ABOUT THE SPEAKER
Rajiv Maheswaran - Researcher
Using 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.

More profile about the speaker
Rajiv Maheswaran | Speaker | TED.com
TED2015

Rajiv Maheswaran: The math behind basketball's wildest moves

Rajiv Maheswaran: La matemática subyacente a los movimientos más locos del baloncesto

Filmed:
2,683,104 views

El baloncesto es un juego de movimiento rápido e improvisación, de contacto y, ejem, de reconocimiento de patrones espacio-temporales. Rajiv Maheswaran y sus colegas analizan los movimientos subyacentes a las tácticas clave del juego, para ayudar a entrenadores y jugadores a combinar la intuición con los nuevos datos. Bono: Lo que están aprendiendo podría ayudar a entender cómo nos movemos los seres humanos por todas partes.
- Researcher
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 colleaguescolegas and I are fascinatedfascinado
by the scienceciencia of movingemocionante dotspuntos.
0
954
3583
A mis colegas y a mí nos fascina
la ciencia de los puntos móviles.
00:16
So what are these dotspuntos?
1
4927
1150
¿Qué son estos puntos?
Somos nosotros.
00:18
Well, it's all of us.
2
6101
1287
00:19
And we're movingemocionante in our homeshogares,
in our officesoficinas, as we shoptienda and travelviajar
3
7412
5085
Nos movemos en casa, en la oficina,
mientras compramos y viajamos
por nuestras ciudades
y alrededor del mundo.
00:24
throughouten todo our citiesciudades
and around the worldmundo.
4
12521
2066
00:26
And wouldn'tno lo haría it be great
if we could understandentender all this movementmovimiento?
5
14958
3669
¿No sería genial si pudiéramos
entender estos movimientos,
00:30
If we could find patternspatrones and meaningsentido
and insightvisión in it.
6
18918
2890
si pudiéramos encontrar patrones,
significado y sentido en eso?
00:34
And luckilypor suerte for us, we livevivir in a time
7
22259
1785
Por fortuna para nosotros,
vivimos en una época
00:36
where we're incrediblyincreíblemente good
at capturingcapturando informationinformación about ourselvesNosotros mismos.
8
24068
4497
en la que somos muy buenos capturando
información sobre nosotros mismos.
00:40
So whethersi it's throughmediante
sensorssensores or videosvideos, or appsaplicaciones,
9
28807
3663
Sea mediante sensores, videos
o aplicaciones,
00:44
we can trackpista our movementmovimiento
with incrediblyincreíblemente fine detaildetalle.
10
32494
2809
podemos rastrear los movimientos
con mucho detalle.
00:48
So it turnsvueltas out one of the placeslugares
where we have the bestmejor datadatos about movementmovimiento
11
36092
5032
Y una de las mejores fuentes
de datos sobre el movimiento
00:53
is sportsDeportes.
12
41148
1208
es en los deportes.
00:54
So whethersi it's basketballbaloncesto or baseballbéisbol,
or footballfútbol or the other footballfútbol,
13
42682
5333
Sea baloncesto o béisbol,
fútbol americano o el otro fútbol,
01:00
we're instrumentinginstrumentando our stadiumsestadios
and our playersjugadores to trackpista theirsu movementsmovimientos
14
48039
4402
equipamos los estadios y jugadores
para seguir sus movimientos
01:04
everycada fractionfracción of a secondsegundo.
15
52465
1313
en cada fracción de segundo.
01:05
So what we're doing
is turningtorneado our athletesAtletas into --
16
53802
4382
Así que convertimos a los atletas
01:10
you probablyprobablemente guessedadivinado it --
17
58208
1959
--quizá lo adivinaron--
01:12
movingemocionante dotspuntos.
18
60191
1396
en puntos móviles.
01:13
So we'venosotros tenemos got mountainsmontañas of movingemocionante dotspuntos
and like mostmás rawcrudo datadatos,
19
61946
4934
Tenemos montañas de puntos móviles
y como la mayoría de los datos en crudo
01:18
it's harddifícil to dealacuerdo with
and not that interestinginteresante.
20
66904
2502
son difíciles de manejar,
y no son tan interesantes.
01:21
But there are things that, for exampleejemplo,
basketballbaloncesto coachesentrenadores want to know.
21
69430
3769
Pero hay cosas que los entrenadores
de baloncesto quieren saber.
