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

Çeviri: pinar sadi Gözden geçirme: Sancak Gülgen

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

Çalışma arkadaşlarım ve ben; hareketli nokta bilimi tarafından büyülendik.

So what are these dots?

Bu hareketli noktalar nedir?

Well, it's all of us.

O noktalar biziz.

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

Tüm dünyada ve şehirler boyunca evlerimizde, ofislerimizde

throughout our cities and around the world.

alışveriş yaparken ve seyahat ederken yer değiştiriyoruz.

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

Tüm bu hareketleri anlayabilseydik harika olmaz mıydı?

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

Tüm bunların örüntüsünü, anlamını ve içyüzünü bulabilsek.

And luckily for us, we live in a time

Şansımıza kendimiz hakkında bilgileri

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

yakalamada iyi olduğumuz bir zamandayız.

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

İster video, uygulama, isterse sensörler aracılığıyla

we can track our movement with incredibly fine detail.

çok ince ayrıntılarda hareketleri izleyebiliyoruz.

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

Ve görünen o ki en iyi hareket verilerinin alındığı alan

is sports.

spor branşları.

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

Basketbol ya da beyzbol olsun veya futbol ya da diğer futbolda

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

hareketlerini izleyebilmek için

oyuncularımızı ve stadyumları kullanıyoruz,

every fraction of a second.

saniyenin her parçası için.

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

Tam olarak yaptığımız ise atletlerimizi dönüştürüyoruz --

you probably guessed it --

muhtemelen tahmin ettiniz --

moving dots.

hareketli noktalara.

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

Böylelikle dağlar kadar hareket eden noktamız var ve çoğunluğu işlenmemiş veri,

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

uğraşması zor ve o kadar da ilgi çekici değiller.

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

Ama bazı şeyler var ki örneğin, basketbol koçlarının bilmek istediği.

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

Problem ise bunları bilemezler, çünkü hatırlamak ve işlemek için her oyunun

of every game, remember it and process it.

her saniyesini izlemeleri gerekir.

And a person can't do that,

Bir insan bunu yapamaz

but a machine can.

ama bir makine yapabilir.

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

Problem ise; makine oyunu koçun gözünden yorumlayamaz.

At least they couldn't until now.

En azından şimdiye kadar öyleydi.

So what have we taught the machine to see?

Peki, makineye görmesi için ne öğrettik?

So, we started simply.

Basitten başladık.

We taught it things like passes, shots and rebounds.

Paslar, atışlar ve ribaundlar gibi şeyleri öğrettik.

Things that most casual fans would know.

Çoğu hayranın bildiği şeyler.

And then we moved on to things slightly more complicated.

Daha sonra biraz daha karmaşıklarına yöneldik.

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

Post-up, pick-and-roll (perdele ve yuvarlan)

gibi hücumlar ve isolation gibi.

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

Bunları bilmiyorsanız sorun yok. Çoğu oyuncu muhtemelen bilir.

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

Şu an geldiğimiz nokta, makine karmaşık olayları anlıyor;

like down screens and wide pins.

down screen ve wide pin gibi.

Basically things only professionals know.

Genelde profesyonellerin bildiği şeyler.

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

Yani makineye koçun gözüyle yorumlamasını öğrettik.

So how have we been able to do this?

Peki bunu nasıl yapabildik?

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

Bir koçtan pick-and-roll hücumu gibi bir şeyi anlatmasını istesem

they would give me a description,

bana bir tanım verecektir

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

ve eğer onu algoritmaya çevirirsem korkunç olacaktır.

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

Pick-and-roll; basketbolda 4 oyuncu, 2 savunma ve 2 hücum, arasında

two on offense and two on defense.

olan bir dans gibidir.

And here's kind of how it goes.

İşte nasıl olduğu.

So there's the guy on offense without the ball

Hücumda topa sahip olmayan adam,

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

topa sahip olanı koruyanın yanına gider,

and he kind of stays there

orada durur

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

ve hepsi de hareket eder, olaylar gelişir ve işte pick-and-roll!

(Laughter)

(Gülüşmeler)

So that is also an example of a terrible algorithm.

Ayrıca bu berbat bir algoritmanın da bir örneğiydi.

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

Eğer müdahale eden (perdeleme yapan) oyuncu -- screener denilir --

goes close by, but he doesn't stop,

yakınından gider ama durmazsa

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

bu muhtemelen pick-and-roll değildir.

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

Eğer durur ama yeteri kadar yakın durmazsa,

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

muhtemelen pick-and-roll değildir.

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

Veya yakın gider ve durur

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

ama potanın altında yaparlarsa, muhtemelen pick-and-roll değildir.

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

Ya da yanılabilirim, hepsi de pick-and-roll olabilir.

