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

1,107,248 views ・ 2015-07-06

TED


Пожалуйста, дважды щелкните на английские субтитры ниже, чтобы воспроизвести видео.

Переводчик: Aleks Teri Редактор: Alina Siluyanova
00:12
My colleagues and I are fascinated by the science of moving dots.
0
12954
3583
Я и мои коллеги восхищены природой движущихся точек.
00:16
So what are these dots?
1
16927
1150
Что такое эти точки?
00:18
Well, it's all of us.
2
18101
1287
Это мы.
00:19
And we're moving in our homes, in our offices, as we shop and travel
3
19412
5085
Все мы передвигаемся у себя дома, в офисах, в магазинах и путешествуя
00:24
throughout our cities and around the world.
4
24521
2066
по своему городу или по миру.
00:26
And wouldn't it be great if we could understand all this movement?
5
26958
3669
Было бы потрясающе, если бы мы могли понять природу этих движений,
00:30
If we could find patterns and meaning and insight in it.
6
30918
2890
их закономерности, значение и то, что скрывается за ними.
00:34
And luckily for us, we live in a time
7
34259
1785
К счастью для нас, мы живём в такое время,
00:36
where we're incredibly good at capturing information about ourselves.
8
36068
4497
когда мы невероятно преуспели в сборе информации о самих себе.
00:40
So whether it's through sensors or videos, or apps,
9
40807
3663
С сенсоров, видео или приложений
00:44
we can track our movement with incredibly fine detail.
10
44494
2809
мы можем отследить наше движение с удивительной точностью.
Оказывается, одна из областей, где собраны лучшие данные о движении, —
00:48
So it turns out one of the places where we have the best data about movement
11
48092
5032
это спорт.
00:53
is sports.
12
53148
1208
00:54
So whether it's basketball or baseball, or football or the other football,
13
54682
5333
Будь это баскетбол или бейсбол, американский футбол или обычный,
мы оснащаем стадионы и игроков
01:00
we're instrumenting our stadiums and our players to track their movements
14
60039
4402
устройствами для отслеживания движений каждую долю секунды.
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
То есть мы превращаем своих атлетов —
01:10
you probably guessed it --
17
70208
1959
вы, наверное, уже догадались —
01:12
moving dots.
18
72191
1396
в движущиеся точки.
01:13
So we've got mountains of moving dots and like most raw data,
19
73946
4934
Теперь у нас масса движущихся точек.
И как с любыми необработанными данными,
01:18
it's hard to deal with and not that interesting.
20
78904
2502
с ними трудно разобраться, да и не так это интересно.
01:21
But there are things that, for example, basketball coaches want to know.
21
81430
3769
Но есть вещи, о которых, например, баскетбольные тренеры хотят знать.
01:25
And the problem is they can't know them because they'd have to watch every second
22
85223
3810
И проблема в том, что они не знают о них,
потому что пришлось бы смотреть каждую секунду каждой игры,
01:29
of every game, remember it and process it.
23
89057
2589
запоминая и затем обрабатывая.
01:31
And a person can't do that,
24
91804
1930
Человек не может сделать этого,
01:33
but a machine can.
25
93758
1310
но машина может.
01:35
The problem is a machine can't see the game with the eye of a coach.
26
95661
3410
Но машина не может смотреть на игры глазами тренера.
01:39
At least they couldn't until now.
27
99363
2261
По крайней мере, не могли. До сих пор.
01:42
So what have we taught the machine to see?
28
102228
2103
Что мы научили машину видеть?
01:45
So, we started simply.
29
105569
1787
Мы начали с простого:
01:47
We taught it things like passes, shots and rebounds.
30
107380
3799
научили её таким вещам, как пассы, броски и отскоки —
01:51
Things that most casual fans would know.
31
111203
2541
тому, что известно обычным болельщикам.
01:53
And then we moved on to things slightly more complicated.
32
113768
2832
А затем мы перешли к вещам посложнее:
01:56
Events like post-ups, and pick-and-rolls, and isolations.
