TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
راجيف ماهيسواران: الرياضيات خلف حركات كرة السلة العجيبة
Filmed:
Readability: 3.1
2,683,104 views
كرة السلة لعبة سريعة الحركة من الرتجال و الاتصال و، احيم، تعريف انماط الزمانية و المكانية. راجيف ماهيسواران و زملائه يحللون حركات وراء الحركات الرئيسية في المباراة, لمساعدة المدربين و اللاعبين لجمع الحدس مع بيانات جديدة. اضافة: ما الذي يتعلمونه قد يساعدنا قي فهم كيف يتحرك البشر في كل مكان.
Rajiv Maheswaran - Researcher
Using advanced data analysis tools, Rajiv Maheswaran and Second Spectrum help make basketball teams smarter. Full bio
Using advanced data analysis tools, Rajiv Maheswaran and Second Spectrum help make basketball teams smarter. Full bio
Double-click the English transcript below to play the video.
00:12
My colleagues and I are fascinated
by the science of moving dots.
by the science of moving dots.
0
954
3583
زملائي و انا معجبين بعلم النقاط المتحركة
00:16
So what are these dots?
1
4927
1150
فما هي هذه النقاط ؟
00:18
Well, it's all of us.
2
6101
1287
حسنا، هي كل واحد منا.
و نحن نتحرك في بيوتنا، في مكاتبنا،
كما نحن نتسوق و نسافر
كما نحن نتسوق و نسافر
00:19
And we're moving in our homes,
in our offices, as we shop and travel
in our offices, as we shop and travel
3
7412
5085
00:24
throughout our cities
and around the world.
and around the world.
4
12521
2066
خلال مدننا و حول العالم.
اليس من الجيد من ان نكون قادرين على
ان نتفهم كل هذه التحركات
ان نتفهم كل هذه التحركات
00:26
And wouldn't it be great
if we could understand all this movement?
if we could understand all this movement?
5
14958
3669
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
اذا كنا قادرين على ايجاد انماط
و معاني و النظر في ذلك
و معاني و النظر في ذلك
00:34
And luckily for us, we live in a time
7
22259
1785
و لحسن الحظ لنا، نحن نعيش في زمان
00:36
where we're incredibly good
at capturing information about ourselves.
at capturing information about ourselves.
8
24068
4497
و نحن بشكل لا يصدق جيدين في
التقاط معلومات عن انفسنا
التقاط معلومات عن انفسنا
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
و ذلك سواء من خلال اجهزة الاستشعار
او الفيديو, او التطبيقات
او الفيديو, او التطبيقات
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
نحن نستطيع تتبع حركاتنا
بتفاصيل دقيقة لا تصدق
بتفاصيل دقيقة لا تصدق
00:48
So it turns out one of the places
where we have the best data about movement
where we have the best data about movement
11
36092
5032
لذلك تبين ان احد الاماكن حيث وجدنا
ان افضل بيانات حول الحركة
ان افضل بيانات حول الحركة
00:53
is sports.
12
41148
1208
هي الرياضة
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
ذلك سواء اكان في كرة السلة او البيسبول,
او كرة القدم او كرة القدم الاخرى
او كرة القدم او كرة القدم الاخرى
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
نحن نجهز ملاعبنا بالاجهزة و
لاعبينا حتى نتتبع حركاتهم
لاعبينا حتى نتتبع حركاتهم
01:04
every fraction of a second.
15
52465
1313
كل جزء من الثانية
01:05
So what we're doing
is turning our athletes into --
is turning our athletes into --
16
53802
4382
و ما نفعله هو تحويل لاعبينا الى
01:10
you probably guessed it --
17
58208
1959
ربما عرفتم الى ماذا
01:12
moving dots.
18
60191
1396
نقاط متحركة
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
لذلك لدينا كومة من النقاط المتحركة
و كمعظم البينات الاولية،
و كمعظم البينات الاولية،
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
من الصعب التعامل معها و ليس بتلك المتعة.
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
لكن هناك اشياء التي على سبيل المثال،
مدربين كرة السلة يريدون معرفته.
مدربين كرة السلة يريدون معرفته.
01:25
And the problem is they can't know them
because they'd have to watch every second
because they'd have to watch every second
22
73223
3810
و المشكلة انه لا يمكنهم معرفتها لانهم
بحاجة الى مشاهدة كل ثانية
بحاجة الى مشاهدة كل ثانية
01:29
of every game, remember it and process it.