01:25
And the problemproblema is they can't know them
because they'dellos habrían have to watch everycada secondsegundo
22
73223
3810
El problema es que no pueden
retener cada segundo
01:29
of everycada gamejuego, rememberrecuerda it and processproceso it.
23
77057
2589
de cada juego, recordarlo y procesarlo.
01:31
And a personpersona can't do that,
24
79804
1930
Nadie puede hacer eso,
pero una máquina sí.
01:33
but a machinemáquina can.
25
81758
1310
01:35
The problemproblema is a machinemáquina can't see
the gamejuego with the eyeojo of a coachentrenador.
26
83661
3410
El problema de la máquina es que
no ve el juego con ojo de entrenador.
01:39
At leastmenos they couldn'tno pudo untilhasta now.
27
87363
2261
Al menos no podía hasta ahora.
01:42
So what have we taughtenseñó the machinemáquina to see?
28
90228
2103
Así que ¿qué le enseñamos
a ver a la máquina?
Empezamos con cosas simples.
01:45
So, we startedempezado simplysimplemente.
29
93569
1787
01:47
We taughtenseñó it things like passespasa,
shotsdisparos and reboundsrebota.
30
95380
3799
Le enseñamos cosas como pases,
tiros y rebotes.
01:51
Things that mostmás casualcasual fansaficionados would know.
31
99203
2541
Cosas que cualquier fan conoce.
01:53
And then we movedmovido on to things
slightlyligeramente more complicatedComplicado.
32
101768
2832
Y luego seguimos con cosas
levemente más complicadas:
01:56
EventsEventos like post-upspost-ups,
and pick-and-rollspick-and-rolls, and isolationsaislamientos.
33
104624
4588
Posteos, bloqueos y continuación,
aislamientos.
02:01
And if you don't know them, that's okay.
MostMás casualcasual playersjugadores probablyprobablemente do.
34
109377
3543
Si no las conocen, está bien. Los
jugadores aficionados quizá lo sepan.
02:05
Now, we'venosotros tenemos gottenconseguido to a pointpunto where todayhoy,
the machinemáquina understandsentiende complexcomplejo eventseventos
35
113560
5340
Hemos logrado que la máquina
entienda secuencias complejas
02:10
like down screenspantallas and wideamplio pinspatas.
36
118924
3073
como bloqueos verticales abajo
y hasta con rotaciones complejas.
02:14
BasicallyBásicamente things only professionalsprofesionales know.
37
122021
2726
Básicamente cosas que
solo saben los profesionales.
02:16
So we have taughtenseñó a machinemáquina to see
with the eyesojos of a coachentrenador.
38
124771
4388
Hemos enseñado a la máquina
a ver con ojos de entrenador.
¿Cómo hemos podido hacerlo?
02:22
So how have we been ablepoder to do this?
39
130009
1857
02:24
If I askedpreguntó a coachentrenador to describedescribir
something like a pick-and-rollpick-and-roll,
40
132511
3118
Si pidiera a un entrenador
describir un bloqueo y continuación,
02:27
they would give me a descriptiondescripción,
41
135653
1640
me daría una descripción;
02:29
and if I encodedcodificado that as an algorithmalgoritmo,
it would be terribleterrible.
42
137317
2856
y si pusiera eso en un algoritmo,
sería terrible.
El bloqueo y continuación es esa danza
del baloncesto entre cuatro jugadores,
02:33
The pick-and-rollpick-and-roll happenssucede to be this dancebaile
in basketballbaloncesto betweenEntre fourlas cuatro playersjugadores,
43
141026
4278
02:37
two on offenseofensa and two on defensedefensa.
44
145328
1912
dos atacantes y dos defensores.
02:39
And here'saquí está kindtipo of how it goesva.
45
147486
1618
Es más o menos así.
02:41
So there's the guy on offenseofensa
withoutsin the ballpelota
46
149128
2533
Hay un tipo en ataque sin la pelota,
02:43
the ballpelota and he goesva nextsiguiente to the guy
guardingprotegiendo the guy with the ballpelota,
47
151685
3209
se pone al lado del tipo que marca
y que tiene la posesión de la pelota,
02:46
and he kindtipo of stayscorsé there
48
154918
1257
se queda allí,
02:48
and they bothambos movemovimiento and stuffcosas happenssucede,
and ta-data-da, it's a pick-and-rollpick-and-roll.
49
156199
3317
y ambos se mueven y ocurre, cha-chan,
un bloqueo y continuación.
02:51
(LaughterRisa)
50
159540
2215
(Risas)
02:53
So that is alsoademás an exampleejemplo
of a terribleterrible algorithmalgoritmo.
