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

Переводчик: Aleks Teri Редактор: Alina Siluyanova

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

Я и мои коллеги восхищены природой движущихся точек.

So what are these dots?

Что такое эти точки?

Well, it's all of us.

Это мы.

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

Все мы передвигаемся у себя дома, в офисах, в магазинах и путешествуя

throughout our cities and around the world.

по своему городу или по миру.

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

Было бы потрясающе, если бы мы могли понять природу этих движений,

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

их закономерности, значение и то, что скрывается за ними.

And luckily for us, we live in a time

К счастью для нас, мы живём в такое время,

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

когда мы невероятно преуспели в сборе информации о самих себе.

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

С сенсоров, видео или приложений

we can track our movement with incredibly fine detail.

мы можем отследить наше движение с удивительной точностью.

Оказывается, одна из областей, где собраны лучшие данные о движении, —

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

это спорт.

is sports.

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

Будь это баскетбол или бейсбол, американский футбол или обычный,

мы оснащаем стадионы и игроков

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

устройствами для отслеживания движений каждую долю секунды.

every fraction of a second.

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

То есть мы превращаем своих атлетов —

you probably guessed it --

вы, наверное, уже догадались —

moving dots.

в движущиеся точки.

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

Теперь у нас масса движущихся точек.

И как с любыми необработанными данными,

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

с ними трудно разобраться, да и не так это интересно.

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

Но есть вещи, о которых, например, баскетбольные тренеры хотят знать.

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

И проблема в том, что они не знают о них,

потому что пришлось бы смотреть каждую секунду каждой игры,

of every game, remember it and process it.

запоминая и затем обрабатывая.

And a person can't do that,

Человек не может сделать этого,

but a machine can.

но машина может.

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

Но машина не может смотреть на игры глазами тренера.

At least they couldn't until now.

По крайней мере, не могли. До сих пор.

So what have we taught the machine to see?

Что мы научили машину видеть?

So, we started simply.

Мы начали с простого:

We taught it things like passes, shots and rebounds.

научили её таким вещам, как пассы, броски и отскоки —

Things that most casual fans would know.

тому, что известно обычным болельщикам.

And then we moved on to things slightly more complicated.

А затем мы перешли к вещам посложнее:

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

таким манёврам, как пост-апы, пик-н-роллы и изоляции.

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

Если вы их не знаете, не страшно. Большинство игроков, возможно, знает.

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

На сегодняшний день машина понимает сложные манёвры,

like down screens and wide pins.

вроде заслона и широких пин-даунов.

Такие термины знают только профессионалы.

Basically things only professionals know.

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

Мы научили машину «смотреть» глазами тренера.

Как мы смогли сделать это?

So how have we been able to do this?

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

Если бы я попросил тренера описать, например, пик-н-ролл,

they would give me a description,

то он дал бы мне описание,

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

и если бы я закодировал это в алгоритм, то ничего бы не вышло.

Пик-н-ролл — своего рода танец в баскетболе между четырьмя игроками,

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

two on offense and two on defense.

двумя в защите и двумя в нападении.

And here's kind of how it goes.

Вот как это происходит.

So there's the guy on offense without the ball

Игрок в нападении без мяча

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

идёт рядом, защищает игрока с мячом,

and he kind of stays there

остаётся в зоне, они оба перемещаются, что-то происходит,

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

и — та-да! — это и есть пик-н-ролл.

(Laughter)

(Смех)

So that is also an example of a terrible algorithm.

Это также пример плохого алгоритма.

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

Если игрок, который мешает — его называют заслоняющим, —

goes close by, but he doesn't stop,

подойдёт ближе, но не остановится,

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

возможно, это не будет пик-н-ролл.

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

Или если он остановится, но будет недостаточно близко,

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

то это тоже, возможно, не пик-н-ролл.

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

Или если он подойдёт близко и остановится,

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

но все они окажутся под корзиной, это, возможно, не пик-н-ролл.

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

Или я ошибаюсь — может, все они и есть пик-н-роллы.

На деле, это зависит от точного времени, расстояния, местоположения —

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

and that's what makes it hard.