23
77057
2589
من كل مباراة، تذكره و معالجته.
01:31
And a person can't do that,
24
79804
1930
و الانسان لا يمكنه فعل ذلك
01:33
but a machine can.
25
81758
1310
لكن الآلة تستطيع
01:35
The problem is a machine can't see
the game with the eye of a coach.
the game with the eye of a coach.
26
83661
3410
المشكلة ان الآلة لا تسطيع ان ترى
المباراة كما يراها المدرب
المباراة كما يراها المدرب
01:39
At least they couldn't until now.
27
87363
2261
على الاقل لم يتمكنوا حتى اﻷن
01:42
So what have we taught the machine to see?
28
90228
2103
فماذا علمنا الآلة ان ترى؟
01:45
So, we started simply.
29
93569
1787
لذلك بدأنا ببساطة.
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
علمناها اشياء مثل التمريرات،
و لقطات و الترددات.
و لقطات و الترددات.
01:51
Things that most casual fans would know.
31
99203
2541
اشياء التي يعرفها المشجعين العاديين.
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
و من ثم انتقلنا الى الاشياء
الاكثر تعقيدا بقليل.
الاكثر تعقيدا بقليل.
01:56
Events like post-ups,
and pick-and-rolls, and isolations.
and pick-and-rolls, and isolations.
33
104624
4588
احداث مثل "بوست ابس" و
انتقاء و لفات, و العزلة
انتقاء و لفات, و العزلة
02:01
And if you don't know them, that's okay.
Most casual players probably do.
Most casual players probably do.
34
109377
3543
و اذا لم تعرفوهم, لا بأس بذلك.
معظم اللاعبين العاديين ربما يعرفون.
معظم اللاعبين العاديين ربما يعرفون.
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
الان, نحن وصلنا الى نقطة حيث ان اليوم,
الآلة تفهم احداث معقدة
الآلة تفهم احداث معقدة
02:10
like down screens and wide pins.
36
118924
3073
مثل "داون سكرينس" و "وايد بينس"
02:14
Basically things only professionals know.
37
122021
2726
الاشياء التي يعرفها المحترفين اساسا.
02:16
So we have taught a machine to see
with the eyes of a coach.
with the eyes of a coach.
38
124771
4388
لذلك علمنا اﻵلة بان ترى كما يرى المدرب .
02:22
So how have we been able to do this?
39
130009
1857
فكيف كنا قادرين على فعل ذلك؟
02:24
If I asked a coach to describe
something like a pick-and-roll,
something like a pick-and-roll,
40
132511
3118
اذا سألت مدرب بأن يصف لي شيئا
مثل "بيك-اند-رول",
مثل "بيك-اند-رول",
02:27
they would give me a description,
41
135653
1640
لاعطوني وصف،
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
و لو شفرت ذلك كخوارزمية،
سيكون فظيعا.
سيكون فظيعا.
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
ال"بيك-اند-رول" حدث ان تكون هذه
الرقصة في كرة السلة بين اربعة لاعبين,
الرقصة في كرة السلة بين اربعة لاعبين,
02:37
two on offense and two on defense.
44
145328
1912
اثنين على الهجوم و اثنين علي الدفاع.
02:39
And here's kind of how it goes.
45
147486
1618
وهنا نوعا ما كيف تسير الأمور.
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
اذا هنالك الشخص على
الموقع الهجومي دون الكرة
الموقع الهجومي دون الكرة
02:43
the ball and he goes next to the guy
guarding the guy with the ball,
guarding the guy with the ball,
47
151685
3209
هو و الكرة يذهبان الى جانب الشخص
الذي يحرس الشخص مع الكرة،
الذي يحرس الشخص مع الكرة،
02:46
and he kind of stays there
48
154918
1257
و هو نوعا ما يبقى هناك
02:48
and they both move and stuff happens,
and ta-da, it's a pick-and-roll.
and ta-da, it's a pick-and-roll.
49
156199
3317
و كلاهما يتحركان و اشياء تحدث,
و تا-دا, انها "بيك-اند-رول".
و تا-دا, انها "بيك-اند-رول".