51
161779
2508
Eso es un ejemplo de
un algoritmo complicado.
02:56
So, if the playerjugador who'squien es the interfererinterferente --
he's calledllamado the screenerscreener --
52
164913
4204
Si el jugador que se interpone,
llamado bloqueador,
03:01
goesva closecerca by, but he doesn't stop,
53
169278
2872
se acerca, pero no se detiene,
03:04
it's probablyprobablemente not a pick-and-rollpick-and-roll.
54
172174
1765
quizá no sea un bloqueo y continuación.
03:06
Or if he does stop,
but he doesn't stop closecerca enoughsuficiente,
55
174560
3945
O si se detiene, pero no queda muy cerca,
03:10
it's probablyprobablemente not a pick-and-rollpick-and-roll.
56
178529
1761
quizá no sea un bloqueo y continuación.
03:12
Or, if he does go closecerca by
and he does stop
57
180642
3237
O si se acerca al otro y realmente para,
03:15
but they do it underdebajo the basketcesta,
it's probablyprobablemente not a pick-and-rollpick-and-roll.
58
183903
3324
pero lo hacen debajo de la cesta,
quizá no sea un bloqueo y continuación.
03:19
Or I could be wrongincorrecto,
they could all be pick-and-rollspick-and-rolls.
59
187462
2524
O podría equivocarme, todos esos casos
podrían ser bloqueos y continuación.
03:22
It really dependsdepende on the exactexacto timingsincronización,
the distancesdistancias, the locationsubicaciones,
60
190010
4568
Todo depende del tiempo exacto,
las distancias, los posicionamientos,
03:26
and that's what makeshace it harddifícil.
61
194602
1495
y eso lo hace difícil.
03:28
So, luckilypor suerte, with machinemáquina learningaprendizaje,
we can go beyondmás allá our ownpropio abilitycapacidad
62
196579
4944
Por suerte, con el aprendizaje máquina,
podemos exceder nuestra capacidad
03:33
to describedescribir the things we know.
63
201547
1743
de describir las cosas que conocemos.
03:35
So how does this work?
Well, it's by exampleejemplo.
64
203314
2280
¿Cómo funciona esto?
Bueno, con ejemplos.
03:37
So we go to the machinemáquina and say,
"Good morningMañana, machinemáquina.
65
205759
2830
Vamos a la máquina y le decimos:
"Buenos días, máquina.
03:41
Here are some pick-and-rollspick-and-rolls,
and here are some things that are not.
66
209077
3359
Aquí hay bloqueos y continuación,
y aquí otras cosas que no lo son.
Por favor, encuentra cómo
establecer la diferencia".
03:44
Please find a way to tell the differencediferencia."
67
212720
2252
03:47
And the keyllave to all of this is to find
featurescaracteristicas that enablehabilitar it to separateseparar.
68
215076
3707
Y la clave de todo esto es encontrar
características que le permitan separar.
03:50
So if I was going
to teachenseñar it the differencediferencia
69
218807
2109
Si yo tuviera que enseñar la diferencia
entre una manzana y una naranja,
03:52
betweenEntre an applemanzana and orangenaranja,
70
220940
1381
03:54
I mightpodría say, "Why don't you
use colorcolor or shapeforma?"
71
222345
2375
podría decir: "¿Por qué no usar
el color y la forma?"
03:56
And the problemproblema that we're solvingresolviendo is,
what are those things?
72
224744
2943
El problema que enfrentamos
es encontrar esas cosas.
¿Qué características son
03:59
What are the keyllave featurescaracteristicas
73
227711
1247
las que permiten a una computadora
navegar el mundo de los puntos móviles?
04:00
that let a computercomputadora navigatenavegar
the worldmundo of movingemocionante dotspuntos?
74
228982
3499
04:04
So figuringfigurando out all these relationshipsrelaciones
with relativerelativo and absoluteabsoluto locationubicación,
75
232505
4823
Imaginar todas estas relaciones
con ubicación relativa y absoluta,
04:09
distancedistancia, timingsincronización, velocitiesvelocidades --
76
237352
1909
--distancia, tiempo, velocidad--
04:11
that's really the keyllave to the scienceciencia
of movingemocionante dotspuntos, or as we like to call it,
77
239440
4928
es la clave de la ciencia de los puntos
móviles, como nos gusta llamarla,
reconocimiento espacio-temporal
de patrones,
04:16
spatiotemporalespaciotemporal patternpatrón recognitionreconocimiento,
in academicacadémico vernacularvernáculo.
