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

Перекладач: Solomia Studynska Утверджено: Khrystyna Romashko

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

Ми з колегами захоплюємося природою рухомих точок.

So what are these dots?

Що таке ці точки?

Це всі ми.

Well, it's all of us.

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

Всі ми пересуваємося у себе вдома, в офісах, в магазинах і подорожуємо

throughout our cities and around the world.

по своєму місту або по всьому світу.

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

Хіба не було б чудово, якби ми могли зрозуміти ці рухи?

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

Їх закономірності, значення і те, що ховається за ними.

And luckily for us, we live in a time

На щастя для нас, ми живемо в такий час,

коли ми досягли успіху в зборі інформації про самих себе.

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

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

З сенсорів, відео або додатків

we can track our movement with incredibly fine detail.

ми можемо відстежити наш рух з дивовижною точністю.

Виявляється, одна з областей, де зібрані найкращі дані про рух,

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

це спорт.

is sports.

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

Чи то баскетбол чи бейсбол, звичайний або інший футбол,

ми оснащуємо стадіони і гравців пристроями для відстеження рухів

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

every fraction of a second.

кожну частку секунди.

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

Тобто ми перетворюємо своїх атлетів

you probably guessed it --

- ви, напевно, вже здогадалися,

moving dots.

- в рухомі точки.

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

Тепер у нас маса рухомих точок, і, як з будь-якими необробленими даними,

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

з ними важко розібратися, та й не так це цікаво.

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

Але є речі, про які, наприклад, баскетбольні тренери хочуть знати.

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

Проблема в тому, що вони не знають про них, бо довелося б дивитися кожну секунду

кожної гри, запам'ятовуючи і обробляючи.

of every game, remember it and process it.

And a person can't do that,

Людина не може зробити цього,

but a machine can.

але машина може.

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

Але машина не може дивитися на гру очима тренера.

At least they couldn't until now.

Принаймні, вони не могли до цього часу.

So what have we taught the machine to see?

Що ми навчили машину бачити?

So, we started simply.

Ми почали з простого:

We taught it things like passes, shots and rebounds.

навчили її таким речам, як паси, кидки і відскоки.

Things that most casual fans would know.

Тому, що відомо звичайним уболівальникам.

And then we moved on to things slightly more complicated.

А потім ми перейшли до складніших речей.

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

Таким маневрам, як пост-апи, пік-н-роли та ізоляції.

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

Якщо ви їх не знаєте, не страшно. Більшість гравців, можливо, знає.

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

На сьогоднішній день машина розуміє складні маневри

like down screens and wide pins.

на кшталт заслону і широких пін-даунів.

Такі терміни знають тільки професіонали.

Basically things only professionals know.

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

Отже, ми навчили машину «дивитися» очами тренера.

Як ми змогли зробити це?

So how have we been able to do this?

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

Якби я попросив тренера описати, наприклад, пік-н-рол,

they would give me a description,

то він дав би мені опис,

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

і якби я закодував це в алгоритм, то нічого б не вийшло.

Пік-н-рол - це свого роду танець в баскетболі між чотирма гравцями,

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

two on offense and two on defense.

двоє в захисті і двоє в нападі.

And here's kind of how it goes.

Ось, як це відбувається.

Гравець в нападі без м'яча

So there's the guy on offense without the ball

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

йде поруч, захищає гравця з м'ячем,

and he kind of stays there

і залишається в зоні.

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

Вони переміщаються, щось відбувається, і -та-та! - це і є пік-н-рол.

(Laughter)

(Сміх)

So that is also an example of a terrible algorithm.

Це також приклад поганого алгоритму.

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

Якщо гравець, який заважає, - робить заслону, -

goes close by, but he doesn't stop,

підійде ближче, але не зупиниться,

можливо, це не буде пік-н-рол.

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

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

Або якщо він зупиниться, але буде недостатньо близько,

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

то це теж, можливо, не пік-н-рол.

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

Або якщо він підійде близько і зупиниться,

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

але всі вони виявляться під кошиком, це, можливо, не пік-н-рол.

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

Або я помиляюся, може, і це все пік-н-роли.

На ділі, це залежить від точного часу, відстані, місця розташування -

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

and that's what makes it hard.

