TED2015
Rajiv Maheswaran: The math behind basketball's wildest moves
Rajiv Maheswaran: Die Formeln hinter den kompliziertesten Spielzügen im Basketball
Filmed:
Readability: 3.1
2,683,104 views
Basketball ist ein schnelles Spiel voller Improvisation, Kontakt und, ähem, spatiotemporaler Mustererkennung. Rajiv Maheswaran und seine Kollegen analysieren die Bewegung hinter den wichtigsten Spielzügen. Damit ermöglichen sie Trainern sowie Spielern, Intuition mit neuen Daten zu verknüpfen. Pluspunkt: Ihre Erkenntnisse daraus helfen uns zu verstehen, wie sich Menschen überall auf der Welt bewegen.
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.
Meine Kollegen und ich erforschen
die Wissenschaft bewegter Punkte.
die Wissenschaft bewegter Punkte.
00:12
My colleagues and I are fascinated
by the science of moving dots.
by the science of moving dots.
0
954
3583
00:16
So what are these dots?
1
4927
1150
Was sind diese Punkte?
00:18
Well, it's all of us.
2
6101
1287
Wir alle.
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
Wir bewegen uns zu Hause,
im Büro, während wir in unseren Städten
im Büro, während wir in unseren Städten
00:24
throughout our cities
and around the world.
and around the world.
4
12521
2066
und überall auf der Welt
einkaufen und reisen.
einkaufen und reisen.
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
Wie toll wäre es, wenn wir diese
Bewegung verstehen könnten --
Bewegung verstehen könnten --
00:30
If we could find patterns and meaning
and insight in it.
and insight in it.
6
18918
2890
das Muster, die Bedeutung und
Erkenntnisse gewinnen könnten.
Erkenntnisse gewinnen könnten.
00:34
And luckily for us, we live in a time
7
22259
1785
Zum Glück sind wir heute gut darin,
00:36
where we're incredibly good
at capturing information about ourselves.
at capturing information about ourselves.
8
24068
4497
Informationen über uns selbst zu erfassen.
00:40
So whether it's through
sensors or videos, or apps,
sensors or videos, or apps,
9
28807
3663
Wir nutzen Sensoren, Videos oder Apps,
00:44
we can track our movement
with incredibly fine detail.
with incredibly fine detail.
10
32494
2809
um unsere Bewegungen
sehr detailliert zu erfassen.
sehr detailliert zu erfassen.
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
Ein geeigneter Bereich
für diese Datensammlung
für diese Datensammlung
00:53
is sports.
12
41148
1208
ist Sport.
00:54
So whether it's basketball or baseball,
or football or the other football,
or football or the other football,
13
42682
5333
Beim Basketball, Baseball,
Football oder Fußball
Football oder Fußball
01:00
we're instrumenting our stadiums
and our players to track their movements
and our players to track their movements
14
48039
4402
müssen Stadien und die
Spieler Bewegung erfassen --
Spieler Bewegung erfassen --
01:04
every fraction of a second.
15
52465
1313
jede einzelne Sekunde.
01:05
So what we're doing
is turning our athletes into --
is turning our athletes into --
16
53802
4382
Unsere Athleten werden also zu --
01:10
you probably guessed it --
17
58208
1959
Sie ahnen es --
01:12
moving dots.
18
60191
1396
bewegten Punkten.
01:13
So we've got mountains of moving dots
and like most raw data,
and like most raw data,
19
61946
4934
Wir haben eine Fülle an bewegten Punkten.
Meistens sind Rohdaten aber
schwer zu bearbeiten und langweilig.
schwer zu bearbeiten und langweilig.
01:18
it's hard to deal with
and not that interesting.
and not that interesting.
20
66904
2502
01:21
But there are things that, for example,
basketball coaches want to know.
basketball coaches want to know.
21
69430
3769
Basketball-Trainer z.B. wollen
aber bestimmte Dinge wissen.
aber bestimmte Dinge wissen.
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
Sie können aber nicht jede Sekunde
01:29
of every game, remember it and process it.
23
77057
2589
des Spiels sehen, merken und verarbeiten.
01:31
And a person can't do that,
24
79804
1930
Das kann kein Mensch leisten.
01:33
but a machine can.