33
116624
4588
таким манёврам, как пост-апы, пик-н-роллы и изоляции.
02:01
And if you don't know them, that's okay. Most casual players probably do.
34
121377
3543
Если вы их не знаете, не страшно. Большинство игроков, возможно, знает.
02:05
Now, we've gotten to a point where today, the machine understands complex events
35
125560
5340
На сегодняшний день машина понимает сложные манёвры,
02:10
like down screens and wide pins.
36
130924
3073
вроде заслона и широких пин-даунов.
Такие термины знают только профессионалы.
02:14
Basically things only professionals know.
37
134021
2726
02:16
So we have taught a machine to see with the eyes of a coach.
38
136771
4388
Мы научили машину «смотреть» глазами тренера.
Как мы смогли сделать это?
02:22
So how have we been able to do this?
39
142009
1857
02:24
If I asked a coach to describe something like a pick-and-roll,
40
144511
3118
Если бы я попросил тренера описать, например, пик-н-ролл,
02:27
they would give me a description,
41
147653
1640
то он дал бы мне описание,
02:29
and if I encoded that as an algorithm, it would be terrible.
42
149317
2856
и если бы я закодировал это в алгоритм, то ничего бы не вышло.
Пик-н-ролл — своего рода танец в баскетболе между четырьмя игроками,
02:33
The pick-and-roll happens to be this dance in basketball between four players,
43
153026
4278
02:37
two on offense and two on defense.
44
157328
1912
двумя в защите и двумя в нападении.
02:39
And here's kind of how it goes.
45
159486
1618
Вот как это происходит.
02:41
So there's the guy on offense without the ball
46
161128
2533
Игрок в нападении без мяча
02:43
the ball and he goes next to the guy guarding the guy with the ball,
47
163685
3209
идёт рядом, защищает игрока с мячом,
02:46
and he kind of stays there
48
166918
1257
остаётся в зоне, они оба перемещаются, что-то происходит,
02:48
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
49
168199
3317
и — та-да! — это и есть пик-н-ролл.
02:51
(Laughter)
50
171540
2215
(Смех)
02:53
So that is also an example of a terrible algorithm.
51
173779
2508
Это также пример плохого алгоритма.
02:56
So, if the player who's the interferer -- he's called the screener --
52
176913
4204
Если игрок, который мешает — его называют заслоняющим, —
03:01
goes close by, but he doesn't stop,
53
181278
2872
подойдёт ближе, но не остановится,
03:04
it's probably not a pick-and-roll.
54
184174
1765
возможно, это не будет пик-н-ролл.
03:06
Or if he does stop, but he doesn't stop close enough,
55
186560
3945
Или если он остановится, но будет недостаточно близко,
03:10
it's probably not a pick-and-roll.
56
190529
1761
то это тоже, возможно, не пик-н-ролл.
03:12
Or, if he does go close by and he does stop
57
192642
3237
Или если он подойдёт близко и остановится,
03:15
but they do it under the basket, it's probably not a pick-and-roll.
58
195903
3324
но все они окажутся под корзиной, это, возможно, не пик-н-ролл.
03:19
Or I could be wrong, they could all be pick-and-rolls.
59
199462
2524
Или я ошибаюсь — может, все они и есть пик-н-роллы.
На деле, это зависит от точного времени, расстояния, местоположения —
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
вот что делает это таким сложным.
03:28
So, luckily, with machine learning, we can go beyond our own ability
62
208579
4944
К счастью, машина может обучаться,
и мы можем выйти за пределы своих возможностей,
03:33
to describe the things we know.
63
213547
1743
чтобы описать то, что знаем.
03:35
So how does this work? Well, it's by example.
64
215314
2280
Как это работает? Рассмотрим на примере.
03:37
So we go to the machine and say, "Good morning, machine.
65
217759
2830
Итак, мы подходим к машине и говорим: «Доброе утро, машина.
03:41
Here are some pick-and-rolls, and here are some things that are not.