ось що робить це таким складним.

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

На щастя, машина може навчатись, ми можемо вийти за межі своїх можливостей,

to describe the things we know.

щоб описати те, що знаємо.

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

Як це працює? Розглянемо на прикладі.

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

Отже, ми підходимо до машини і кажемо: «Доброго ранку, машино.

Ось кілька пік-н-ролів і кілька маневрів - не пік-н-ролів.

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

Please find a way to tell the difference."

Будь ласка, знайди спосіб відрізнити їх.»

І ключ до всього - знайти риси, які дозволяють розрізняти їх.

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

So if I was going to teach it the difference

Якби я хотів навчити машину, яка різниця

between an apple and orange,

між яблуком і апельсином,

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

я б спитав: "Чому ти не використовуєш колір і форму?»

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

Проблема, яку ми вирішуємо: за якими параметрами відрізняти?

What are the key features

Які ключові риси

that let a computer navigate the world of moving dots?

дозволяють комп'ютеру орієнтуватися в світі рухомих точок?

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

З'ясування всіх цих відносин між відносним і абсолютним розташуванням,

distance, timing, velocities --

відстанню, часом, швидкістю -

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

це і є ключ до природи рухомих точок, або, як ми їх називаємо,

spatiotemporal pattern recognition, in academic vernacular.

просторово-тимчасове розпізнання образів.

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

Адже, у першу чергу, потрібно назвати це якось складно -

because it is.

тому що це складно.

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

Головне для тренерів NBA - знати не те,

whether a pick-and-roll happened or not.

чи був пік-н-рол чи ні.

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

Вони просто хочуть знати, як це сталося.

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

Чому це так важливо для них? Так ось є така гіпотеза.

It turns out in modern basketball,

Виявляється, в сучасному баскетболі

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

цей пік-н-рол - чи не найважливіший маневр.

Знати, як це відбувається і як оборонятися від нього,

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

is basically a key to winning and losing most games.

по суті, запорука виграшу або поразки в більшості ігор.

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

Виявляється, у цього танцю безліч варіацій

and identifying the variations is really the thing that matters,

і визначення цих варіацій - єдина важлива річ.

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

І саме тому нам потрібно, щоб машина з'ясовувала це дуже, дуже точно.

So, here's an example.

Ось приклад:

There are two offensive and two defensive players,

є два нападники і два захисники,

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

готові виконати танець пік-н-рол.

Гравець з м'ячем може або навести на заслін або відмовитися.

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

Його товариш по команді може провалитися або відкритися.

His teammate can either roll or pop.

Гравець, який охороняє м'яч, може прослизнути або обігнути заслін.

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

Його товариш по команді може допомогти, зробити обмін або залишитись.

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

and together they can either switch or blitz

І разом вони можуть зробити обмін або контратакувати.

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

Я більшу частину цього не знав, коли тільки починав.

Було б чудово, якби всі рухалися згідно з цими стрілками.

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

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

Нам було б набагато легше, але рух - явище досить заплутане.

Люди рухаються багато і визначити ці варіації

People wiggle a lot and getting these variations identified

with very high accuracy,

з дуже високою точністю

both in precision and recall, is tough

одночасно точно і по пам'яті, - складно.

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

Адже саме це потрібно, щоб професійний тренер повірив в тебе.

And despite all the difficulties with the right spatiotemporal features

Незважаючи на всі труднощі з просторово-часовими характеристиками,

we have been able to do that.

ми змогли зробити це.

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

Тренери вірять в можливості нашої машини визначати ці варіації.

We're at the point where almost every single contender

Ми знаходимося на стадії, коли практично кожен претендент

на чемпіонат NBA в цьому році

for an NBA championship this year

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

використовує нашу програму, вбудовану на пристрої, який розуміє,

як рухаються точки в баскетболі.

the moving dots of basketball.

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

Крім того, ми дали пораду, що змінила стратегії,

які допомогли командам виграти важливі гри.

that have helped teams win very important games,

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

Це дуже цікаво, адже є навіть такі тренери, які перебувають в Лізі

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

30 років, але все ж готові отримати пораду від машини.