25
81758
1310
Eine Maschine schon.
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
Maschinen sehen das Spiel
nicht mit den Augen eines Trainers.
nicht mit den Augen eines Trainers.
01:39
At least they couldn't until now.
27
87363
2261
Bis jetzt zumindest.
01:42
So what have we taught the machine to see?
28
90228
2103
Was haben wir der Maschine beigebracht?
01:45
So, we started simply.
29
93569
1787
Wir haben einfach angefangen.
01:47
We taught it things like passes,
shots and rebounds.
shots and rebounds.
30
95380
3799
Mit Pässen, Würfen und Rebounds.
01:51
Things that most casual fans would know.
31
99203
2541
Was auch Gelegenheitsfans kennen dürften.
01:53
And then we moved on to things
slightly more complicated.
slightly more complicated.
32
101768
2832
Dann wurde es etwas komplizierter.
01:56
Events like post-ups,
and pick-and-rolls, and isolations.
and pick-and-rolls, and isolations.
33
104624
4588
Aufstellen, Pick-and-Roll oder Isolation.
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
Sagt Ihnen nichts? Keine Sorge.
Den meisten Gelegenheitsspielern schon.
Den meisten Gelegenheitsspielern schon.
02:05
Now, we've gotten to a point where today,
the machine understands complex events
the machine understands complex events
35
113560
5340
Heute verstehen Maschinen
komplexe Ereignisse,
komplexe Ereignisse,
02:10
like down screens and wide pins.
36
118924
3073
wie Down-Screens und Wide-Pins.
02:14
Basically things only professionals know.
37
122021
2726
Sachen, die nur Profis kennen.
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
Wir brachten einer Maschine bei,
mit den Augen eines Trainers zu sehen.
mit den Augen eines Trainers zu sehen.
02:22
So how have we been able to do this?
39
130009
1857
Wie haben wir das geschafft?
02:24
If I asked a coach to describe
something like a pick-and-roll,
something like a pick-and-roll,
40
132511
3118
Sollte mir ein Trainer
Pick-and-Roll erklären,
Pick-and-Roll erklären,
02:27
they would give me a description,
41
135653
1640
würde er es mir beschreiben.
02:29
and if I encoded that as an algorithm,
it would be terrible.
it would be terrible.
42
137317
2856
Hätte ich das als Algorithmus kodiert,
wäre es fürchterlich.
wäre es fürchterlich.
02:33
The pick-and-roll happens to be this dance
in basketball between four players,
in basketball between four players,
43
141026
4278
Pick-and-Roll ist ein Tanz
zwischen zwei Offensiv-Spielern
zwischen zwei Offensiv-Spielern
02:37
two on offense and two on defense.
44
145328
1912
und zwei Defensiv-Spielern.
02:39
And here's kind of how it goes.
45
147486
1618
Das funktioniert ungefähr so:
02:41
So there's the guy on offense
without the ball
without the ball
46
149128
2533
Es gibt einen Spieler
in der Offensive ohne Ball.
in der Offensive ohne Ball.
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
Er bewegt sich zum
Gegenspieler des Ballführenden
Gegenspieler des Ballführenden
02:46
and he kind of stays there
48
154918
1257
und bleibt da.
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
Es kommt Bewegung ins Spiel
und plötzlich ist es Pick-and-Roll.
und plötzlich ist es Pick-and-Roll.
02:51
(Laughter)
50
159540
2215
(Lachen)
02:53
So that is also an example
of a terrible algorithm.
of a terrible algorithm.
51
161779
2508
Das ist auch ein schlechter Algorithmus.
02:56
So, if the player who's the interferer --
he's called the screener --
he's called the screener --
52
164913
4204
Ist der Spieler, der sich dem Gegenspieler
in den Weg stellt -- der Blocksteller --
in den Weg stellt -- der Blocksteller --
03:01
goes close by, but he doesn't stop,
53
169278
2872
nah dran, stoppt aber nicht,
03:04
it's probably not a pick-and-roll.
54
172174
1765
ist es kein Pick-and-Roll.
03:06
Or if he does stop,
but he doesn't stop close enough,
but he doesn't stop close enough,
55
174560
3945
Wenn er stoppt, aber nicht nah genug,
03:10
it's probably not a pick-and-roll.