02:51
(Laughter)
50
159540
2215
(ضحك)
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
اذا هذا ايضا مثال على خوارزمية فظيعة.
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
اذا, اذا كان اللاعب الذي يتدخل
-- هو يسمي ب"سكرينير"--
-- هو يسمي ب"سكرينير"--
03:01
goes close by, but he doesn't stop,
53
169278
2872
يذهب بالقرب من, لكنه لا يتوقف،
03:04
it's probably not a pick-and-roll.
54
172174
1765
انها لربما ليست " بيك-اند-رول".
03:06
Or if he does stop,
but he doesn't stop close enough,
but he doesn't stop close enough,
55
174560
3945
او اذا توقف, لكنه لا يتوقف
لا يقترب الى حد كافي,
لا يقترب الى حد كافي,
03:10
it's probably not a pick-and-roll.
56
178529
1761
انها لربما ليست " بيك-اند-رول".
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
او, اذا اقترب منه و هو يتوقف
03:15
but they do it under the basket,
it's probably not a pick-and-roll.
it's probably not a pick-and-roll.
58
183903
3324
لكنهم يفعلوها تحت السلة,
انها لربما ليست " بيك-اند-رول".
انها لربما ليست " بيك-اند-رول".
03:19
Or I could be wrong,
they could all be pick-and-rolls.
they could all be pick-and-rolls.
59
187462
2524
او قد اكون مخطئ, من الممكن
ان كلهن " بيك-اند-رول".
ان كلهن " بيك-اند-رول".
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
و هو حقا على يعتمد على الوقت الدقيق
و المسافات و المواقع
و المسافات و المواقع
03:26
and that's what makes it hard.
61
194602
1495
و هذا ما يجعله صعب.
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
لذلك مع حسن الحظ، مع تعلم الآلة،
يمكننا تجاوز قدراتنا
يمكننا تجاوز قدراتنا
03:33
to describe the things we know.
63
201547
1743
لوصف الاشياء التي نعرفها.
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
فكيف هذا يعمل؟ حسنا انها من خلال النماذج.
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
لذلك نحن الى الآلة و نقول,
" صباح الخير يا آلة.
" صباح الخير يا آلة.
03:41
Here are some pick-and-rolls,
and here are some things that are not.
and here are some things that are not.
66
209077
3359
و ها هنا بعض "بيك اند رولس",
و ها هنا بعض الاشياء التي ليست.
و ها هنا بعض الاشياء التي ليست.
03:44
Please find a way to tell the difference."
67
212720
2252
من فضلك جد طريقة لمعرفة الفرق."
03:47
And the key to all of this is to find
features that enable it to separate.
features that enable it to separate.
68
215076
3707
و المفتاح لكل هذا هو ايجاد المميزات
التي تمكنها من الفصل.
التي تمكنها من الفصل.
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
لذلك اذا كنت ذاهبا لاعلمها الفروق
03:52
between an apple and orange,
70
220940
1381
بين تفاحة و البرتقال
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
ربما اقول, "لماذا لا تستخدم لون او شكل؟"
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
و المشكلة التي نحلها هي،
ما هي هذه الاشياء؟
ما هي هذه الاشياء؟
03:59
What are the key features
73
227711
1247
ما هي الملامح الرئيسية
04:00
that let a computer navigate
the world of moving dots?
the world of moving dots?
74
228982
3499
التي تدع الكمبيوتر التنقل في
عالم النقاط المتحركة؟
عالم النقاط المتحركة؟
04:04
So figuring out all these relationships
with relative and absolute location,
with relative and absolute location,
75
232505
4823
لذلك اكتشاف كل هذه العلاقات
مع موقع النسبي و المطلق،
مع موقع النسبي و المطلق،
مسافة، التوقيت، سرعات--
04:09
distance, timing, velocities --
76
237352
1909
04:11
that's really the key to the science
of moving dots, or as we like to call it,
of moving dots, or as we like to call it,
77
239440
4928
هذا هو حقا المفتاح علم النقاط المتحركة
او كما نحب ان نسميه،
او كما نحب ان نسميه،
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
التعرف على الانماط الزمانية المكانية،
في الاكادمية العامية.
في الاكادمية العامية.
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
لان اول شئ هو، يجب عليك ان تجعل
الامر يبدو صعب--
الامر يبدو صعب--
04:22
because it is.
80
250847
1278
لانه كذلك.