78
244392
3344
en lenguaje académico.
04:19
Because the first thing is,
you have to make it soundsonar harddifícil --
79
247925
2898
Ante todo tenemos que hacer
que suene difícil,
04:22
because it is.
80
250847
1278
porque lo es.
04:24
The keyllave thing is, for NBANBA coachesentrenadores,
it's not that they want to know
81
252410
3141
Pero la clave para los entrenadores
de la NBA no es saber
04:27
whethersi a pick-and-rollpick-and-roll happenedsucedió or not.
82
255575
1922
si hubo un bloqueo y continuación o no.
04:29
It's that they want to know
how it happenedsucedió.
83
257521
2076
Ellos quieren saber cómo ocurrió.
Y ¿por qué eso es tan importante
para ellos?
04:31
And why is it so importantimportante to them?
So here'saquí está a little insightvisión.
84
259621
2986
Aquí hay una idea importante.
04:34
It turnsvueltas out in modernmoderno basketballbaloncesto,
85
262631
1771
Resulta que en el baloncesto moderno,
04:36
this pick-and-rollpick-and-roll is perhapsquizás
the mostmás importantimportante playjugar.
86
264426
2539
el bloqueo y continuación es quizá
el juego más importante.
04:39
And knowingconocimiento how to runcorrer it,
and knowingconocimiento how to defenddefender it,
87
267065
2620
Y saber cómo manejarlo,
y saber cómo defenderlo,
04:41
is basicallybásicamente a keyllave to winningvictorioso
and losingperdiendo mostmás gamesjuegos.
88
269709
2670
básicamente es la clave para ganar
o perder casi todos los juegos.
04:44
So it turnsvueltas out that this dancebaile
has a great manymuchos variationsvariaciones
89
272403
3801
Pero resulta que esta danza
tiene muchas variantes
04:48
and identifyingidentificando the variationsvariaciones
is really the thing that mattersasuntos,
90
276228
3648
e identificar las variantes
es lo que importa,
04:51
and that's why we need this
to be really, really good.
91
279900
2529
por eso necesitamos que esto
sea muy, muy bueno.
04:55
So, here'saquí está an exampleejemplo.
92
283228
1176
Este es un ejemplo.
04:56
There are two offensiveofensiva
and two defensivedefensivo playersjugadores,
93
284428
2379
Hay dos jugadores en ataque
y dos en defensa,
04:58
gettingconsiguiendo readyListo to do
the pick-and-rollpick-and-roll dancebaile.
94
286831
2152
listos para la danza del
bloqueo y continuación.
05:01
So the guy with ballpelota
can eitherya sea take, or he can rejectrechazar.
95
289007
2683
El tipo con la pelota puede
usar o no el bloqueo.
05:04
His teammatecompañero de equipo can eitherya sea rollrodar or poppopular.
96
292086
3001
Su compañero puede girar a canasta
o abrir para recibir el pase.
05:07
The guy guardingprotegiendo the ballpelota
can eitherya sea go over or underdebajo.
97
295111
2986
El que marca al jugador con
la pelota puede avanzar o retroceder.
05:10
His teammatecompañero de equipo can eitherya sea showespectáculo
or playjugar up to touchtoque, or playjugar softsuave
98
298121
4565
Su compañero puede avanzar,
marcar o solo acompañar
y juntos pueden cambiar asignación
defensiva o redoblar la marca.
05:14
and togetherjuntos they can
eitherya sea switchcambiar or blitzbombardeo aéreo
99
302710
2618
05:17
and I didn't know
mostmás of these things when I startedempezado
100
305352
2659
Yo no sabía casi nada de esto
cuando empecé
05:20
and it would be lovelyencantador if everybodytodos movedmovido
accordingconforme to those arrowsflechas.
101
308035
3920
y sería estupendo si todos
se movieran siguiendo esas flechas.
05:23
It would make our livesvive a lot easiermás fácil,
but it turnsvueltas out movementmovimiento is very messysucio.
102
311979
3905
Haría mucho más fáciles nuestras vidas,
pero el movimiento es muy desordenado.
05:28
People wigglemenear a lot and gettingconsiguiendo
these variationsvariaciones identifiedidentificado
103
316047
5484
Las personas se menean mucho
e identificar estas variaciones
05:33
with very highalto accuracyexactitud,
104
321555
1303
con muy alta precisión,
05:34
bothambos in precisionprecisión and recallrecordar, is toughdifícil
105
322882
1868
en precisión y en recuerdo, es difícil
05:36
because that's what it takes to get
a professionalprofesional coachentrenador to believe in you.