56
178529
1761
ist es kein Pick-and-Roll.
03:12
Or, if he does go close by
and he does stop
and he does stop
57
180642
3237
Wenn er nah dran ist und stoppt,
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
das aber unter dem Korb passiert,
ist es kein Pick-and-Roll.
ist es kein Pick-and-Roll.
03:19
Or I could be wrong,
they could all be pick-and-rolls.
they could all be pick-and-rolls.
59
187462
2524
Ich könnte mich irren
und alles ist Pick-and-Roll.
und alles ist Pick-and-Roll.
03:22
It really depends on the exact timing,
the distances, the locations,
the distances, the locations,
60
190010
4568
Es liegt am Timing, dem Abstand, dem Ort.
03:26
and that's what makes it hard.
61
194602
1495
Das macht es so schwer.
03:28
So, luckily, with machine learning,
we can go beyond our own ability
we can go beyond our own ability
62
196579
4944
Zum Glück gehen wir beim Maschinen-
lernen über unsere Grenzen hinaus,
lernen über unsere Grenzen hinaus,
03:33
to describe the things we know.
63
201547
1743
bekannte Dinge zu beschreiben.
03:35
So how does this work?
Well, it's by example.
Well, it's by example.
64
203314
2280
Wir funktioniert das? Mit Beispielen.
03:37
So we go to the machine and say,
"Good morning, machine.
"Good morning, machine.
65
205759
2830
Wir sagen zur Machine:
"Guten Morgen, Maschine.
"Guten Morgen, Maschine.
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
Das sind Pick-and-Rolls -- und das nicht.
03:44
Please find a way to tell the difference."
67
212720
2252
Lern den Unterschied."
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
Wichtig ist, Merkmale für
die Unterscheidung zu finden.
die Unterscheidung zu finden.
03:50
So if I was going
to teach it the difference
to teach it the difference
69
218807
2109
Soll die Maschine den Unterschied
03:52
between an apple and orange,
70
220940
1381
zwischen Äpfeln und Orangen lernen,
03:54
I might say, "Why don't you
use color or shape?"
use color or shape?"
71
222345
2375
sag ich: "Mach es über Farbe und Form."
03:56
And the problem that we're solving is,
what are those things?
what are those things?
72
224744
2943
Dabei ergründen wir,
was das für Dinge sind.
was das für Dinge sind.
03:59
What are the key features
73
227711
1247
Welche Kernfaktoren lassen
04:00
that let a computer navigate
the world of moving dots?
the world of moving dots?
74
228982
3499
einen Computer die Welt
der bewegten Punkte steuern?
der bewegten Punkte steuern?
04:04
So figuring out all these relationships
with relative and absolute location,
with relative and absolute location,
75
232505
4823
Diese Beziehungen mit relativem
und absolutem Ort, Abstand, Timing
und absolutem Ort, Abstand, Timing
04:09
distance, timing, velocities --
76
237352
1909
und Geschwindigkeit herauszufinden,
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
ist der Schlüssel Punkte zu bewegen. Oder
wie wir es in akademischer Sprache nennen:
wie wir es in akademischer Sprache nennen:
04:16
spatiotemporal pattern recognition,
in academic vernacular.
in academic vernacular.
78
244392
3344
spatiotemporale Mustererkennung.
04:19
Because the first thing is,
you have to make it sound hard --
you have to make it sound hard --
79
247925
2898
Das Wichtgste ist:
Es muss schwierig klingen.
Es muss schwierig klingen.
04:22
because it is.
80
250847
1278
Denn das ist es auch.
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
NBA-Trainer wollen nicht wissen,
04:27
whether a pick-and-roll happened or not.
82
255575
1922
ob das gerade ein Pick-and-Roll war.
04:29
It's that they want to know
how it happened.
how it happened.
83
257521
2076
Sie wollen wissen, wie das passiert ist.
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
Warum ist das so wichtig?
Hier ein kleiner Einblick:
Hier ein kleiner Einblick:
04:34
It turns out in modern basketball,
85
262631
1771
Im modernen Basketballspiel
04:36
this pick-and-roll is perhaps
the most important play.
the most important play.
