luz.
O cara com a posse da bola, pode usar ou não o bloqueio.
05:01
So the guy with ball can either take, or he can reject.
95
301007
2683
Seu companheiro pode girar para o garrafão ou abrir para receber o passe.
05:04
His teammate can either roll or pop.
96
304086
3001
05:07
The guy guarding the ball can either go over or under.
97
307111
2986
Quem marca o jogador que tem a bola pode avançar ou recuar.
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
Seu companheiro pode avançar, marcar ou apenas acompanhar,
05:14
and together they can either switch or blitz
99
314710
2618
e juntos podem trocar ou dobrar a marcação.
05:17
and I didn't know most of these things when I started
100
317352
2659
Eu desconhecia quase tudo isso quando comecei,
e seria ótimo se todos se movessem como aquelas flechas indicam.
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
Facilitaria muito as nossas vidas, mas o movimento é muito confuso.
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
Há muita movimentação e com rapidez,
o que torna difícil identificar e reconstituir as variações com precisão,
05:33
with very high accuracy,
104
333555
1303
05:34
both in precision and recall, is tough
105
334882
1868
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
pois isso é o que faz um treinador profissional acreditar em você.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
Apesar das dificuldades com os aspectos espaçotemporais corretos
05:43
we have been able to do that.
108
343820
1474
conseguimos realizá-lo.
Treinadores confiam na capacidade da nossa máquina
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
de identificar as variações.
05:49
We're at the point where almost every single contender
110
349478
3533
Chegamos no ponto em que quase toda equipe
05:53
for an NBA championship this year
111
353035
1623
da NBA este ano
05:54
is using our software, which is built on a machine that understands
112
354682
4408
usa nosso software, instalado em uma máquina
que compreende os pontos que se movimentam, em basquetebol.
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
Mais do que isto.
Nós demos conselhos que têm mudado estratégias,
06:07
that have helped teams win very important games,
115
367049
3352
as quais ajudaram equipes a vencer jogos muito importantes,
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
o que é muito estimulante,
porque existem treinadores que estão há 30 anos na liga
06:14
for 30 years that are willing to take advice from a machine.
117
374181
3067
e que desejam um conselho dado por uma máquina.
06:17
And it's very exciting, it's much more than the pick-and-roll.
118
377874
2906
É muito empolgante, é muito mais do que o corta-luz.
06:20
Our computer started out with simple things
119
380804
2076
Nosso computador começou com coisas simples,
06:22
and learned more and more complex things
120
382904
2064
aprendeu coisas mais complexas,
06:24
and now it knows so many things.
121
384992
1561
e agora sabe bastante coisas.
Francamente, eu não entendo muito do que ele faz,
06:26
Frankly, I don't understand much of what it does,
122
386577
2835
06:29
and while it's not that special to be smarter than me,
123
389436
3715
e embora não seja tão especial ser mais inteligente que eu,
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
nos perguntamos: “Uma máquina pode saber mais do que um treinador?
06:36
Can it know more than person could know?
125
396843
2055
Mais do que uma pessoa pode saber?”
06:38
And it turns out the answer is yes.
126
398922
1745
A resposta é sim.
06:40
The coaches want players to take good shots.
127
400691
2557
Treinadores desejam que os jogadores façam bons arremessos.
06:43
So if I'm standing near the basket
128
403272
1651
Se eu estiver perto da cesta,
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
e sem marcação, é um bom arremesso.
Se eu estiver distante, cercado por defensores,
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
geralmente é um mau arremesso.
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
Mas nunca soubemos quantitativamente os significados de “bom” ou “mau”.
06:56
Until now.
132
416209
1150
Até agora.
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
Usando características espaçotemporais,
07:00
we looked at every shot.
134
420853
1374
analisamos todos os arremessos.
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
De onde foi o arremesso? Qual o ângulo em relação à cesta?
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
E as posições dos defensores? E suas distâncias?
Quais são seus ângulos?
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
Com vários defensores, analisamos como os jogadores se movimentam
07:12
and predict the shot type.
139
432422
1433
e prevemos o tipo de arremesso.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
Podemos analisar suas velocidades e construir um modelo
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
que prevê a probabilidade de um arremesso ser convertido em tais circunstâncias?
07:22
So why is this important?
142
442188
1500
Por que é tão importante?