04:24
The key thing is, for NBA coaches,
it's not that they want to know
it's not that they want to know
81
252410
3141
الشيئ الرئيسي لمدربين NBA هو ليس
انهم لا يريدون معرفة
انهم لا يريدون معرفة
04:27
whether a pick-and-roll happened or not.
82
255575
1922
اذا حدث "بيك اند رول" ام لم يحدث.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
هو انهم يريدون معرفة كيف حدث.
04:31
And why is it so important to them?
So here's a little insight.
So here's a little insight.
84
259621
2986
و لماذا هذا مهم لهم؟ اذا هذه معرفة بسيطة.
04:34
It turns out in modern basketball,
85
262631
1771
اتضح ان في كرة السلة الحديثة,
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
ربما ال"بيك اند رول" اهم اللعب.
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
و معرفة كيفية ادارتها,
و معرفة كيفية حمايتها,
و معرفة كيفية حمايتها,
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
هو اساسا مفتاح الفوز و الخسارة
في معظم المباريات.
في معظم المباريات.
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
اتضح ان هذه الرقصة لها عدد كبير من البدائل
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
و تعريف هذه البدائل هو الامر المهم,
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
و لهذا لماذا نحن نحتاج من ان
ذلك يكون جيد جدا,
ذلك يكون جيد جدا,
04:55
So, here's an example.
92
283228
1176
اذن, هذا مثال.
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
هنلك لاعبين اثنين مهاجمين
و لاعبين اثنين مدافعين,
و لاعبين اثنين مدافعين,
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
مستدعين ليقوموا رقصة ال"بيك اند رول".
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
اذن الشخص مع الكرة يمكنه
يأخذ او يمكنه يرفض
يأخذ او يمكنه يرفض
05:04
His teammate can either roll or pop.
96
292086
3001
بامكان زملائه اما ان يفعلو
ال"رول" او "بوب".
ال"رول" او "بوب".
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
الشخص الذي يحرس الكرة يمكنه
اما ان يذهب من فوق او من تحت.
اما ان يذهب من فوق او من تحت.
05:10
His teammate can either show
or play up to touch, or play soft
or play up to touch, or play soft
98
298121
4565
زملائه يمكنهم اما الاظهار او اللعب
حتى اللمس او اللعب بليونه
حتى اللمس او اللعب بليونه
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
و مع بعضهم اما يمكنهم التبديل او الهجوم
05:17
and I didn't know
most of these things when I started
most of these things when I started
100
305352
2659
و لم أعرف معظم هذه الاشياء عندما بدأت
05:20
and it would be lovely if everybody moved
according to those arrows.
according to those arrows.
101
308035
3920
وسيكون من الرائع لو ان الجميع
تحركوا وفقا لهذه الاسهم.
تحركوا وفقا لهذه الاسهم.
05:23
It would make our lives a lot easier,
but it turns out movement is very messy.
but it turns out movement is very messy.
102
311979
3905
سيجعل حياتنا اسهل بكثير,
و لكن اتضح ان الحركات فوضوية جدا.
و لكن اتضح ان الحركات فوضوية جدا.
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
الناس يهتزون كثيرا و تعريف هذه المتغيرات
05:33
with very high accuracy,
104
321555
1303
مع الدقة العالية,
05:34
both in precision and recall, is tough
105
322882
1868
في كلا الدقة و الاسترداد صعب
05:36
because that's what it takes to get
a professional coach to believe in you.
a professional coach to believe in you.
106
324774
3618
لان هذا ما يلزم لمدرب المحترف يصدقك.
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
و بالرغم من الصعوبات المتعلقة بالملامح
الزمانية و المكانية الصحيحة
الزمانية و المكانية الصحيحة
05:43
we have been able to do that.
108
331820
1474
استطعنا القيام من ذلك.
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
المدربين يؤمنون بقدرات آلتنا
في تحديد هذه المتغيرات.
في تحديد هذه المتغيرات.
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
نحن عند النقطة حيث ان كل منافس تقريبا
05:53
for an NBA championship this year
111
341035
1623
لبطولة الNBA في هذا العام
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
يستخدم برمجياتنا المبنية
على الآلة التي تدرك
على الآلة التي تدرك
05:59
the moving dots of basketball.
113
347114
1634
النقاط المتحركة لكرة السلة.