вот что делает это таким сложным.

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

К счастью, машина может обучаться,

и мы можем выйти за пределы своих возможностей,

to describe the things we know.

чтобы описать то, что знаем.

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

Как это работает? Рассмотрим на примере.

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

Итак, мы подходим к машине и говорим: «Доброе утро, машина.

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

Вот несколько пик-н-роллов и несколько манёвров — не пик-н-роллов.

Please find a way to tell the difference."

Пожалуйста, найди способ отличить их».

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

И ключ ко всему — найти черты, которые позволяют различать их.

So if I was going to teach it the difference

Если бы я хотел обучить машину разнице между яблоком и апельсином,

between an apple and orange,

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

я бы сказал: «Почему бы тебе не использовать цвет и форму?»

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

Проблема, которую мы решаем: по каким параметрам отличать?

What are the key features

Какие ключевые черты позволяют компьютеру ориентироваться в мире движущихся точек?

that let a computer navigate the world of moving dots?

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

Выяснение всех этих отношений

между относительным и абсолютным местоположением,

distance, timing, velocities --

расстоянием, временем, скоростью —

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

это и есть ключ к природе движущихся точек,

или, как мы любим её называть, говоря научным языком,

spatiotemporal pattern recognition, in academic vernacular.

пространственно-временным распознаванием образов.

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

Ведь первым делом нужно назвать это как-то сложно —

because it is.

потому что это сложно.

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

Главное для тренеров NBA —

whether a pick-and-roll happened or not.

знать не то, был ли пик-н-ролл или нет, —

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

они просто хотят знать, как это произошло.

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

Почему это так важно для них?

Есть такая догадка: оказывается, в современном баскетболе

It turns out in modern basketball,

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

этот пик-н-ролл — чуть ли не самый важный манёвр.

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

Знать, как это происходит, как обороняться от него, —

is basically a key to winning and losing most games.

по сути, залог выигрыша или поражения в большинстве игр.

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

Оказалось, у этого танца великое множество вариаций,

and identifying the variations is really the thing that matters,

и определение этих вариаций — единственная важная вещь,

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

поэтому нам нужно, чтобы машина выясняла это очень, очень точно.

Вот пример: есть два нападающих и два защитника,

So, here's an example.

There are two offensive and two defensive players,

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

готовых исполнить танец пик-н-ролла.

Игрок с мячом может либо навестись на заслон, либо отказаться.

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

Его товарищ по команде может либо «провалиться» под кольцо, либо открыться.

His teammate can either roll or pop.

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

Игрок, опекающий мяч, может либо проскользнуть, либо обогнуть заслон.

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

Его товарищ по команде может либо помочь, либо сделать ложный размен или остаться.

and together they can either switch or blitz

И оба они могут либо сделать размен, либо контратаковать.

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

Я бóльшую часть этого не знал, кода только начинал.

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

Было бы чудесно, если бы все двигались согласно этим стрелочкам.

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

Нам было бы куда легче, но движение — явление довольно запутанное.

Люди движутся не монотонно.

People wiggle a lot and getting these variations identified

Определить эти вариации с очень высокой точностью,

with very high accuracy,

both in precision and recall, is tough

одновременно точно и по памяти, — сложно,

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

ведь именно это нужно, чтобы профессиональный тренер поверил в тебя.

And despite all the difficulties with the right spatiotemporal features

Несмотря на сложности с пространственно- временными характеристиками,

we have been able to do that.

мы смогли сделать это.

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

Тренеры верят в возможности нашей машины определять эти вариации.

We're at the point where almost every single contender

Мы находимся на стадии,

когда практически каждый претендент на чемпионат NBA в этом году

for an NBA championship this year

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

использует нашу программу, разработанную для устройства,

которое понимает, как движутся точки в баскетболе.

the moving dots of basketball.

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

Кроме того, мы дали совет, изменивший стратегии,

that have helped teams win very important games,

которые помогли командам выиграть важные игры.

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

Это очень волнующе, ведь есть даже такие тренеры,

которые состоят в Лиге 30 лет, но всё же готовы получить совет от машины.