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

Це дуже цікаво, навіть більше, ніж пік-н-рол.

Our computer started out with simple things

Наш комп'ютер починав з простих речей

and learned more and more complex things

і вивчав все більше і більше складних речей,

and now it knows so many things.

і тепер знає дуже багато всього.

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

Чесно кажучи, я не знаю стільки, скільки він.

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

І це не дивно, що він знає більше за мене.

Нам було цікаво, чи може машина знати більше, ніж тренер?

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

Can it know more than person could know?

Чи може вона знати більше, ніж людина?

And it turns out the answer is yes.

Виявилося, що так.

The coaches want players to take good shots.

Тренери хочуть, щоб гравці виконували гарні кидки.

So if I'm standing near the basket

Якщо я стою біля кошика

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

і нікого немає поруч зі мною, це хороший кидок.

Якщо я стою далеко, оточений захисниками, це, зазвичай, поганий кидок.

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

Але ми не знали, як оцінити кількісно «хороші» чи «погані» кидки.

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

Until now.

До цього часу.

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

Використовуючи просторово-часові характеристики,

we looked at every shot.

ми переглядаємо кожен кидок.

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

Дізнатися: Звідки він зроблений? Який кут відносно корзини?

Where are the defenders standing? What are their distances?

Де стоять захисники? Яка їхня відстань?

Під якими вони кутами?

What are their angles?

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

Серед захисників ми можемо побачити, як рухається гравець

and predict the shot type.

і передбачити тип кидка.

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

Ми можемо обчислити їх швидкості і побудувати модель, яка передбачить

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

ймовірність здійснення кидка при даних обставинах.

So why is this important?

Чому це так важливо?

Ми можемо визначити кидок,

We can take something that was shooting,

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

який раніше був єдиний і скласти його в два параметри:

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

якості кидка і здатності кидаючого.

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

Ось бульбашкова діаграма. Який виступ на TED без діаграми?

(Laughter)

(Сміх)

Це гравці NBA.

Those are NBA players.

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

Розмір - це розмір гравців, а колір - позиція.

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

На осі Х - ймовірність кидка.

People on the left take difficult shots,

Гравці зліва роблять складні кидки,

on the right, they take easy shots.

праворуч - легкі.

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

По осі У - їх вміння здійснювати кидки.

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

Хороші гравці нагорі, а гірші внизу.

So for example, if there was a player

Наприклад, якщо раніше був гравець

who generally made 47 percent of their shots,

чия ефективність кидків зазвичай 47%,

that's all you knew before.

це все, що вам було відомо.

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

Сьогодні я можу сказати вам, що гравець робить кидки, як середньостатистичний гравець NBA

would make 49 percent of the time,

в 49% випадків,

and they are two percent worse.

і що вони на 2% гірші.

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

Це важливо знати тому, що є багато гравців з 47%.

And so it's really important to know

Дуже важливо знати,

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

чи з тих 47% гравець, в якого ви плануєте вкласти 100 мільйонів доларів,

is a good shooter who takes bad shots

є хорошим бомбардиром, який робить погані кидки,

чи поганим бомбардиром, що виконує хороші кидки.

or a bad shooter who takes good shots.

Машинний аналіз змінює не тільки те, як ми розглядаємо гравців,

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

it changes how we look at the game.

але і те, як ми бачимо гру.

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

Кілька років тому відбулася дуже захоплююча гра в фіналі NBA .

«Miami» відставало на 3 очки, залишалось 20 секунд.

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

They were about to lose the championship.

Вони були на межі програшу чемпіонату.

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

Джентльмен на ім'я Леброн Джеймс кинув триочковий, щоб зрівняти рахунок.

He missed.

Він промахнувся.

Його товариш Кріс Бош підібрав м'яч,

His teammate Chris Bosh got a rebound,

passed it to another teammate named Ray Allen.

і передав іншому гравцю в команді, Рею Аллену.

Він закинув триочковий. Гра продовжилась в овертаймі.

He sank a three. It went into overtime.

Вони виграли гру і чемпіонат.

They won the game. They won the championship.

Це була одна з найбільш захоплюючих ігор в баскетболі.

It was one of the most exciting games in basketball.