66
221077
3359
Вот несколько пик-н-роллов и несколько манёвров — не пик-н-роллов.
03:44
Please find a way to tell the difference."
67
224720
2252
Пожалуйста, найди способ отличить их».
03:47
And the key to all of this is to find features that enable it to separate.
68
227076
3707
И ключ ко всему — найти черты, которые позволяют различать их.
03:50
So if I was going to teach it the difference
69
230807
2109
Если бы я хотел обучить машину разнице между яблоком и апельсином,
03:52
between an apple and orange,
70
232940
1381
03:54
I might say, "Why don't you use color or shape?"
71
234345
2375
я бы сказал: «Почему бы тебе не использовать цвет и форму?»
03:56
And the problem that we're solving is, what are those things?
72
236744
2943
Проблема, которую мы решаем: по каким параметрам отличать?
03:59
What are the key features
73
239711
1247
Какие ключевые черты позволяют компьютеру ориентироваться в мире движущихся точек?
04:00
that let a computer navigate the world of moving dots?
74
240982
3499
04:04
So figuring out all these relationships with relative and absolute location,
75
244505
4823
Выяснение всех этих отношений
между относительным и абсолютным местоположением,
04:09
distance, timing, velocities --
76
249352
1909
расстоянием, временем, скоростью —
04:11
that's really the key to the science of moving dots, or as we like to call it,
77
251440
4928
это и есть ключ к природе движущихся точек,
или, как мы любим её называть, говоря научным языком,
04:16
spatiotemporal pattern recognition, in academic vernacular.
78
256392
3344
пространственно-временным распознаванием образов.
04:19
Because the first thing is, you have to make it sound hard --
79
259925
2898
Ведь первым делом нужно назвать это как-то сложно —
04:22
because it is.
80
262847
1278
потому что это сложно.
04:24
The key thing is, for NBA coaches, it's not that they want to know
81
264410
3141
Главное для тренеров NBA —
04:27
whether a pick-and-roll happened or not.
82
267575
1922
знать не то, был ли пик-н-ролл или нет, —
04:29
It's that they want to know how it happened.
83
269521
2076
они просто хотят знать, как это произошло.
04:31
And why is it so important to them? So here's a little insight.
84
271621
2986
Почему это так важно для них?
Есть такая догадка: оказывается, в современном баскетболе
04:34
It turns out in modern basketball,
85
274631
1771
04:36
this pick-and-roll is perhaps the most important play.
86
276426
2539
этот пик-н-ролл — чуть ли не самый важный манёвр.
04:39
And knowing how to run it, and knowing how to defend it,
87
279065
2620
Знать, как это происходит, как обороняться от него, —
04:41
is basically a key to winning and losing most games.
88
281709
2670
по сути, залог выигрыша или поражения в большинстве игр.
04:44
So it turns out that this dance has a great many variations
89
284403
3801
Оказалось, у этого танца великое множество вариаций,
04:48
and identifying the variations is really the thing that matters,
90
288228
3648
и определение этих вариаций — единственная важная вещь,
04:51
and that's why we need this to be really, really good.
91
291900
2529
поэтому нам нужно, чтобы машина выясняла это очень, очень точно.
Вот пример: есть два нападающих и два защитника,
04:55
So, here's an example.
92
295228
1176
04:56
There are two offensive and two defensive players,
93
296428
2379
04:58
getting ready to do the pick-and-roll dance.
94
298831
2152
готовых исполнить танец пик-н-ролла.
Игрок с мячом может либо навестись на заслон, либо отказаться.
05:01
So the guy with ball can either take, or he can reject.
95
301007
2683
Его товарищ по команде может либо «провалиться» под кольцо, либо открыться.
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
Игрок, опекающий мяч, может либо проскользнуть, либо обогнуть заслон.
05:10
His teammate can either show or play up to touch, or play soft
98
310121
4565
Его товарищ по команде может либо помочь, либо сделать ложный размен или остаться.
05:14
and together they can either switch or blitz
99
314710
2618
И оба они могут либо сделать размен, либо контратаковать.