86
264426
2539
ist Pick-and-Roll wohl
der wichtigste Spielzug.
der wichtigste Spielzug.
04:39
And knowing how to run it,
and knowing how to defend it,
and knowing how to defend it,
87
267065
2620
Zu wissen, wie man ihn
spielt oder verteidigt,
spielt oder verteidigt,
04:41
is basically a key to winning
and losing most games.
and losing most games.
88
269709
2670
entscheidet über Gewinnen
oder Verlieren eines Spiels.
oder Verlieren eines Spiels.
04:44
So it turns out that this dance
has a great many variations
has a great many variations
89
272403
3801
Diesen Tanz gibt es also
in vielen Variationen.
in vielen Variationen.
04:48
and identifying the variations
is really the thing that matters,
is really the thing that matters,
90
276228
3648
Diese Variationen zu erkennen,
ist das Entscheidende.
ist das Entscheidende.
04:51
and that's why we need this
to be really, really good.
to be really, really good.
91
279900
2529
Deswegen muss es wirklich gut sein.
Ein Beispiel.
04:55
So, here's an example.
92
283228
1176
Zwei Offensiv- und zwei Defensiv-Spieler
04:56
There are two offensive
and two defensive players,
and two defensive players,
93
284428
2379
bereiten sich auf den
Pick-and-Roll-Tanz vor.
Pick-and-Roll-Tanz vor.
04:58
getting ready to do
the pick-and-roll dance.
the pick-and-roll dance.
94
286831
2152
Der Ballführer kann den Block
annehmen oder ablehnen.
annehmen oder ablehnen.
05:01
So the guy with ball
can either take, or he can reject.
can either take, or he can reject.
95
289007
2683
05:04
His teammate can either roll or pop.
96
292086
3001
Sein Mitspieler kann zum Korb
abrollen oder sich absetzen.
abrollen oder sich absetzen.
05:07
The guy guarding the ball
can either go over or under.
can either go over or under.
97
295111
2986
Der Gegenspieler kann über
oder unter dem Block vorbei.
oder unter dem Block vorbei.
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
Sein Mitspieler kann sich zeigen, den
Ballführer aggressiv oder soft verteigen.
Ballführer aggressiv oder soft verteigen.
05:14
and together they can
either switch or blitz
either switch or blitz
99
302710
2618
Zusammen können sie
entweder "switchen" oder "blitzen".
entweder "switchen" oder "blitzen".
05:17
and I didn't know
most of these things when I started
most of these things when I started
100
305352
2659
Am Anfang kannte ich
das meiste davon nicht.
das meiste davon nicht.
05:20
and it would be lovely if everybody moved
according to those arrows.
according to those arrows.
101
308035
3920
Es wäre so schön, wenn sich alle
mit den Pfeilen bewegen könnten.
mit den Pfeilen bewegen könnten.
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
Das würde unser Leben erleichtern.
Aber Bewegung ist unordentlich.
Aber Bewegung ist unordentlich.
05:28
People wiggle a lot and getting
these variations identified
these variations identified
103
316047
5484
Menschen wanken viel.
Und das Erkennen dieser Variationen
Und das Erkennen dieser Variationen
05:33
with very high accuracy,
104
321555
1303
mit exakter Präzision und Wiederholung
05:34
both in precision and recall, is tough
105
322882
1868
ist schwer.
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
Das braucht es, damit
ein Trainer an einen glaubt.
ein Trainer an einen glaubt.
05:40
And despite all the difficulties
with the right spatiotemporal features
with the right spatiotemporal features
107
328416
3380
Trotz aller Schwierigkeiten mit den
richtigen spatiotemporalen Merkmalen
richtigen spatiotemporalen Merkmalen
05:43
we have been able to do that.
108
331820
1474
konnten wir genau das tun.
05:45
Coaches trust our ability of our machine
to identify these variations.
to identify these variations.
109
333318
3927
Trainer vertrauen darauf, dass unsere
Maschine diese Variationen erkennt.
Maschine diese Variationen erkennt.