And our ability to know the shot probability for every player

Наша здатність передбачати ймовірність кидка для кожного гравця

at every second,

кожну секунду

і можливість відбору м'яча кожної секунди

and the likelihood of them getting a rebound at every second

може пролити світло на цей момент так, як ніколи раніше.

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

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

На жаль, я не можу показати вам запис тієї гри.

But for you, we recreated that moment

Але для вас ми відтворили цей момент

at our weekly basketball game about 3 weeks ago.

на нашій щотижневій грі в баскетбол 3 тижні тому.

(Laughter)

(Сміх)

And we recreated the tracking that led to the insights.

Ми відтворили їх дії, що призвело до прозріння.

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

Ось ми. Це Китайський квартал в Лос-Анджелесі,

a park we play at every week,

парк, де ми граємо щотижня,

і це ми відтворюємо момент Рея Аллена

and that's us recreating the Ray Allen moment

and all the tracking that's associated with it.

і відстежуємо рухи.

So, here's the shot.

Ось кидок.

I'm going to show you that moment

Я збираюся показати вам той момент

and all the insights of that moment.

і всі деталі того моменту.

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

Єдина різниця: замість професійних гравців граємо ми,

а замість професійного коментатора буду я.

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

So, bear with me.

Будьте до мене поблажливі.

«Miami».

Miami.

Down three.

Розрив в три очки.

Залишилось 20 секунд.

Twenty seconds left.

Jeff brings up the ball.

Джефф передає м'яч.

Josh catches, puts up a three!

Джош його ловить і кидає триочковий.

[Calculating shot probability]

[Обчислюється ймовірність кидка]

[Shot quality]

[Якість кидка]

[Rebound probability]

[Можливість відскоку]

Won't go!

Промах!

[Rebound probability]

[Можливість відскоку]

Rebound, Noel.

Ноель ловить м'яч.

Передає його Дарії.

Back to Daria.

[Shot quality]

[Якість кидка]

Her three-pointer -- bang!

Триочковий - ура!

Tie game with five seconds left.

Ми зрівняли рахунок, і залишається ще 5 секунд.

The crowd goes wild.

Натовп божеволіє.

(Laughter)

(Сміх)

That's roughly how it happened.

Приблизно ось так все це сталося.

(Applause)

(Оплески)

Roughly.

Приблизно.

(Оплески)

(Applause)

Імовірність цього моменту в грі NBA - 9%,

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

and we know that and a great many other things.

і ми знаємо це і ще безліч інших речей.

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

Не буду розповідати, скільки разів нам довелося перегравати цей момент.

(Laughter)

(Сміх)

Okay, I will! It was four.

Гаразд, я скажу - 4 рази.

(Сміх)

(Laughter)

Молодець, Дарія!

Way to go, Daria.

But the important thing about that video

Але головне в цьому відео

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

і знаннях, які ми маємо по кожній секунді кожної гри NBA - не в цьому.

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

Головне те, що не потрібно бути професійною командою, щоб відстежувати рух;

Тобі не потрібно бути професійним гравцем, щоб зрозуміти всі деталі рухів.

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

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

Навіть не обов'язково застосовувати це до спорту, адже ми рухаємося постійно.

We're moving in our homes,

Ми рухаємося в будинку,

in our offices,

в нашому офісі,

as we shop and we travel

коли ходимо за покупками або подорожуємо

throughout our cities

по місту

і по всьому світу.

and around our world.

What will we know? What will we learn?

Що ми дізнаємося? Чому ми навчимось?

Perhaps, instead of identifying pick-and-rolls,

Можливо, замість визначення пік-н-ролів

a machine can identify the moment and let me know

машина зможе визначити момент і дозволить мені дізнатися,

when my daughter takes her first steps.

коли моя дочка зробить свої перші кроки.

Що буквально може статися в будь-який момент.

Which could literally be happening any second now.

Можливо, ми зможемо навчитися краще проектувати наші будівлі, міста.

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

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

Я вірю, що з розвитком науки, що займається вивченням рухомих точок,

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

ми будемо рухатися краще, будемо рухатися розумніше, будемо рухатися вперед.

Thank you very much.

Щиро вдячний.

(Applause)

(Оплески)