05:17
and I didn't know most of these things when I started
100
317352
2659
Я бóльшую часть этого не знал, кода только начинал.
05:20
and it would be lovely if everybody moved according to those arrows.
101
320035
3920
Было бы чудесно, если бы все двигались согласно этим стрелочкам.
05:23
It would make our lives a lot easier, but it turns out movement is very messy.
102
323979
3905
Нам было бы куда легче, но движение — явление довольно запутанное.
Люди движутся не монотонно.
05:28
People wiggle a lot and getting these variations identified
103
328047
5484
Определить эти вариации с очень высокой точностью,
05:33
with very high accuracy,
104
333555
1303
05:34
both in precision and recall, is tough
105
334882
1868
одновременно точно и по памяти, — сложно,
05:36
because that's what it takes to get a professional coach to believe in you.
106
336774
3618
ведь именно это нужно, чтобы профессиональный тренер поверил в тебя.
05:40
And despite all the difficulties with the right spatiotemporal features
107
340416
3380
Несмотря на сложности с пространственно- временными характеристиками,
05:43
we have been able to do that.
108
343820
1474
мы смогли сделать это.
05:45
Coaches trust our ability of our machine to identify these variations.
109
345318
3927
Тренеры верят в возможности нашей машины определять эти вариации.
05:49
We're at the point where almost every single contender
110
349478
3533
Мы находимся на стадии,
когда практически каждый претендент на чемпионат NBA в этом году
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
использует нашу программу, разработанную для устройства,
которое понимает, как движутся точки в баскетболе.
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
Кроме того, мы дали совет, изменивший стратегии,
06:07
that have helped teams win very important games,
115
367049
3352
которые помогли командам выиграть важные игры.
06:10
and it's very exciting because you have coaches who've been in the league
116
370425
3732
Это очень волнующе, ведь есть даже такие тренеры,
которые состоят в Лиге 30 лет, но всё же готовы получить совет от машины.
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
Это очень волнующе, даже больше, чем пик-н-ролл.
06:20
Our computer started out with simple things
119
380804
2076
Наш компьютер начинал с простых вещей, стал учиться всё более и более сложным,
06:22
and learned more and more complex things
120
382904
2064
06:24
and now it knows so many things.
121
384992
1561
а сейчас знает так много, что, по правде, я не знаю столько, сколько он.
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
И не удивительно, что он знает больше меня.
06:33
we were wondering, can a machine know more than a coach?
124
393175
3644
Неужели машина может знать больше, чем тренер?
06:36
Can it know more than person could know?
125
396843
2055
Может ли она знать больше, чем человек?
06:38
And it turns out the answer is yes.
126
398922
1745
Оказалось, что да.
06:40
The coaches want players to take good shots.
127
400691
2557
Тренеры хотят, чтобы игроки делали хорошие броски.
06:43
So if I'm standing near the basket
128
403272
1651
Если я стою здесь, у корзины, и никого нет рядом со мной, —
06:44
and there's nobody near me, it's a good shot.
129
404947
2166
это хороший бросок.
06:47
If I'm standing far away surrounded by defenders, that's generally a bad shot.
130
407137
3940
Если я стою далеко, окружённый защитниками, — обычно это плохой бросок.
06:51
But we never knew how good "good" was, or how bad "bad" was quantitatively.
131
411101
4876
Но мы не знали, как оценить количественно «хороший» или «плохой» бросок.
До сих пор.
06:56
Until now.
132
416209
1150
06:57
So what we can do, again, using spatiotemporal features,
133
417771
3058
Используя пространственно- временные характеристики,
07:00
we looked at every shot.
134
420853
1374
мы можем просмотреть каждый бросок,
07:02
We can see: Where is the shot? What's the angle to the basket?
135
422251
3005
узнать, откуда он сделан, какой угол по отношению к корзине,
07:05
Where are the defenders standing? What are their distances?
136
425280
2762
где стоят защитники, каково их расстояние, под какими они углами.