06:01
So not only that, we have given advice
that has changed strategies
that has changed strategies
114
349872
5153
و ليس فقط ذلك، بل واعطينا النصائح
التي غيرت استراتيجيات
التي غيرت استراتيجيات
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
التي ساعدت الفرق في الفوز في مباريات مهمة،
06:10
and it's very exciting because you have
coaches who've been in the league
coaches who've been in the league
116
358425
3732
و هذا في غاية الاثارة لان لديك
مدربين الذين كانوا في الدوري
مدربين الذين كانوا في الدوري
06:14
for 30 years that are willing to take
advice from a machine.
advice from a machine.
117
362181
3067
لمدة 30 عاما الذين هم مستعدين
ﻹخذ نصائح من آلة.
ﻹخذ نصائح من آلة.
06:17
And it's very exciting,
it's much more than the pick-and-roll.
it's much more than the pick-and-roll.
118
365874
2906
و هو مثير جدا، و اكثر بكثير
من "بيك اند رول".
من "بيك اند رول".
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
حاسوبنا ابتدأ بالاشياء الصغيرة
06:22
and learned more and more complex things
120
370904
2064
و تعلم المزيد و المجزيد من الاشياء المعقدة
06:24
and now it knows so many things.
121
372992
1561
و الان يعرف اشياء كثيرة.
06:26
Frankly, I don't understand
much of what it does,
much of what it does,
122
374577
2835
بصراحة، انا لا افهم كثيرا بما يفعله
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
و حينما انه ليس من المهم ان يكون اذكى مني،
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
نحن كن نتسائل هل يمكن للآلة
ان تعرف اكثر من المدرب؟
ان تعرف اكثر من المدرب؟
06:36
Can it know more than person could know?
125
384843
2055
هل يمكنها ان تعرف اكثر من الشخص؟
06:38
And it turns out the answer is yes.
126
386922
1745
و اتضح ان الجواب هو نعم.
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
المدربين يريدون اللاعبين
لاتخاذ ضربات جيدة.
لاتخاذ ضربات جيدة.
06:43
So if I'm standing near the basket
128
391272
1651
لذلك اذا كنت وواقفا بجانب السلة
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
و ليس هناك احد بجانبي، انها ضربة جيدة.
06:47
If I'm standing far away surrounded
by defenders, that's generally a bad shot.
by defenders, that's generally a bad shot.
130
395137
3940
اذا كنت واقفا بعيدا و محاصر بالمدافعين ،
تلك بشكل عام ضربة سيئة.
تلك بشكل عام ضربة سيئة.
06:51
But we never knew how good "good" was,
or how bad "bad" was quantitatively.
or how bad "bad" was quantitatively.
131
399101
4876
و لكننا لم نعرف كيف الجيد كان "جيدا"
او كيف السيئ كان "سيئا" كميا.
او كيف السيئ كان "سيئا" كميا.
06:56
Until now.
132
404209
1150
حتى الان.
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
اذا ما يمكننا فعله، مجددا، هو استخدام
ميزات الزمانية و المكانية،
ميزات الزمانية و المكانية،
07:00
we looked at every shot.
134
408853
1374
نظرنا الى لقطة.
07:02
We can see: Where is the shot?
What's the angle to the basket?
What's the angle to the basket?
135
410251
3005
بامكاننا ان نرى: اين اللقطة؟
أي زاوية الى السلة؟
أي زاوية الى السلة؟
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
اين المهاجمون واقفون؟ ما هي مسافاتهم؟
07:08
What are their angles?
137
416066
1331
ما هي زواياهم؟
07:09
For multiple defenders, we can look
at how the player's moving
at how the player's moving
138
417421
2977
لعدة مهاجمين، يمكننا ان نرى
كيف يتحرك اللاعبون
كيف يتحرك اللاعبون
07:12
and predict the shot type.
139
420422
1433
و تنبؤ نوعية المحاولة.
07:13
We can look at all their velocities
and we can build a model that predicts
and we can build a model that predicts
140
421879
4074
يمكننا ان نرى جميع سرعاتهم
و يمكننا ان نبنى نموذج الذي يتوقع
و يمكننا ان نبنى نموذج الذي يتوقع
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
ما هو الاحتمال ان المحاولة
ستسير وفق هذه الظروف؟
ستسير وفق هذه الظروف؟
07:22
So why is this important?