05:49
We're at the point where
almost every single contender
almost every single contender
110
337478
3533
Inzwischen benutzt fast jeder Anwärter
05:53
for an NBA championship this year
111
341035
1623
für diesjährige NBA-Meisterschaften
05:54
is using our software, which is built
on a machine that understands
on a machine that understands
112
342682
4408
unsere Software, basierend auf
einer Maschine, die bewegte Punkte
einer Maschine, die bewegte Punkte
05:59
the moving dots of basketball.
113
347114
1634
im Basketball versteht.
06:01
So not only that, we have given advice
that has changed strategies
that has changed strategies
114
349872
5153
Unser Rat hat nicht nur
Strategien verändert,
Strategien verändert,
06:07
that have helped teams win
very important games,
very important games,
115
355049
3352
die Teams beim Sieg von
wichtigen Spielen verhalfen.
wichtigen Spielen verhalfen.
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
Sogar Trainer, die seit über
30 Jahren in der Liga sind,
30 Jahren in der Liga sind,
06:14
for 30 years that are willing to take
advice from a machine.
advice from a machine.
117
362181
3067
nehmen den Rat einer Maschine an.
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
Und es geht um mehr als Pick-and-Roll.
06:20
Our computer started out
with simple things
with simple things
119
368804
2076
Unser Computer begann
mit einfachen Dingen,
mit einfachen Dingen,
06:22
and learned more and more complex things
120
370904
2064
hat immer komplexere Sachen gelernt
06:24
and now it knows so many things.
121
372992
1561
und weiß jetzt sehr viel.
06:26
Frankly, I don't understand
much of what it does,
much of what it does,
122
374577
2835
Ich verstehe, ehrlich gesagt,
das meiste davon nicht.
das meiste davon nicht.
06:29
and while it's not that special
to be smarter than me,
to be smarter than me,
123
377436
3715
Es ist kein Kunststück
klüger zu sein als ich.
klüger zu sein als ich.
06:33
we were wondering,
can a machine know more than a coach?
can a machine know more than a coach?
124
381175
3644
Aber wir fragen uns: Kann eine
Maschine mehr wissen als ein Trainer?
Maschine mehr wissen als ein Trainer?
06:36
Can it know more than person could know?
125
384843
2055
Mehr als ein Mensch?
06:38
And it turns out the answer is yes.
126
386922
1745
Die verblüffende Antwort ist ja.
06:40
The coaches want players
to take good shots.
to take good shots.
127
388691
2557
Trainer fordern gute
Würfe von den Spielern.
Würfe von den Spielern.
06:43
So if I'm standing near the basket
128
391272
1651
Wenn ich neben dem Korb stehe
06:44
and there's nobody near me,
it's a good shot.
it's a good shot.
129
392947
2166
und alleine bin,
ist es ein guter Wurf.
ist es ein guter Wurf.
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
Wenn ich weit weg bin, umringt von
Verteidigern, ist das ein schlechter Wurf.
Verteidigern, ist das ein schlechter Wurf.
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
Quantitativ wussten wir aber nicht,
wie gut oder schlecht etwas wirklich war.
wie gut oder schlecht etwas wirklich war.
06:56
Until now.
132
404209
1150
Bis jetzt.
06:57
So what we can do, again,
using spatiotemporal features,
using spatiotemporal features,
133
405771
3058
Wir nutzten spatiotemporale Merkmale
07:00
we looked at every shot.
134
408853
1374
und analysierten jeden Wurf.
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
Von wo wird geworfen?
Was ist der Winkel zum Korb?
Was ist der Winkel zum Korb?
07:05
Where are the defenders standing?
What are their distances?
What are their distances?
136
413280
2762
Wo stehen die Verteigier?
In welcher Entfernung?
In welcher Entfernung?
07:08
What are their angles?
137
416066
1331
In welchen Winkeln?
07:09
For multiple defenders, we can look
at how the player's moving
at how the player's moving
138
417421
2977
Bei mehreren Verteidern sehen
wir die Bewegung der Spieler
wir die Bewegung der Spieler
07:12
and predict the shot type.
139
420422
1433
und bestimmen die Wurfart.
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
Wir analysieren die Geschwindigkeit
und berechnen die Wahrscheinlichkeit,
und berechnen die Wahrscheinlichkeit,
07:17
what is the likelihood that this shot
would go in under these circumstances?
would go in under these circumstances?