07:24
We can take something that was shooting,
143
444102
2803
Podemos transformar o que era arremessar
07:26
which was one thing before, and turn it into two things:
144
446929
2680
em duas outras coisas:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
a qualidade do arremesso e a qualidade do arremessador.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
Eis um gráfico de bolas.
O que seria do TED sem um gráfico de bolas?
07:36
(Laughter)
147
456966
1014
(Risos)
Esses são jogadores da NBA.
07:38
Those are NBA players.
148
458004
1311
07:39
The size is the size of the player and the color is the position.
149
459339
3120
O tamanho da bola é o tamanho do jogador, a cor é a posição.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
No eixo x, temos a probabilidade do arremesso.
07:44
People on the left take difficult shots,
151
464639
1953
À esquerda, estão os arremessos difíceis,
07:46
on the right, they take easy shots.
152
466616
2229
à direita, os arremessos fáceis.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
No eixo y está a habilidade de arremessar.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
Com boa habilidade em cima, má habilidade, embaixo.
07:53
So for example, if there was a player
155
473861
1760
Por exemplo, se houver um jogador
07:55
who generally made 47 percent of their shots,
156
475621
2097
que geralmente acerta 47% dos arremessos,
07:57
that's all you knew before.
157
477718
1389
era tudo o que se sabia antes.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
Mas hoje, posso dizer que aquele jogador executa arremessos
que um jogador da NBA, em média, acertaria 49% das vezes,
08:04
would make 49 percent of the time,
159
484219
1961
08:06
and they are two percent worse.
160
486204
1684
e que seriam 2% ruins.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
Isto é importante porque há uma enorme diversidade de 47%.
08:13
And so it's really important to know
162
493714
2549
E assim é realmente importante saber
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
se os 47% a quem se está considerando dar US$ 100 milhões
08:20
is a good shooter who takes bad shots
164
500267
3055
é um bom arremessador que executa maus arremessos,
08:23
or a bad shooter who takes good shots.
165
503346
2397
ou um mau arremessador que faz bons arremessos.
O aprendizado da máquina não muda apenas como analisamos os jogadores,
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
08:30
it changes how we look at the game.
167
510487
1858
ele muda como analisamos o jogo.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
Houve um jogo emocionante há alguns anos, nas finais da NBA.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
O Miami perdia por três pontos, faltavam 20 segundos para o final,
08:39
They were about to lose the championship.
170
519379
2025
eles estavam prestes a perder o campeonato.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
Um senhor chamado LeBron James tentou um arremesso de três.
08:44
He missed.
172
524793
1198
Ele errou.
Seu companheiro Chris Bosh pegou um rebote,
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
passou para o companheiro Ray Allen.
Ele marcou três pontos. O jogo foi para a prorrogação.
08:50
He sank a three. It went into overtime.
175
530059
1919
08:52
They won the game. They won the championship.
176
532002
2096
O Miami ganhou o jogo e o campeonato.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
Foi um dos mais emocionantes jogos de basquetebol.
08:57
And our ability to know the shot probability for every player
178
537438
3429
E nossa capacidade de saber
a probabilidade de arremessar de cada jogador, a cada segundo,
09:00
at every second,
179
540891
1188
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
e a possibilidade de pegar um rebote a cada segundo
pode iluminar esse momento como nunca foi possível.
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
Infelizmente, não posso mostrar esse vídeo a vocês.
09:12
But for you, we recreated that moment
183
552310
4493
Mas recriamos aquele momento para vocês
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
no nosso jogo semanal de basquete, há umas três semanas.
09:19
(Laughter)
185
559279
2167
(Risos)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
Refizemos a trilha que nos levou à percepção dos fatos
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
Aqui estamos. Esta é Chinatown em Los Angeles,
09:29
a park we play at every week,
188
569478
1564
um parque onde jogamos toda semana,
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
e aqui estamos nós
recriando o momento de Ray Allen e todo o caminho associado a ele.
09:33
and all the tracking that's associated with it.
190
573321
2229
09:36
So, here's the shot.
191
576772
1517
Eis o arremesso.
09:38
I'm going to show you that moment
192
578313
2516
Vou mostrar-lhes aquele momento,
09:40
and all the insights of that moment.
193
580853
2587
e todas as suas percepções.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
A única diferença é que somos nós, em vez de jogadores profissionais,
09:47
and instead of a professional announcer, it's me.
195
587218
2618
E sou eu, em vez de um locutor profissional.
09:49
So, bear with me.