07:08
What are their angles?
137
428066
1331
Среди нескольких защитников мы можем увидеть, как двигается определённый игрок
07:09
For multiple defenders, we can look at how the player's moving
138
429421
2977
07:12
and predict the shot type.
139
432422
1433
и предугадать тип броска.
07:13
We can look at all their velocities and we can build a model that predicts
140
433879
4074
Мы можем вычислить их скорости и построить модель, которая предскажет
07:17
what is the likelihood that this shot would go in under these circumstances?
141
437977
4052
вероятность осуществления броска при данных обстоятельствах.
07:22
So why is this important?
142
442188
1500
Почему это так важно?
Мы можем определить бросок,
07:24
We can take something that was shooting,
143
444102
2803
07:26
which was one thing before, and turn it into two things:
144
446929
2680
который раньше был един, как состоящий из двух параметров:
07:29
the quality of the shot and the quality of the shooter.
145
449633
2651
качество броска и уровень бросающего.
07:33
So here's a bubble chart, because what's TED without a bubble chart?
146
453680
3262
Вот пузырьковая диаграмма. Какое это выступление TED без диаграммы?
07:36
(Laughter)
147
456966
1014
(Смех)
07:38
Those are NBA players.
148
458004
1311
Это игроки NBA.
07:39
The size is the size of the player and the color is the position.
149
459339
3120
Размер — это размер игроков, а цвет — позиция.
07:42
On the x-axis, we have the shot probability.
150
462483
2132
По оси Х — вероятность броска.
07:44
People on the left take difficult shots,
151
464639
1953
Игроки слева делают сложные броски,
07:46
on the right, they take easy shots.
152
466616
2229
справа — лёгкие.
07:49
On the [y-axis] is their shooting ability.
153
469194
2057
По оси У — их умение совершать броски.
07:51
People who are good are at the top, bad at the bottom.
154
471275
2562
Хорошие игроки наверху, кто хуже бросает — внизу.
07:53
So for example, if there was a player
155
473861
1760
Например, если раньше был игрок, чья эффективность бросков 47%,
07:55
who generally made 47 percent of their shots,
156
475621
2097
07:57
that's all you knew before.
157
477718
1389
это всё, что вам было известно.
07:59
But today, I can tell you that player takes shots that an average NBA player
158
479345
4850
Но сегодня я могу сказать вам, что этот игрок делает броски,
как в 49% случаев их делает среднестатистический игрок NBA,
08:04
would make 49 percent of the time,
159
484219
1961
08:06
and they are two percent worse.
160
486204
1684
что на 2% хуже.
08:08
And the reason that's important is that there are lots of 47s out there.
161
488266
4515
Это важно знать потому, что есть много игроков с 47%.
08:13
And so it's really important to know
162
493714
2549
Поэтому очень важно знать, является ли тот игрок с 47%,
08:16
if the 47 that you're considering giving 100 million dollars to
163
496287
3956
в которого вы планируете вложить 100 миллионов долларов,
08:20
is a good shooter who takes bad shots
164
500267
3055
хорошим бомбардиром, который иногда делает плохие броски,
08:23
or a bad shooter who takes good shots.
165
503346
2397
или плохим бомбардиром, совершающим хорошие броски.
08:27
Machine understanding doesn't just change how we look at players,
166
507130
3333
Машинный анализ меняет не только то, как мы рассматриваем игроков,
08:30
it changes how we look at the game.
167
510487
1858
но и то, как мы видим игру.
08:32
So there was this very exciting game a couple of years ago, in the NBA finals.
168
512369
3755
Пару лет назад состоялась очень захватывающая игра в финале NBA.
«Майами» отставал на 3 очка. Оставалось 20 секунд.
08:36
Miami was down by three, there was 20 seconds left.
169
516148
3207
08:39
They were about to lose the championship.
170
519379
2025
Они были на грани проигрыша чемпионата.
08:41
A gentleman named LeBron James came up and he took a three to tie.