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

Zamanlamaya, uzaklıklara, konumlara dayanıyor

and that's what makes it hard.

ve zorlaştıran da bunlar zaten.

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

Neyse ki, makine öğrenmesiyle yeteneklerimizin ötesine gidebiliriz

to describe the things we know.

bildiklerimizi betimlemek için.

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

Peki, bu nasıl oluyor? Örnekle.

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

Makineye gidiyoruz ve diyoruz ki, "Günaydın makine.

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

Burada birkaç pick-and-roll olan ve olmayan şeyler var.

Please find a way to tell the difference."

Lütfen farkı söylemek için bir yol bul."

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

Tüm bunların anahtarı ise ayrıştırabilecek özellikleri bulmakta.

So if I was going to teach it the difference

Yani eğer bir elma ile portakal arasındaki

between an apple and orange,

farkı öğreteceksem:

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

"Neden renk veya şekli kullanmıyorsun?" diyebilirim.

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

Ve burada çözdüğümüz problem ise, bu şeyler ne?

What are the key features

Ana unsurlar nedir,

that let a computer navigate the world of moving dots?

bilgisayarın hareketli noktalar dünyasını yönlendirebileceği?

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

Tüm bu göreli ve mutlak konum, uzaklık, zamanlama, hızlar

distance, timing, velocities --

ilişkilerini çözmek --

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

hareketli noktalar biliminin kilidi ya da hitap etmeyi sevdiğimiz şekliyle,

spatiotemporal pattern recognition, in academic vernacular.

Uzaysal/Zamansal Örüntü Tanımlama, akademik dilde.

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

Çünkü ilk olarak kulağa zor gelen bir şey yapmalısınız--

because it is.

çünkü öyle.

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

Kilit şey ise, NBA koçları için, pick-and-roll olup olmadığını

whether a pick-and-roll happened or not.

bilmek istemeleri değil.

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

Nasıl olduğunu bilmek istemeleri.

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

Neden onlar için bu kadar önemli? İşte biraz içgörü.

It turns out in modern basketball,

Anlaşılan o ki modern basketbolda,

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

bu pick-and-roll belki de en önemli oyun olmuş durumda.

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

Ve nasıl oynandığını bilmek, nasıl savunulacağını bilmek

is basically a key to winning and losing most games.

aslında çoğu oyunu kazanmanın ve kaybetmenin anahtarı.

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

Görünüşe göre bu dans birçok harika çeşitlemelere sahip

and identifying the variations is really the thing that matters,

ve asıl önemli olan çeşitlemeleri tanımlamak,

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

bu yüzden bunun çok çok iyi olması gerekiyor.

So, here's an example.

İşte bir örnek.

There are two offensive and two defensive players,

İki hücum, iki savunma oyuncusu var,

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

pick-and-roll dansına hazırlanan.

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

Pekâlâ, toplu olan adam alabilir veya geri çevirebilir.

His teammate can either roll or pop.

Takım arkadaşı ya devrilebilir ya da dışarı açılabilir.

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

Topu koruyan adam ya üstten geçebilir ya da alttan.

Onun takım arkadaşı show-up ya da yakın temas

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

veya soft show-up oynayabilir

and together they can either switch or blitz

ve birlikte switch (değişme) ya da blitz yapabilirler,

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

başladığımda bunların çoğunu bilmiyordum

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

ve herkes bu oklara göre hareket etseler çok iyi olurdu.

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

İşlerimizi kolaylaştırırdı ama görünen o ki hareket oldukça karışık.

People wiggle a lot and getting these variations identified

İnsanlar fazla hareket ediyor ve tüm bu değişimleri saptamak,

with very high accuracy,

üstelik yüksek kesinlikte,

both in precision and recall, is tough

hem duyarlılıkta hem de geri almada zor,

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

çünkü bunların hepsi, koçun size inanması için gerekenler.

And despite all the difficulties with the right spatiotemporal features

Ve tüm zorluklara rağmen, doğru uzaysal/zamansal özelliklerle

we have been able to do that.

yapabildik.

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

Koçlar, bu değişimleri saptamada makinemizin yeteneğine güvendi.

We're at the point where almost every single contender

Şu an olduğumuz nokta, neredeyse her bir yarışmacı

for an NBA championship this year

bu yılki NBA şampiyonluğu için

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

yazılımımızı kullanıyor, basketbolun hareketli noktalarını anlayan

the moving dots of basketball.

makineye kurulmuş olan.

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

Yalnız bu değil, stratejileri değiştirecek tavsiyeler de verdik,

that have helped teams win very important games,

takımların çok önemli maçları yenmelerine yardım eden

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

ve çok heyecan verici bir şey bu, çünkü 30 yıldır ligde olan

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

makineden tavsiye almaya hevesli koçlar var.