141
425977
4052
dass der Ball unter diesen
Umständen reingeht.
Umständen reingeht.
07:22
So why is this important?
142
430188
1500
Wozu das alles?
07:24
We can take something that was shooting,
143
432102
2803
Wir sehen uns den Werfer an.
07:26
which was one thing before,
and turn it into two things:
and turn it into two things:
144
434929
2680
Und aus einer Sache werden zwei:
07:29
the quality of the shot
and the quality of the shooter.
and the quality of the shooter.
145
437633
2651
die Qualität des Wurfs
und die des Werfers.
und die des Werfers.
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
Hier ein Blasendiagramm, das
ja zu jedem TED-Vortrag gehört.
ja zu jedem TED-Vortrag gehört.
07:36
(Laughter)
147
444966
1014
(Lachen)
07:38
Those are NBA players.
148
446004
1311
Das sind NBA-Spieler.
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
Die Größe ist die Größe des
Spielers und die Farbe die Position.
Spielers und die Farbe die Position.
07:42
On the x-axis,
we have the shot probability.
we have the shot probability.
150
450483
2132
Die X-Achse zeigt die
Wurfwahrscheinlichkeit.
Wurfwahrscheinlichkeit.
07:44
People on the left take difficult shots,
151
452639
1953
Spieler links machen schwierige Würfe,
07:46
on the right, they take easy shots.
152
454616
2229
rechts leichte.
07:49
On the [y-axis] is their shooting ability.
153
457194
2057
Die Y-Achse zeigt ihre Wurffähigkeit.
07:51
People who are good are at the top,
bad at the bottom.
bad at the bottom.
154
459275
2562
Gute Spieler sind oben, schlechte unten.
07:53
So for example, if there was a player
155
461861
1760
Früher wusste man z. B. nur,
07:55
who generally made
47 percent of their shots,
47 percent of their shots,
156
463621
2097
dass ein Spieler 47 % seiner Würfe macht.
07:57
that's all you knew before.
157
465718
1389
Mehr nicht.
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
Jetzt weiß man, dass dieser Spieler
Würfe macht, die ein durchschnittlicher
Würfe macht, die ein durchschnittlicher
08:04
would make 49 percent of the time,
159
472219
1961
NBA-Spieler zu 49 % machen würde.
08:06
and they are two percent worse.
160
474204
1684
Er ist um 2 % schlechter.
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
Aber es gibt viele 47er da draußen.
08:13
And so it's really important to know
162
481714
2549
Man muss also wissen,
08:16
if the 47 that you're considering
giving 100 million dollars to
giving 100 million dollars to
163
484287
3956
ob die 47, in die man eventuell
100 Millionen Dollar investieren möchte,
100 Millionen Dollar investieren möchte,
08:20
is a good shooter who takes bad shots
164
488267
3055
ein guter Spieler mit schlechten Würfen
08:23
or a bad shooter who takes good shots.
165
491346
2397
oder ein schlechter Spieler
mit guten Würfen ist.
mit guten Würfen ist.
08:27
Machine understanding doesn't just change
how we look at players,
how we look at players,
166
495130
3333
Maschinenverständnis ändert
unsere Sicht auf Spieler
unsere Sicht auf Spieler
08:30
it changes how we look at the game.
167
498487
1858
und das Spiel.
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
Es gab in den NBA-Finals
ein sehr spannendes Spiel.
ein sehr spannendes Spiel.
08:36
Miami was down by three,
there was 20 seconds left.
there was 20 seconds left.
169
504148
3207
Miami lag mit 3 Punkten zurück;
noch 20 Sekunden zu spielen.
noch 20 Sekunden zu spielen.
08:39
They were about to lose the championship.
170
507379
2025
Es sah schlecht aus.
LeBron James nahm den Dreier
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
und traf nicht.
08:44
He missed.
172
512793
1198
Chris Bosh holte einen Rebound
08:46
His teammate Chris Bosh got a rebound,
173
514015
1837
08:47
passed it to another teammate
named Ray Allen.
named Ray Allen.
174
515876
2159
und spielte zu Ray Allen.
Er versenkte einen Dreier. Verlängerung.
08:50
He sank a three. It went into overtime.
175
518059
1919
08:52
They won the game.