171
521428
3341
Джентльмен по имени Леброн Джеймс бросил трёхочковый, чтобы сравнять счёт,
08:44
He missed.
172
524793
1198
но промахнулся.
08:46
His teammate Chris Bosh got a rebound,
173
526015
1837
Его товарищ Крис Бош подобрал мяч,
08:47
passed it to another teammate named Ray Allen.
174
527876
2159
передал его другому игроку в команде — Рею Аллену.
08:50
He sank a three. It went into overtime.
175
530059
1919
Тот забросил трёхочковый. Игра продолжилась в овертайме.
08:52
They won the game. They won the championship.
176
532002
2096
Они выиграли игру и чемпионат.
08:54
It was one of the most exciting games in basketball.
177
534122
2444
Это была одна из самых захватывающих игр в баскетболе.
08:57
And our ability to know the shot probability for every player
178
537438
3429
Наша способность предугадывать
вероятность броска для каждого игрока каждую секунду
09:00
at every second,
179
540891
1188
09:02
and the likelihood of them getting a rebound at every second
180
542103
2956
и вероятность подбора мяча каждую секунду
может пролить свет на этот момент так, как никогда раньше.
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
К несчастью, я не могу показать вам запись той игры.
09:12
But for you, we recreated that moment
183
552310
4493
Но для вас мы воссоздали этот момент
09:16
at our weekly basketball game about 3 weeks ago.
184
556827
2336
на нашей еженедельной игре в баскетбол около трёх недель назад.
09:19
(Laughter)
185
559279
2167
(Смех)
09:21
And we recreated the tracking that led to the insights.
186
561573
3410
Мы воссоздали их действия, что привело к озарению.
09:25
So, here is us. This is Chinatown in Los Angeles,
187
565199
4255
Вот мы. Это Чайна-таун в Лос-Анджелесе; парк, где мы играем каждую неделю.
09:29
a park we play at every week,
188
569478
1564
Мы воссоздаём момент Рэя Аллена и отслеживаем движения.
09:31
and that's us recreating the Ray Allen moment
189
571066
2231
09:33
and all the tracking that's associated with it.
190
573321
2229
09:36
So, here's the shot.
191
576772
1517
Вот бросок.
09:38
I'm going to show you that moment
192
578313
2516
Я собираюсь показать вам тот момент
09:40
and all the insights of that moment.
193
580853
2587
и все детали того момента.
09:43
The only difference is, instead of the professional players, it's us,
194
583464
3730
Единственная разница: вместо профессиональных игроков играем мы,
09:47
and instead of a professional announcer, it's me.
195
587218
2618
а вместо профессионального комментатора буду я.
09:49
So, bear with me.
196
589860
1477
Будьте ко мне снисходительны.
09:53
Miami.
197
593153
1150
«Майами».
09:54
Down three.
198
594671
1150
Разрыв в три очка.
Осталось 20 секунд.
09:56
Twenty seconds left.
199
596107
1150
09:59
Jeff brings up the ball.
200
599385
1198
Джефф передаёт мяч.
10:02
Josh catches, puts up a three!
201
602656
1535
Джош его ловит и бросает трёхочковый.
10:04
[Calculating shot probability]
202
604631
1849
[Вычисляется вероятность броска]
10:07
[Shot quality]
203
607278
1150
[Качество броска]
10:09
[Rebound probability]
204
609048
1785
[Возможность отскока]
10:12
Won't go!
205
612373
1173
Промах!
10:13
[Rebound probability]
206
613570
1446
[Вероятность отскока]
10:15
Rebound, Noel.
207
615777
1256
Ноэль ловит мяч,
10:17
Back to Daria.
208
617057
1150
передаёт его Дарии.
10:18
[Shot quality]
209
618509
3365
[Качество броска]
10:22
Her three-pointer -- bang!
210
622676
1620
Трёхочковый — ура!
10:24
Tie game with five seconds left.
211
624320
2197
Мы сравняли счёт, и остаётся ещё 5 секунд.
10:26
The crowd goes wild.