106
324774
3618
y es lo que hace que un entrenador
profesional crea en ti.
05:40
And despiteA pesar de all the difficultiesdificultades
with the right spatiotemporalespaciotemporal featurescaracteristicas
107
328416
3380
Aun con las dificultades de las correctas
características espacio-temporales
05:43
we have been ablepoder to do that.
108
331820
1474
lo hemos logrado.
05:45
CoachesEntrenadores trustconfianza our abilitycapacidad of our machinemáquina
to identifyidentificar these variationsvariaciones.
109
333318
3927
Los entrenadores confían en que las
máquinas pueden identificar variaciones.
05:49
We're at the pointpunto where
almostcasi everycada singlesoltero contendercontendiente
110
337478
3533
Estamos en el punto en el que
casi todos los contendientes
05:53
for an NBANBA championshipcampeonato this yearaño
111
341035
1623
en el campeonato de la NBA este año
05:54
is usingutilizando our softwaresoftware, whichcual is builtconstruido
on a machinemáquina that understandsentiende
112
342682
4408
usan nuestro software, construido
en una máquina que entiende
05:59
the movingemocionante dotspuntos of basketballbaloncesto.
113
347114
1634
los puntos móviles
en el baloncesto.
06:01
So not only that, we have givendado adviceConsejo
that has changedcambiado strategiesestrategias
114
349872
5153
No solo eso, hemos dado consejos
que han cambiado estrategias
06:07
that have helpedayudado teamsequipos winganar
very importantimportante gamesjuegos,
115
355049
3352
que han ayudado a equipos a ganar
juegos muy importantes,
06:10
and it's very excitingemocionante because you have
coachesentrenadores who'vequien ha been in the leagueliga
116
358425
3732
y es muy apasionante porque hay
entrenadores que han estado en la liga
06:14
for 30 yearsaños that are willingcomplaciente to take
adviceConsejo from a machinemáquina.
117
362181
3067
durante 30 años que desean recibir
consejos de una máquina.
06:17
And it's very excitingemocionante,
it's much more than the pick-and-rollpick-and-roll.
118
365874
2906
Y es muy apasionante, mucho más
que el bloqueo y continuación.
06:20
Our computercomputadora startedempezado out
with simplesencillo things
119
368804
2076
Nuestra computadora empezó
con cosas simples,
06:22
and learnedaprendido more and more complexcomplejo things
120
370904
2064
aprendió cosas cada vez más complejas
06:24
and now it knowssabe so manymuchos things.
121
372992
1561
y ahora sabe cada vez más cosas.
06:26
FranklyFrancamente, I don't understandentender
much of what it does,
122
374577
2835
Francamente, no entiendo
gran parte de lo que hace,
06:29
and while it's not that specialespecial
to be smartermás inteligente than me,
123
377436
3715
y si bien no es algo tan especial
ser más inteligente que yo,
06:33
we were wonderingpreguntando,
can a machinemáquina know more than a coachentrenador?
124
381175
3644
nos hemos preguntado, ¿puede una
máquina saber más que un entrenador?
06:36
Can it know more than personpersona could know?
125
384843
2055
¿Puede saber más de lo que
podría saber una persona?
06:38
And it turnsvueltas out the answerresponder is yes.
126
386922
1745
Y resulta que la respuesta es sí.
06:40
The coachesentrenadores want playersjugadores
to take good shotsdisparos.
127
388691
2557
Los entrenadores quieren que
los jugadores disparen bien.
06:43
So if I'm standingen pie nearcerca the basketcesta
128
391272
1651
Si estoy cerca de la cesta
06:44
and there's nobodynadie nearcerca me,
it's a good shotDisparo.
129
392947
2166
y no hay nadie cerca,
es un buen tiro.
06:47
If I'm standingen pie farlejos away surroundedrodeado
by defendersdefensores, that's generallyen general a badmalo shotDisparo.
130
395137
3940
Si estoy lejos, rodeado por defensores,
generalmente es un mal tiro.
06:51
But we never knewsabía how good "good" was,
or how badmalo "badmalo" was quantitativelycuantitativamente.
131
399101
4876
Pero no sabíamos cuán bueno o malo era
lo "bueno" o lo "malo" cuantitativamente.
06:56
UntilHasta now.
132
404209
1150
Hasta ahora.