142
430188
1500
اذن لماذا هذا مهم؟
07:24
We can take something that was shooting,
143
432102
2803
يمكننا اخذ شيئ كان يرمي،
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
الذي كان شيئ واحد من قبل
و تحويله الى شيئين:
و تحويله الى شيئين:
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
نوعية الرمية و نوعية الرامي.
07:33
So here's a bubble chart,
because what's TED without a bubble chart?
because what's TED without a bubble chart?
146
441680
3262
اذن هذا تخطيط فقاعي،
لأنه ما هو TED من دون تخطيط فقاعي؟
لأنه ما هو TED من دون تخطيط فقاعي؟
07:36
(Laughter)
147
444966
1014
( ضحك)
07:38
Those are NBA players.
148
446004
1311
هؤلاء لاعبين NBA
07:39
The size is the size of the player
and the color is the position.
and the color is the position.
149
447339
3120
الحجم هو حجم اللاعب و اللون هو الموقع.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
على محور السيني لدينا احتمالات الرمية.
07:44
People on the left take difficult shots,
151
452639
1953
الاشخاص على اليسار يتخذون رميات صعبة،
07:46
on the right, they take easy shots.
152
454616
2229
على اليمين، يتخذون رميات سهلة.
07:49
On the [y-axis] is their shooting ability.
153
457194
2057
على محور الصادي هي قدراتهم على الرماية.
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
الاشخاص الجيدين في الاعلى،
السيئين في الاسفل.
السيئين في الاسفل.
07:53
So for example, if there was a player
155
461861
1760
اذن على سبيل المثال،
اذا كان هناك لاعب
اذا كان هناك لاعب
07:55
who generally made
47 percent of their shots,
47 percent of their shots,
156
463621
2097
الذي عموما جعل 47 بالمئة من الرميات،
07:57
that's all you knew before.
157
465718
1389
هذا كل ما عرفتوه مسبقا.
07:59
But today, I can tell you that player
takes shots that an average NBA player
takes shots that an average NBA player
158
467345
4850
لكن اليوم، يمكنني ان اقول لكم ان اللاعب
الذي يتخذ رميات ان لاعب الNBA العادي
الذي يتخذ رميات ان لاعب الNBA العادي
08:04
would make 49 percent of the time,
159
472219
1961
يمكنه النجاح 49 بالمئة من الوقت،
08:06
and they are two percent worse.
160
474204
1684
و هم 2 بالمئة اسوأ.
08:08
And the reason that's important
is that there are lots of 47s out there.
is that there are lots of 47s out there.
161
476266
4515
و سبب اهميته لأن هناك كثيرين
بهذا المستوى .
بهذا المستوى .
08:13
And so it's really important to know
162
481714
2549
و هذا امر مهم لمعرفته
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
اذا قررت اعطائهم 100 مليون دولار
08:20
is a good shooter who takes bad shots
164
488267
3055
من يرمي جيدا و يتخذ رميات جيد
08:23
or a bad shooter who takes good shots.
165
491346
2397
او من يرمي بسوء و يتخذ رميات جيدة.
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
فهم الآلة ليس فقط تغير كيف
ننظر الى اللاعبين،
ننظر الى اللاعبين،
08:30
it changes how we look at the game.
167
498487
1858
انها تغير نظرتنا الى المباراة.
08:32
So there was this very exciting game
a couple of years ago, in the NBA finals.
a couple of years ago, in the NBA finals.
168
500369
3755
كانت هناك مباراة ممتعة جدا قبل بضعة سنين،
في نهائيات الNBA.
في نهائيات الNBA.
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
كانت ميامي اقل بثلاث نقاط،
و تبقى من 20 ثانية.
و تبقى من 20 ثانية.
08:39
They were about to lose the championship.
170
507379
2025
كانوا على وشك خسارة البطولة.
08:41
A gentleman named LeBron James
came up and he took a three to tie.
came up and he took a three to tie.
171
509428
3341
جاء رجل اسمه لابرون جيمس
و اتخذ ثلاث للتعادل.
و اتخذ ثلاث للتعادل.
08:44
He missed.
172
512793
1198
لكنه اخفق.
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
زميله كريس حصل على ارتداد،
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
مرره الى زميله الاخر اسمه راي الان.