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

Çok heyecan verici, pick'n roll'dan çok daha fazla.

Our computer started out with simple things

Bilgisayarımız basit şeylerle başladı

and learned more and more complex things

ve gitgide daha karmaşık şeyler öğrendi

and now it knows so many things.

ve artık çok fazla şey biliyor.

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

Açıkçası, yaptığının çoğunu anlamıyorum

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

ve benden akıllı olması o kadar da özel olmamasına rağmen

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

merak ediyorduk, bir makine koçtan daha fazla bilebilir mi?

Can it know more than person could know?

Bir insandan fazlasını bilebilir mi?

And it turns out the answer is yes.

Ve görünüşe göre cevap, evet.

The coaches want players to take good shots.

Koçlar, oyuncuların iyi sayılar atmalarını isterler.

So if I'm standing near the basket

Yani, potaya yakın duruyorsam

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

ve yakınımda kimse yoksa, bu iyi atıştır.

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

Savunma oyuncularıyla çevrili ve uzaktaysam, bu genelde kötü bir atıştır.

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

Ama iyinin ne kadar "iyi" olduğunu veya

kötününse ne kadar "kötü" olduğunu nicel olarak bilemeyiz.

Until now.

Şimdiye kadar.

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

Yani yapacağımız, tekrardan, uzaysal/zamansal özellikleri

we looked at every shot.

kullanarak her şuta baktık.

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

Görebiliyoruz ki: Atış nerede? Potaya olan açı ne?

Where are the defenders standing? What are their distances?

Savunma oyuncularının konumları neresi? Uzaklıkları nasıl?

Açıları nasıl?

What are their angles?

Çoklu savunma oyuncuları için

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

oyuncuların nasıl hareket ettiklerine bakabilir

and predict the shot type.

ve atış tipini kestirebiliriz.

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

Hızlarına bakabilir ve bir model tasarlayabiliriz,

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

bu şartlar altında yapılan atışın olabilirliğini tahmin edebilecek.

So why is this important?

Peki bu neden önemli?

We can take something that was shooting,

Atışa ait herhangi bir şeyi alıp

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

ki bu tek bir şeydi önceden, bunu iki şeye çevirebiliriz:

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

Şutun kalitesi ve şut atanın kalitesi.

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

Ve kabarcık grafiği, çünkü kabarcık grafiksiz bir TED nedir ki?

(Laughter)

(Kahkahalar)

Those are NBA players.

Bunlar NBA oyuncuları.

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

Büyüklük oyuncuların boyları ve renkte pozisyon.

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

X ekseninde atış olasılıkları var.

People on the left take difficult shots,

Soldaki kişiler zor şutları atanlar,

on the right, they take easy shots.

sağdakiler ise kolay şutları atanlar.

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

Y ekseni ise atış kabiliyetleri.

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

İyi olan kişiler üstte, kötüler ise altta.

So for example, if there was a player

Örneğin, eğer şutlarının

who generally made 47 percent of their shots,

genelde %47'sini atan bir oyuncu varsa,

that's all you knew before.

tek bildiğiniz sadece buydu.

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

Ama bugün, bu oyuncunun şutu ortalama bir NBA oyuncusunun

would make 49 percent of the time,

zamanın yüzde 49'u kadar yaptığı

and they are two percent worse.

ve yüzde 2 kadar daha az.

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

Ve önemli olmasının sebebi de orada bir sürü %47'ler var.

And so it's really important to know

Yani eğer 100 milyon dolar vermeyi düşündüğünüz 47;

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

kötü atışlar atan iyi bir şut atan mı

is a good shooter who takes bad shots

yoksa iyi atışlar atan kötü bir şut atan mı

or a bad shooter who takes good shots.

olduğunu bilmek gerçekten önemli.

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

Makine öğrenmesi sadece oyunculara nasıl baktığımızı değiştirmez

it changes how we look at the game.

ama oyuna nasıl baktığımızı değiştirir.

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

NBA finallerinde birkaç yıl önce çok heyecan verici bir maç vardı.

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

Miami 3 sayı gerideydi, 20 saniye kalmıştı.

They were about to lose the championship.

Şampiyonayı kaybetmek üzereydiler.

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

LeBron James adındaki beyefendi geldi ve eşitlik için 3'lük denedi.

He missed.

Kaçırdı.

His teammate Chris Bosh got a rebound,

Takım arkadaşı Chris Bosh ribaund aldı,

passed it to another teammate named Ray Allen.

diğer takım arkadaşı, Ray Allen'a pas attı.

He sank a three. It went into overtime.

Bir 3'lük attı. Maç uzatmaya gitti.

They won the game. They won the championship.