212
626880
1618
Трибуны ревут.
10:28
(Laughter)
213
628522
1659
(Смех)
10:30
That's roughly how it happened.
214
630205
1547
Примерно вот так всё это произошло. (Аплодисменты) Примерно.
10:31
(Applause)
215
631776
1151
10:32
Roughly.
216
632951
1175
(Аплодисменты)
10:34
(Applause)
217
634150
1531
10:36
That moment had about a nine percent chance of happening in the NBA
218
636121
5484
Вероятность этого момента в игре NBA — 9%.
10:41
and we know that and a great many other things.
219
641629
2261
Мы знаем это и ещё множество других вещей.
10:43
I'm not going to tell you how many times it took us to make that happen.
220
643914
3491
Не буду рассказывать, сколько раз нам пришлось переигрывать этот момент.
10:47
(Laughter)
221
647429
1747
(Смех)
10:49
Okay, I will! It was four.
222
649200
1872
Ладно, скажу — 4 раза. (Смех)
10:51
(Laughter)
223
651096
1001
10:52
Way to go, Daria.
224
652121
1165
Молодец, док!
10:53
But the important thing about that video
225
653647
4263
Но главное в этом видео и знаниях,
10:57
and the insights we have for every second of every NBA game -- it's not that.
226
657934
4568
которые у нас есть по каждой секунде каждой игры NBA — не в этом.
11:02
It's the fact you don't have to be a professional team to track movement.
227
662639
3929
Главное то, что не нужно быть профессиональной командой,
чтобы отслеживать движение;
11:07
You do not have to be a professional player to get insights about movement.
228
667083
3657
не нужно быть профессиональным игроком, чтобы понять все детали движений.
11:10
In fact, it doesn't even have to be about sports because we're moving everywhere.
229
670764
3858
Даже не обязательно применять это к спорту,
ведь мы двигаемся постоянно.
11:15
We're moving in our homes,
230
675654
2369
Мы двигаемся дома,
11:21
in our offices,
231
681428
1205
в офисе,
когда ходим за покупками
11:24
as we shop and we travel
232
684238
2690
или путешествуем
11:29
throughout our cities
233
689318
1253
по городу
11:32
and around our world.
234
692065
1618
и по миру.
11:35
What will we know? What will we learn?
235
695270
2295
Что мы узнаем? Чему научимся?
11:37
Perhaps, instead of identifying pick-and-rolls,
236
697589
2305
Может, вместо определения пик-н-роллов,
11:39
a machine can identify the moment and let me know
237
699918
3010
машина сможет определить и позволит мне узнать момент,
11:42
when my daughter takes her first steps.
238
702952
2059
когда моя дочь сделает свои первые шаги.
Что буквально может произойти в любой момент.
11:45
Which could literally be happening any second now.
239
705035
2536
11:48
Perhaps we can learn to better use our buildings, better plan our cities.
240
708140
3697
Возможно, мы можем научиться лучше планировать здания, города.
11:52
I believe that with the development of the science of moving dots,
241
712362
4173
Я верю, что с развитием науки, занимающейся изучением движущихся точек,
11:56
we will move better, we will move smarter, we will move forward.
242
716559
3643
мы будем двигаться лучше, мы будем двигаться разумнее,
мы будем двигаться вперёд.
12:00
Thank you very much.
243
720607
1189
Спасибо большое.
12:01
(Applause)
244
721820
5045
(Аплодисменты)
Об этом сайте

Этот сайт познакомит вас с видеороликами YouTube, полезными для изучения английского языка. Вы увидите уроки английского языка, преподаваемые высококлассными учителями со всего мира. Дважды щелкните по английским субтитрам, отображаемым на каждой странице видео, чтобы воспроизвести видео оттуда. Субтитры прокручиваются синхронно с воспроизведением видео. Если у вас есть какие-либо комментарии или пожелания, пожалуйста, свяжитесь с нами, используя эту контактную форму.

https://forms.gle/WvT1wiN1qDtmnspy7