196
589860
1477
Tenham paciência comigo.
09:53
Miami.
197
593153
1150
Miami.
09:54
Down three.
198
594671
1150
Perde por três pontos.
09:56
Twenty seconds left.
199
596107
1150
Faltam 20 segundos.
09:59
Jeff brings up the ball.
200
599385
1198
Jeff conduz a bola.
10:02
Josh catches, puts up a three!
201
602656
1535
Josh recebe, marca três pontos!
10:04
[Calculating shot probability]
202
604631
1849
10:07
[Shot quality]
203
607278
1150
[Qualidade do arremesso]
10:09
[Rebound probability]
204
609048
1785
[Probabilidade de rebote]
10:12
Won't go!
205
612373
1173
Não vai dar certo!
10:13
[Rebound probability]
206
613570
1446
[Probabilidade de rebote]
10:15
Rebound, Noel.
207
615777
1256
Rebote, Noel.
10:17
Back to Daria.
208
617057
1150
Devolve ao Daria.
10:18
[Shot quality]
209
618509
3365
[Qualidade do arremesso]
10:22
Her three-pointer -- bang!
210
622676
1620
Arremesso de três pontos...pimba!
10:24
Tie game with five seconds left.
211
624320
2197
Restam cinco segundos.
10:26
The crowd goes wild.
212
626880
1618
A plateia vai à loucura.
10:28
(Laughter)
213
628522
1659
(Risos)
10:30
That's roughly how it happened.
214
630205
1547
Aconteceu mais ou menos assim.
10:31
(Applause)
215
631776
1151
(Aplausos)
10:32
Roughly.
216
632951
1175
Mais ou menos.
10:34
(Applause)
217
634150
1531
Aquele momento tinha cerca de 9% de probabilidade de acontecer na NBA;
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
10:41
and we know that and a great many other things.
219
641629
2261
sabemos disso e de muitas outras coisas.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
Não direi a vocês quantas vezes precisamos jogar para que isso acontecesse.
10:47
(Laughter)
221
647429
1747
(Risos)
10:49
Okay, I will! It was four.
222
649200
1872
Tá bom. Contarei. Foram quatro vezes.
10:51
(Laughter)
223
651096
1001
(Risos)
10:52
Way to go, Daria.
224
652121
1165
Muito bem, Daria.
10:53
But the important thing about that video
225
653647
4263
Porém a coisa mais importante do vídeo
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
e o que percebemos em cada segundo de todo jogo da NBA, não é isso.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
É o fato de que não é preciso que seja um time profissional
para rastrear a movimentação.
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
Não precisa ser um jogador profissional para entender a movimentação.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
Na verdade, nem precisa ser sobre esportes porque nos movimentamos por toda parte.
11:15
We're moving in our homes,
230
675654
2369
Nos movemos em casa,
11:21
in our offices,
231
681428
1205
no escritório,
quando fazemos compras e viajamos
11:24
as we shop and we travel
232
684238
2690
11:29
throughout our cities
233
689318
1253
pelas cidades
11:32
and around our world.
234
692065
1618
e pelo mundo.
11:35
What will we know? What will we learn?
235
695270
2295
O que iremos saber? O que aprenderemos?
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
Talvez, em vez de identificar corta-luzes,
11:39
a machine can identify the moment and let me know
237
699918
3010
a máquina possa identificar o momento
11:42
when my daughter takes her first steps.
238
702952
2059
e avisar-me, quando milha filha der os primeiros passos.
11:45
Which could literally be happening any second now.
239
705035
2536
O que poderia acontecer a qualquer segundo, literalmente.
Talvez possamos aprender a usar melhor os edifícios e planejar melhor as cidades.
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
Creio que com o desenvolvimento da ciência dos pontos em movimento
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
vamos nos mover melhor, de modos mais inteligentes. Avançaremos.
12:00
Thank you very much.
243
720607
1189
Muito obrigado.
12:01
(Applause)
244
721820
5045
Sobre este site

Este site apresentará a você vídeos do YouTube que são úteis para o aprendizado do inglês. Você verá aulas de inglês ministradas por professores de primeira linha de todo o mundo. Clique duas vezes nas legendas em inglês exibidas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas rolarão em sincronia com a reprodução do vídeo. Se você tiver algum comentário ou solicitação, por favor, entre em contato conosco usando este formulário de contato.

https://forms.gle/WvT1wiN1qDtmnspy7