Maçı kazandılar. Şampiyonayı kazandılar.

It was one of the most exciting games in basketball.

Basketbolun en heyecanlı maçlarından biriydi.

And our ability to know the shot probability for every player

Ve her oyuncu için her saniyede şut olasılığını bilmede

at every second,

bizim yeteneğimiz ve

and the likelihood of them getting a rebound at every second

her saniyede ribaund almalarındaki olabilirlik

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

daha önce olmamış bir şekilde bu ana ışık tutabilir.

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

Şimdi maalesef, o videoyu gösteremem.

But for you, we recreated that moment

Ama sizin için, o anı canlandırdık,

at our weekly basketball game about 3 weeks ago.

haftalık basketbol maçımızda üç hafta önce.

(Laughter)

(Kahkahalar)

And we recreated the tracking that led to the insights.

Ve içyüzüne ışık tutan izlemeyi de tekrar canlandırdık.

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

Ve işte biz. Burası Los Angeles Çin mahallesinde

a park we play at every week,

her hafta oynadığımız bir park

and that's us recreating the Ray Allen moment

ve bu da Ray Allen anını ve ilgili

and all the tracking that's associated with it.

tüm izlemeleri canlandıran bizler.

So, here's the shot.

Ve işte şut.

I'm going to show you that moment

Size o anı göstereceğim

and all the insights of that moment.

ve o anın bütün içyüzünü.

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

Tek fark, profesyonel oyuncular yerine biz varız

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

ve profesyonel spiker yerine ben varım.

So, bear with me.

Bu yüzden, sabredin.

Miami.

Miami

Down three.

3 sayı geride.

Twenty seconds left.

20 saniye kaldı.

Jeff brings up the ball.

Jeff topu getiriyor.

Josh catches, puts up a three!

Josh yakaladı, 3'lük deniyor!

[Calculating shot probability]

[Atış olasılığı hesaplanıyor]

[Shot quality]

[Atış kalitesi]

[Rebound probability]

[Ribaund olasılığı]

Won't go!

Girmedi!

[Rebound probability]

[Ribaund olasılığı]

Rebound, Noel.

Ribaund Noel'de.

Back to Daria.

Daria'ya geldi.

[Shot quality]

[Atış kalitesi]

Her three-pointer -- bang!

3'lük atışı -- basket!

Tie game with five seconds left.

5 saniye kala eşitlik.

The crowd goes wild.

Kalabalık çıldırır.

(Laughter)

(Kahkahalar)

That's roughly how it happened.

Bu kabaca nasıl gerçekleştiğiydi.

(Applause)

(Alkış)

Roughly.

Yaklaşık olarak.

(Applause)

(Alkış)

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

O an, NBA'de yaklaşık %9 gerçekleşme ihtimaline sahip,

and we know that and a great many other things.

biz bunu biliyoruz ve daha birçok diğer şeyleri.

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

Bunun gerçekleşmesinin ne kadar zamanımızı aldığını söylemeyeceğim.

(Laughter)

(Gülüşmeler)

Okay, I will! It was four.

Tamam, söyleyeceğim! Dört kez.

(Laughter)

(Gülüşmeler)

Way to go, Daria.

Tebrikler Daria.

But the important thing about that video

Ama videoyla ilgili önemli şey

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

ve her NBA maçının her saniyesinin bilgilerindeki şey-- bu değil.

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

Gerçek şu ki, hareketleri izlemek için profesyonel bir takım olmanıza gerek yok.

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

Harekete ilişkin bilgiler için profesyonel bir oyuncu olmanıza gerek yok.

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

Hatta, spor bile olmasına gerek yok, çünkü her yere hareket ediyoruz.

We're moving in our homes,

Evlerimizde hareket ediyoruz,

in our offices,

ofislerimizde,

as we shop and we travel

alışveriş yaparken ve seyahat ederken,

throughout our cities

şehirler boyunca

and around our world.

ve tüm dünyada.

What will we know? What will we learn?

Ne anlayacağız? Ne öğreneceğiz?

Perhaps, instead of identifying pick-and-rolls,

Belki de, pick'n rolları tanımlamak yerine,

a machine can identify the moment and let me know

bir makine anı tanımlayabilir ve bana

when my daughter takes her first steps.

kızımın ilk adımlarını haber verebilir.

Which could literally be happening any second now.

Ki şu an gerçekten gerçekleşiyor olabilir.

Belki de binalarımızı daha iyi kullanabilir

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

ve şehirlerimizi daha iyi planlayabiliriz.

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

İnanıyorum ki; hareketli noktalar biliminin gelişimiyle

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

daha iyi, daha akıllı ve daha ileri hareket edeceğiz.

Thank you very much.

Çok teşekkürler.

(Applause)

(Alkışlar)