They won the championship.
They won the championship.
176
520002
2096
Sie gewannen das Spiel
und die Meisterschaft.
und die Meisterschaft.
08:54
It was one of the most exciting
games in basketball.
games in basketball.
177
522122
2444
Es war eines der
spannendsten Basektballspiele.
spannendsten Basektballspiele.
08:57
And our ability to know
the shot probability for every player
the shot probability for every player
178
525438
3429
Das Wissen um die Wurfwahrscheinlichkeit
eines jeden Spielers
eines jeden Spielers
09:00
at every second,
179
528891
1188
in jeder Sekunde
09:02
and the likelihood of them getting
a rebound at every second
a rebound at every second
180
530103
2956
und die Wahrscheinlichkeit
eines erfolgreichen Rebounds kann den
Moment auf ungeahnte Weise beleuchten.
Moment auf ungeahnte Weise beleuchten.
09:05
can illuminate this moment in a way
that we never could before.
that we never could before.
181
533083
3443
09:09
Now unfortunately,
I can't show you that video.
I can't show you that video.
182
537618
2668
Leider kann ich Ihnen
das Video nicht zeigen.
das Video nicht zeigen.
09:12
But for you, we recreated that moment
183
540310
4493
Jedoch haben wir den Moment nachgestellt –
09:16
at our weekly basketball game
about 3 weeks ago.
about 3 weeks ago.
184
544827
2336
bei unserem wöchentlichen
Spiel vor 3 Wochen.
Spiel vor 3 Wochen.
09:19
(Laughter)
185
547279
2167
(Lachen)
09:21
And we recreated the tracking
that led to the insights.
that led to the insights.
186
549573
3410
Wir haben die Bewegungen nachgestellt
und erhielten folgende Einblicke.
und erhielten folgende Einblicke.
09:25
So, here is us.
This is Chinatown in Los Angeles,
This is Chinatown in Los Angeles,
187
553199
4255
Das sind wir in Chinatown,
Los Angeles, der Park,
Los Angeles, der Park,
09:29
a park we play at every week,
188
557478
1564
in dem wir jede Woche spielen.
09:31
and that's us recreating
the Ray Allen moment
the Ray Allen moment
189
559066
2231
Hier kommt der Ray-Allen-Moment,
09:33
and all the tracking
that's associated with it.
that's associated with it.
190
561321
2229
mit der Schrittfolge.
09:36
So, here's the shot.
191
564772
1517
Hier kommt der Wurf.
09:38
I'm going to show you that moment
192
566313
2516
Ich zeige Ihnen den Moment
09:40
and all the insights of that moment.
193
568853
2587
und alle Erkenntnisse daraus.
09:43
The only difference is, instead
of the professional players, it's us,
of the professional players, it's us,
194
571464
3730
Nur sind es keine Profis, sondern wir.
09:47
and instead of a professional
announcer, it's me.
announcer, it's me.
195
575218
2618
Und kein Profi-Sprecher, sondern ich.
09:49
So, bear with me.
196
577860
1477
Haben Sie Nachsicht.
09:53
Miami.
197
581153
1150
Miami.
09:54
Down three.
198
582671
1150
3 Punkte zurück.
09:56
Twenty seconds left.
199
584107
1150
Noch 20 Skeunden.
09:59
Jeff brings up the ball.
200
587385
1198
Jeff dribbelt nach vorn.
10:02
Josh catches, puts up a three!
201
590656
1535
Josh fängt, nimmt den Dreier!
10:04
[Calculating shot probability]
202
592631
1849
[Wurfwahrscheinlichkeit berechnen]
10:07
[Shot quality]
203
595278
1150
[Wurfwahrscheinlichkeit]
10:09
[Rebound probability]
204
597048
1785
[Rebound-Wahrscheinlichkeit]
10:12
Won't go!
205
600373
1173
Wird nichts!
10:13
[Rebound probability]
206
601570
1446
[Rebound-Wahrscheinlichkeit]
10:15
Rebound, Noel.
207
603777
1256
Rebound, Noel.
10:17
Back to Daria.
208
605057
1150
Zurück zu Daria.
10:18
[Shot quality]
209
606509
3365
[Wurfqualität]
10:22
Her three-pointer -- bang!