08:50
He sank a three. It went into overtime.
175
518059
1919
و اغرق ثلاث. فاتوا بالوقت الاضافي.
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
فازوا المباراة. فازوا البطولة.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
كانت احد المباريات المثيرة
جدا في كرة السلة.
جدا في كرة السلة.
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
و قدرتنا علي معرفة احتمالات
محاولات لكل لاعب
محاولات لكل لاعب
09:00
at every second,
179
528891
1188
في كل ثانية،
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
و احتمال حصولهم على ارتداد في كل ثانية
09:05
can illuminate this moment in a way
that we never could before.
that we never could before.
181
533083
3443
يمكنه توضيح اللحظة بطريقة
لم نستطع بها من قبل.
لم نستطع بها من قبل.
09:09
Now unfortunately,
I can't show you that video.
I can't show you that video.
182
537618
2668
اﻵن للاسف، لا يمكنني ان اريكم ذلك الفيديو.
09:12
But for you, we recreated that moment
183
540310
4493
لكن لكم، نحن صوغنا تلك اللحظة
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
في مبارتنا لكرة السلة قبل
حوالي ثلاثة اسابيع.
حوالي ثلاثة اسابيع.
09:19
(Laughter)
185
547279
2167
(ضحك )
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
و صوغنا التتابع الذي الى ادى المشاهد.
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
اذن، ها هنا نحن. هذا الحي الصيني
في لوس انجلوس،
في لوس انجلوس،
09:29
a park we play at every week,
188
557478
1564
منتزه نلعب فيه كل اسبوع،
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
و ها نحن نصوغ لحظة راي الان
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
و كل التتابع المرتبط بتلك باللحظة.
09:36
So, here's the shot.
191
564772
1517
اذن، هذه هي الرمية.
09:38
I'm going to show you that moment
192
566313
2516
سوف اريكم تلك اللحظة
09:40
and all the insights of that moment.
193
568853
2587
و كل المشاهد من تلك اللحظة.
09:43
The only difference is, instead
of the professional players, it's us,
of the professional players, it's us,
194
571464
3730
الاختلاف الوحيد هو، انه نحن
بدلا من لاعبين محترفين،
بدلا من لاعبين محترفين،
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
و انا بدلا من معلّق محترف،
انا المعلّق.
انا المعلّق.
09:49
So, bear with me.
196
577860
1477
اذن، تحملوا معي.
09:53
Miami.
197
581153
1150
ميامي
09:54
Down three.
198
582671
1150
خاسرين بثلاث نقاط.
09:56
Twenty seconds left.
199
584107
1150
عشرون ثانية باقية.
09:59
Jeff brings up the ball.
200
587385
1198
جيف يحضر الكرة.
10:02
Josh catches, puts up a three!
201
590656
1535
جوش يلتقطها، و يسدد بثلاث نقاط!
10:04
[Calculating shot probability]
202
592631
1849
[حساب احتمالات الرمية]
10:07
[Shot quality]
203
595278
1150
[جودة الرمية ]
10:09
[Rebound probability]
204
597048
1785
[ احتمال الارتداد]
10:12
Won't go!
205
600373
1173
لن يحدث!
10:13
[Rebound probability]
206
601570
1446
[ احتمال الارتداد]
10:15
Rebound, Noel.
207
603777
1256
ارتداد، نويل.
10:17
Back to Daria.
208
605057
1150
نرجع الى داريا.
10:18
[Shot quality]
209
606509
3365
[ جودة الرمية ]
10:22
Her three-pointer -- bang!
210
610676
1620
رميتها الثلاثية --بانج!
10:24
Tie game with five seconds left.
211
612320
2197
تعادل المباراة مع خمسة ثواني متبقيات.
10:26
The crowd goes wild.
212
614880
1618
الجمهور يقفز.
10:28
(Laughter)
213
616522
1659
( ضحك )
10:30
That's roughly how it happened.
214
618205
1547
و هذا تقريبا كيف حدث.
10:31
(Applause)
215
619776
1151
( تصفيق )
10:32
Roughly.
216
620951
1175
تقريبا.
10:34
(Applause)
217
622150
1531
( تصفيق)
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
كانت فرصة حدوث تلك الحظة
حوالي 9 بالمئة في NBA
حوالي 9 بالمئة في NBA
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
و نحن نعرف ذلك و أشياء كثيرة عظيمة اخرى.