06:57
So what we can do, again,
usingutilizando spatiotemporalespaciotemporal featurescaracteristicas,
133
405771
3058
Entonces, de nuevo, con las
características espacio-temporales,
07:00
we lookedmirado at everycada shotDisparo.
134
408853
1374
analizamos cada tiro.
07:02
We can see: Where is the shotDisparo?
What's the angleángulo to the basketcesta?
135
410251
3005
Podemos ver dónde está el tiro,
cuál es el ángulo a la cesta,
07:05
Where are the defendersdefensores standingen pie?
What are theirsu distancesdistancias?
136
413280
2762
dónde están los defensores,
cuáles son sus distancias,
07:08
What are theirsu anglesanglos?
137
416066
1331
cuáles son los ángulos.
07:09
For multiplemúltiple defendersdefensores, we can look
at how the player'sjugador movingemocionante
138
417421
2977
Para múltiples defensores,
podemos ver cómo se mueve el jugador
07:12
and predictpredecir the shotDisparo typetipo.
139
420422
1433
y predecir el tipo de tiro.
07:13
We can look at all theirsu velocitiesvelocidades
and we can buildconstruir a modelmodelo that predictspredice
140
421879
4074
Podemos ver todas sus velocidades
y construir un modelo que prediga
07:17
what is the likelihoodprobabilidad that this shotDisparo
would go in underdebajo these circumstancescircunstancias?
141
425977
4052
la probabilidad de que este disparo
vaya en estas circunstancias.
07:22
So why is this importantimportante?
142
430188
1500
¿Por qué importa esto?
07:24
We can take something that was shootingdisparo,
143
432102
2803
Podemos tomar un tiro,
07:26
whichcual was one thing before,
and turngiro it into two things:
144
434929
2680
que antes era una cosa y ahora
se transforma en dos cosas:
07:29
the qualitycalidad of the shotDisparo
and the qualitycalidad of the shootertirador.
145
437633
2651
la calidad del tiro
y la calidad del tirador.
07:33
So here'saquí está a bubbleburbuja chartgráfico,
because what's TEDTED withoutsin a bubbleburbuja chartgráfico?
146
441680
3262
Este es un gráfico de burbujas
porque ¿qué es TED sin ellos?
07:36
(LaughterRisa)
147
444966
1014
(Risas)
07:38
Those are NBANBA playersjugadores.
148
446004
1311
Esos son jugadores de la NBA.
07:39
The sizetamaño is the sizetamaño of the playerjugador
and the colorcolor is the positionposición.
149
447339
3120
El tamaño es el tamaño del jugador
y el color es su posición.
07:42
On the x-axiseje x,
we have the shotDisparo probabilityprobabilidad.
150
450483
2132
En el eje X, tenemos
la probabilidad del disparo.
07:44
People on the left take difficultdifícil shotsdisparos,
151
452639
1953
Las personas de la izquierda
hacen tiros difíciles,
07:46
on the right, they take easyfácil shotsdisparos.
152
454616
2229
a la derecha, hacen tiros fáciles.
07:49
On the [y-axiseje y] is theirsu shootingdisparo abilitycapacidad.
153
457194
2057
En el eje Y, es la capacidad de disparo.
07:51
People who are good are at the topparte superior,
badmalo at the bottomfondo.
154
459275
2562
Las personas que disparan bien van
arriba, las que disparan mal abajo.
07:53
So for exampleejemplo, if there was a playerjugador
155
461861
1760
Por ejemplo, si había un jugador
07:55
who generallyen general madehecho
47 percentpor ciento of theirsu shotsdisparos,
156
463621
2097
que generalmente encestaba
el 47 % de los tiros,
07:57
that's all you knewsabía before.
157
465718
1389
eso es lo que se sabía antes.
07:59
But todayhoy, I can tell you that playerjugador
takes shotsdisparos that an averagepromedio NBANBA playerjugador
158
467345
4850
Pero hoy, puedo decir que el jugador
hace disparos que un jugador medio NBA
08:04
would make 49 percentpor ciento of the time,
159
472219
1961
convertiría el 49 % del tiempo,
08:06
and they are two percentpor ciento worsepeor.
160
474204
1684
y que ellos son un 2 % peores.
08:08
And the reasonrazón that's importantimportante
is that there are lots of 47s out there.
161
476266
4515
Y es importante porque
hay muchos con 47 % por allí.