210
610676
1620
Ein Dreier -- Peng!
10:24
Tie game with five seconds left.
211
612320
2197
Unentschieden 5 Sekunden vor Schluss.
10:26
The crowd goes wild.
212
614880
1618
Die Menge tobt.
10:28
(Laughter)
213
616522
1659
(Lachen)
10:30
That's roughly how it happened.
214
618205
1547
Ungefähr so war das.
10:31
(Applause)
215
619776
1151
(Applaus)
Ungefähr.
10:32
Roughly.
216
620951
1175
(Applaus)
10:34
(Applause)
217
622150
1531
10:36
That moment had about a nine percent
chance of happening in the NBA
chance of happening in the NBA
218
624121
5484
Die Wahrscheinlichkeit, dass das
in der NBA passiert, lag bei 9 %.
in der NBA passiert, lag bei 9 %.
10:41
and we know that
and a great many other things.
and a great many other things.
219
629629
2261
Das wissen wir und viele andere Dinge.
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
Ich sage jetzt nicht, wie oft wir
die Szene wiederholen mussten.
die Szene wiederholen mussten.
10:47
(Laughter)
221
635429
1747
(Lachen)
10:49
Okay, I will! It was four.
222
637200
1872
Okay, es waren vier.
10:51
(Laughter)
223
639096
1001
(Lachen)
10:52
Way to go, Daria.
224
640121
1165
Sehr gut, Daria.
10:53
But the important thing about that video
225
641647
4263
Das ist aber nicht der
Knackpunkt an diesem Video --
Knackpunkt an diesem Video --
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
oder die Einblicke in jede
Sekunde jedes NBA-Spiels.
Sekunde jedes NBA-Spiels.
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
Sondern, dass man kein Profi-Team
sein muss, um Bewegung aufzuzeichnen.
sein muss, um Bewegung aufzuzeichnen.
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
Man muss kein Profi-Spieler sein,
um Einblicke in Bewegung zu erhalten.
um Einblicke in Bewegung zu erhalten.
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
Es muss nicht einmal Sport sein.
Wir bewegen uns überall.
Wir bewegen uns überall.
11:15
We're moving in our homes,
230
663654
2369
Zu Hause,
11:21
in our offices,
231
669428
1205
in unseren Büros,
11:24
as we shop and we travel
232
672238
2690
während des Einkaufens und Reisens
11:29
throughout our cities
233
677318
1253
in unseren Städten
11:32
and around our world.
234
680065
1618
und durch die ganze Welt.
11:35
What will we know? What will we learn?
235
683270
2295
Was werden wir erfahren?
Was werden wir lernen?
Was werden wir lernen?
11:37
Perhaps, instead of identifying
pick-and-rolls,
pick-and-rolls,
236
685589
2305
Statt Pick-and-Rolls
11:39
a machine can identify
the moment and let me know
the moment and let me know
237
687918
3010
könnte eine Maschine
den Moment identifizieren,
den Moment identifizieren,
11:42
when my daughter takes her first steps.
238
690952
2059
in dem meine Tochter
ihren ersten Schritt macht.
ihren ersten Schritt macht.
11:45
Which could literally be happening
any second now.
any second now.
239
693035
2536
Was tatsächlich jeden
Moment passieren könnte.
Moment passieren könnte.
11:48
Perhaps we can learn to better use
our buildings, better plan our cities.
our buildings, better plan our cities.
240
696140
3697
Vielleicht können wir lernen, Gebäude
besser zu nutzen oder Städte zu planen.
besser zu nutzen oder Städte zu planen.
11:52
I believe that with the development
of the science of moving dots,
of the science of moving dots,
241
700362
4173
Ich glaube, mit der Entwicklung der
Wissenschaft der bewegten Punkte
Wissenschaft der bewegten Punkte
11:56
we will move better, we will move smarter,
we will move forward.
we will move forward.
242
704559
3643
bewegen wir uns besser, bewegen
wir uns klüger, bewegen wir uns vorwärts.
wir uns klüger, bewegen wir uns vorwärts.
12:00
Thank you very much.
243
708607
1189
Vielen Dank.
12:01
(Applause)
244
709820
5045
(Applaus)
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