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

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

Это очень волнующе, даже больше, чем пик-н-ролл.

Our computer started out with simple things

Наш компьютер начинал с простых вещей, стал учиться всё более и более сложным,

and learned more and more complex things

and now it knows so many things.

а сейчас знает так много, что, по правде, я не знаю столько, сколько он.

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

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

И не удивительно, что он знает больше меня.

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

Неужели машина может знать больше, чем тренер?

Can it know more than person could know?

Может ли она знать больше, чем человек?

And it turns out the answer is yes.

Оказалось, что да.

The coaches want players to take good shots.

Тренеры хотят, чтобы игроки делали хорошие броски.

So if I'm standing near the basket

Если я стою здесь, у корзины, и никого нет рядом со мной, —

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

это хороший бросок.

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

Если я стою далеко, окружённый защитниками, — обычно это плохой бросок.

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

Но мы не знали, как оценить количественно «хороший» или «плохой» бросок.

До сих пор.

Until now.

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

Используя пространственно- временные характеристики,

we looked at every shot.

мы можем просмотреть каждый бросок,

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

узнать, откуда он сделан, какой угол по отношению к корзине,

Where are the defenders standing? What are their distances?

где стоят защитники, каково их расстояние, под какими они углами.

What are their angles?

Среди нескольких защитников мы можем увидеть, как двигается определённый игрок

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

and predict the shot type.

и предугадать тип броска.

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

Мы можем вычислить их скорости и построить модель, которая предскажет

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

вероятность осуществления броска при данных обстоятельствах.

So why is this important?

Почему это так важно?

Мы можем определить бросок,

We can take something that was shooting,

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

который раньше был един, как состоящий из двух параметров:

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

качество броска и уровень бросающего.

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

Вот пузырьковая диаграмма. Какое это выступление TED без диаграммы?

(Laughter)

(Смех)

Those are NBA players.

Это игроки NBA.

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

Размер — это размер игроков, а цвет — позиция.

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

По оси Х — вероятность броска.

People on the left take difficult shots,

Игроки слева делают сложные броски,

on the right, they take easy shots.

справа — лёгкие.

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

По оси У — их умение совершать броски.

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

Хорошие игроки наверху, кто хуже бросает — внизу.

So for example, if there was a player

Например, если раньше был игрок, чья эффективность бросков 47%,

who generally made 47 percent of their shots,

that's all you knew before.

это всё, что вам было известно.

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

Но сегодня я могу сказать вам, что этот игрок делает броски,

как в 49% случаев их делает среднестатистический игрок NBA,

would make 49 percent of the time,

and they are two percent worse.

что на 2% хуже.

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

Это важно знать потому, что есть много игроков с 47%.

And so it's really important to know

Поэтому очень важно знать, является ли тот игрок с 47%,

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

в которого вы планируете вложить 100 миллионов долларов,

is a good shooter who takes bad shots

хорошим бомбардиром, который иногда делает плохие броски,

or a bad shooter who takes good shots.

или плохим бомбардиром, совершающим хорошие броски.

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

Машинный анализ меняет не только то, как мы рассматриваем игроков,

it changes how we look at the game.

но и то, как мы видим игру.

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

Пару лет назад состоялась очень захватывающая игра в финале NBA.

«Майами» отставал на 3 очка. Оставалось 20 секунд.

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

They were about to lose the championship.

Они были на грани проигрыша чемпионата.

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

Джентльмен по имени Леброн Джеймс бросил трёхочковый, чтобы сравнять счёт,

He missed.

но промахнулся.

His teammate Chris Bosh got a rebound,

Его товарищ Крис Бош подобрал мяч,

passed it to another teammate named Ray Allen.

передал его другому игроку в команде — Рею Аллену.

He sank a three. It went into overtime.

Тот забросил трёхочковый. Игра продолжилась в овертайме.

They won the game. They won the championship.

Они выиграли игру и чемпионат.

It was one of the most exciting games in basketball.

Это была одна из самых захватывающих игр в баскетболе.