08:13
And so it's really importantimportante to know
162
481714
2549
Y por eso es muy importante saber
08:16
if the 47 that you're consideringconsiderando
givingdando 100 millionmillón dollarsdólares to
163
484287
3956
si el 47 % al que están evaluando
pagarle USD 100 millones
08:20
is a good shootertirador who takes badmalo shotsdisparos
164
488267
3055
es un buen tirador que hace malos tiros
08:23
or a badmalo shootertirador who takes good shotsdisparos.
165
491346
2397
o un mal tirador que hace buenos tiros.
08:27
MachineMáquina understandingcomprensión doesn't just changecambio
how we look at playersjugadores,
166
495130
3333
La comprensión de máquina no cambia
la forma de ver a los jugadores,
08:30
it changescambios how we look at the gamejuego.
167
498487
1858
cambia la forma de ver el juego.
08:32
So there was this very excitingemocionante gamejuego
a couplePareja of yearsaños agohace, in the NBANBA finalsfinales.
168
500369
3755
Hace unos años hubo un juego
muy apasionante en la final de la NBA.
08:36
MiamiMiami was down by threeTres,
there was 20 secondssegundos left.
169
504148
3207
Miami estaba tres puntos abajo,
quedaban 20 segundos.
08:39
They were about to loseperder the championshipcampeonato.
170
507379
2025
Estaban a punto de perder el campeonato.
08:41
A gentlemanhidalgo namedllamado LeBronLeBron JamesJames
camevino up and he tooktomó a threeTres to tieCorbata.
171
509428
3341
Un caballero de nombre LeBron James
tiró de tres para empatar.
08:44
He missedperdido.
172
512793
1198
Falló.
08:46
His teammatecompañero de equipo ChrisChris BoshTonterías got a reboundrebote,
173
514015
1837
Su compañero Chris Bosh
consiguió un rebote,
08:47
passedpasado it to anotherotro teammatecompañero de equipo
namedllamado RayRayo AllenAllen.
174
515876
2159
hizo un pase a otro compañero
llamado Ray Allen.
Clavó un triple.
Fue en tiempo suplementario.
08:50
He sankhundirse a threeTres. It wentfuimos into overtimea través del tiempo.
175
518059
1919
Ganaron el juego.
Ganaron el campeonato.
08:52
They wonwon the gamejuego.
They wonwon the championshipcampeonato.
176
520002
2096
Fue uno de los juegos de baloncesto
más emocionantes.
08:54
It was one of the mostmás excitingemocionante
gamesjuegos in basketballbaloncesto.
177
522122
2444
08:57
And our abilitycapacidad to know
the shotDisparo probabilityprobabilidad for everycada playerjugador
178
525438
3429
Y nuestra capacidad de conocer
la probabilidad del tiro de cada jugador
09:00
at everycada secondsegundo,
179
528891
1188
a cada segundo,
09:02
and the likelihoodprobabilidad of them gettingconsiguiendo
a reboundrebote at everycada secondsegundo
180
530103
2956
y la probabilidad de conseguir
un rebote a cada segundo
puede iluminar este momento
como nunca antes.
09:05
can illuminateiluminar this momentmomento in a way
that we never could before.
181
533083
3443
09:09
Now unfortunatelyDesafortunadamente,
I can't showespectáculo you that videovídeo.
182
537618
2668
Desafortunadamente, no puedo
mostrarles ese video.
09:12
But for you, we recreatedrecreado that momentmomento
183
540310
4493
Pero lo hemos recreado
09:16
at our weeklysemanal basketballbaloncesto gamejuego
about 3 weekssemanas agohace.
184
544827
2336
en nuestro juego semanal
de baloncesto hace 3 semanas.
09:19
(LaughterRisa)
185
547279
2167
(Risas)
09:21
And we recreatedrecreado the trackingrastreo
that led to the insightsideas.
186
549573
3410
Y recreamos el seguimiento
del que extrajimos las ideas.
09:25
So, here is us.
This is Chinatownbarrio chino in LosLos AngelesAngeles,
187
553199
4255
Aquí estamos. Esto es Chinatown
en Los Ángeles,
09:29
a parkparque we playjugar at everycada weeksemana,
188
557478
1564
un parque en el que
jugamos todas las semanas,
09:31
and that's us recreatingrecreando
the RayRayo AllenAllen momentmomento
189
559066
2231
y allí estamos recreando
el momento Ray Allen
09:33
and all the trackingrastreo
that's associatedasociado with it.
190
561321
2229
y todo el seguimiento asociado.
09:36
So, here'saquí está the shotDisparo.