10:43
I'm not going to tell you how many times
it took us to make that happen.
it took us to make that happen.
220
631914
3491
لن اقول لكم كم مرة استغرقنا من تحقيق ذلك.
10:47
(Laughter)
221
635429
1747
( ضحك )
10:49
Okay, I will! It was four.
222
637200
1872
حسنا، سوف اقول! اربعة مرات.
10:51
(Laughter)
223
639096
1001
( ضحك )
10:52
Way to go, Daria.
224
640121
1165
احسنت يا داريا.
10:53
But the important thing about that video
225
641647
4263
لكن الامر المهم عن ذلك الفيديو
10:57
and the insights we have for every second
of every NBA game -- it's not that.
of every NBA game -- it's not that.
226
645934
4568
و رؤيات التي لدينا لكل ثانية لكل
لعبة NBA -- ليس ذلك.
لعبة NBA -- ليس ذلك.
11:02
It's the fact you don't have to be
a professional team to track movement.
a professional team to track movement.
227
650639
3929
هي الحقيقة انه ليس من الضروري ان تكون
فريقا محترفا لتتابع الحركات.
فريقا محترفا لتتابع الحركات.
11:07
You do not have to be a professional
player to get insights about movement.
player to get insights about movement.
228
655083
3657
ليس من الضروري ان تكون لاعبا محترفا
للحصول على رؤيات الحركات.
للحصول على رؤيات الحركات.
11:10
In fact, it doesn't even have to be about
sports because we're moving everywhere.
sports because we're moving everywhere.
229
658764
3858
في الحقيقة، ليس من الضروري من ان تكون
عن الرياضة لانه نحن نتحرك في كل مكان.
عن الرياضة لانه نحن نتحرك في كل مكان.
11:15
We're moving in our homes,
230
663654
2369
نحن نتحرك في بيوتنا،
11:21
in our offices,
231
669428
1205
في مكاتبنا،
11:24
as we shop and we travel
232
672238
2690
كما نحن نتسوق و نسافر
11:29
throughout our cities
233
677318
1253
عبر مدننا
11:32
and around our world.
234
680065
1618
و حول العالم.
11:35
What will we know? What will we learn?
235
683270
2295
ما الذي سنعرفه؟ ما الذي سنتعلمه؟
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
ربكا بدلا من تعريف "بيك اند رولز"،
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
اﻵلة يمكنها ان تعرف اللحظة و تعلمني بها
11:42
when my daughter takes her first steps.
238
690952
2059
عندما تتخطى ابنتي خطواتها الاولى.
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
التي يمكن ان تحدث في اي لحظة.
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
ربما يمكننا التعلم لاستخدام افضل
لمبانينا، تخطيط افضل لمدننا.
لمبانينا، تخطيط افضل لمدننا.
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
انا اؤمن ان مع تطور علم النقاط المتحركة،
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
سوف نتحرك افضل، سوف نتحرك بذكاء،
سوف نتحرك للامام.
سوف نتحرك للامام.
12:00
Thank you very much.
243
708607
1189
شكرا جزيلا.
12:01
(Applause)
244
709820
5045
( تصفيق)
ABOUT THE SPEAKER
Rajiv Maheswaran - ResearcherUsing advanced data analysis tools, Rajiv Maheswaran and Second Spectrum help make basketball teams smarter.
Why you should listen
Sports fans can get obsessed with stats about player performance and game-day physics. But basketball, a fluid and fast-moving game, has been tough to understand through numbers. Rajiv Maheswaran is working to change that, by offering pro basketball teams insight into game data to make better decisions. Maheswaran is the CEO and co-founder of Second Spectrum, a startup transforming sports through technology. He is also a Research Assistant Professor at the University of Southern California's Computer Science Department and a Project Leader at the Information Sciences Institute at the USC Viterbi School of Engineering, where he co-directs the Computational Behavior Group.
His research spans various aspects of multi-agent systems and distributed artificial intelligence using decision-theoretic and game-theoretic frameworks and solutions. His current interests focus on data analytics, visualization and real-time interaction to understand behavior in spatiotemporal domains. Like, say, the spatiotemporal domain around a basketball hoop.
Rajiv Maheswaran | Speaker | TED.com