And our ability to know the shot probability for every player

Наша способность предугадывать

вероятность броска для каждого игрока каждую секунду

at every second,

and the likelihood of them getting a rebound at every second

и вероятность подбора мяча каждую секунду

может пролить свет на этот момент так, как никогда раньше.

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

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

К несчастью, я не могу показать вам запись той игры.

But for you, we recreated that moment

Но для вас мы воссоздали этот момент

at our weekly basketball game about 3 weeks ago.

на нашей еженедельной игре в баскетбол около трёх недель назад.

(Laughter)

(Смех)

And we recreated the tracking that led to the insights.

Мы воссоздали их действия, что привело к озарению.

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

Вот мы. Это Чайна-таун в Лос-Анджелесе; парк, где мы играем каждую неделю.

a park we play at every week,

Мы воссоздаём момент Рэя Аллена и отслеживаем движения.

and that's us recreating the Ray Allen moment

and all the tracking that's associated with it.

So, here's the shot.

Вот бросок.

I'm going to show you that moment

Я собираюсь показать вам тот момент

and all the insights of that moment.

и все детали того момента.

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

Единственная разница: вместо профессиональных игроков играем мы,

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

а вместо профессионального комментатора буду я.

So, bear with me.

Будьте ко мне снисходительны.

Miami.

«Майами».

Down three.

Разрыв в три очка.

Осталось 20 секунд.

Twenty seconds left.

Jeff brings up the ball.

Джефф передаёт мяч.

Josh catches, puts up a three!

Джош его ловит и бросает трёхочковый.

[Calculating shot probability]

[Вычисляется вероятность броска]

[Shot quality]

[Качество броска]

[Rebound probability]

[Возможность отскока]

Won't go!

Промах!

[Rebound probability]

[Вероятность отскока]

Rebound, Noel.

Ноэль ловит мяч,

Back to Daria.

передаёт его Дарии.

[Shot quality]

[Качество броска]

Her three-pointer -- bang!

Трёхочковый — ура!

Tie game with five seconds left.

Мы сравняли счёт, и остаётся ещё 5 секунд.

The crowd goes wild.

Трибуны ревут.

(Laughter)

(Смех)

That's roughly how it happened.

Примерно вот так всё это произошло. (Аплодисменты) Примерно.

(Applause)

Roughly.

(Аплодисменты)

(Applause)

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

Вероятность этого момента в игре NBA — 9%.

and we know that and a great many other things.

Мы знаем это и ещё множество других вещей.

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

Не буду рассказывать, сколько раз нам пришлось переигрывать этот момент.

(Laughter)

(Смех)

Okay, I will! It was four.

Ладно, скажу — 4 раза. (Смех)

(Laughter)

Way to go, Daria.

Молодец, док!

But the important thing about that video

Но главное в этом видео и знаниях,

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

которые у нас есть по каждой секунде каждой игры NBA — не в этом.

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

Главное то, что не нужно быть профессиональной командой,

чтобы отслеживать движение;

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

не нужно быть профессиональным игроком, чтобы понять все детали движений.

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

Даже не обязательно применять это к спорту,

ведь мы двигаемся постоянно.

We're moving in our homes,

Мы двигаемся дома,

in our offices,

в офисе,

когда ходим за покупками

as we shop and we travel

или путешествуем

throughout our cities

по городу

and around our world.

и по миру.

What will we know? What will we learn?

Что мы узнаем? Чему научимся?

Perhaps, instead of identifying pick-and-rolls,

Может, вместо определения пик-н-роллов,

a machine can identify the moment and let me know

машина сможет определить и позволит мне узнать момент,

when my daughter takes her first steps.

когда моя дочь сделает свои первые шаги.

Что буквально может произойти в любой момент.

Which could literally be happening any second now.

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

Возможно, мы можем научиться лучше планировать здания, города.

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

Я верю, что с развитием науки, занимающейся изучением движущихся точек,

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

мы будем двигаться лучше, мы будем двигаться разумнее,

мы будем двигаться вперёд.

Thank you very much.

Спасибо большое.

(Applause)

(Аплодисменты)