191
564772
1517
Este es el disparo.
09:38
I'm going to showespectáculo you that momentmomento
192
566313
2516
Les mostraré ese momento
09:40
and all the insightsideas of that momentmomento.
193
568853
2587
y lo que aprendimos de ese momento.
09:43
The only differencediferencia is, insteaden lugar
of the professionalprofesional playersjugadores, it's us,
194
571464
3730
La única diferencia es que en vez de
jugadores profesionales, somos nosotros,
09:47
and insteaden lugar of a professionalprofesional
announcerlocutor, it's me.
195
575218
2618
y en vez de un locutor profesional,
soy yo.
09:49
So, bearoso with me.
196
577860
1477
Así que tengan paciencia conmigo.
09:53
MiamiMiami.
197
581153
1150
Miami.
09:54
Down threeTres.
198
582671
1150
Tres puntos abajo.
09:56
TwentyVeinte secondssegundos left.
199
584107
1150
Quedan 20 segundos.
09:59
JeffJeff bringstrae up the ballpelota.
200
587385
1198
Jeff trae la pelota.
10:02
JoshJosh catchescapturas, putspone up a threeTres!
201
590656
1535
Josh la atrapa, ¡marca un triple!
10:04
[CalculatingCalculador shotDisparo probabilityprobabilidad]
202
592631
1849
[Calculando probabilidad de tiro: 33 %]
10:07
[ShotDisparo qualitycalidad]
203
595278
1150
[Calidad del tiro: JOSH 33 %]
10:09
[ReboundRebote probabilityprobabilidad]
204
597048
1785
[Probabilidad de rebote: NOEL 12 %]
10:12
Won'tCostumbre go!
205
600373
1173
¡No entrará!
10:13
[ReboundRebote probabilityprobabilidad]
206
601570
1446
[Probabilidad de rebote: NOEL 37 %]
10:15
ReboundRebote, NoelNavidad.
207
603777
1256
Rebote, Noel.
10:17
Back to DariaDaria.
208
605057
1150
Vuelve a Daria.
10:18
[ShotDisparo qualitycalidad]
209
606509
3365
[Calidad del tiro: DARIA 37 %]
10:22
Her three-pointertres punteros -- bangexplosión!
210
610676
1620
Su triple... ¡bang!
10:24
TieCorbata gamejuego with fivecinco secondssegundos left.
211
612320
2197
Empate y quedan 5 segundos.
10:26
The crowdmultitud goesva wildsalvaje.
212
614880
1618
La multitud enloquece.
10:28
(LaughterRisa)
213
616522
1659
(Risas)
10:30
That's roughlyaproximadamente how it happenedsucedió.
214
618205
1547
Es más o menos lo que pasó.
10:31
(ApplauseAplausos)
215
619776
1151
(Aplausos)
10:32
RoughlyAproximadamente.
216
620951
1175
Más o menos.
10:34
(ApplauseAplausos)
217
622150
1531
(Aplausos)
10:36
That momentmomento had about a ninenueve percentpor ciento
chanceoportunidad of happeningsucediendo in the NBANBA
218
624121
5484
Ese momento tenía un 9 % de
probabilidad de ocurrir en la NBA;
10:41
and we know that
and a great manymuchos other things.
219
629629
2261
sabemos eso y muchas otras cosas.
10:43
I'm not going to tell you how manymuchos timesveces
it tooktomó us to make that happenocurrir.
220
631914
3491
No les diré las veces que intentamos
hasta que ocurrió.
10:47
(LaughterRisa)
221
635429
1747
(Risas)
10:49
Okay, I will! It was fourlas cuatro.
222
637200
1872
Bien, ¡se los diré!
Fueron cuatro.
10:51
(LaughterRisa)
223
639096
1001
(Risas)
10:52
Way to go, DariaDaria.
224
640121
1165
Así se hace, Daria.
10:53
But the importantimportante thing about that videovídeo
225
641647
4263
Pero lo importante de ese video
10:57
and the insightsideas we have for everycada secondsegundo
of everycada NBANBA gamejuego -- it's not that.
226
645934
4568
y las ideas obtenidas en cada segundo
de un juego de la NBA, no es eso.
11:02
It's the facthecho you don't have to be
a professionalprofesional teamequipo to trackpista movementmovimiento.
227
650639
3929
Es que no hay que ser un equipo
profesional para seguir el movimiento.
11:07
You do not have to be a professionalprofesional
playerjugador to get insightsideas about movementmovimiento.
228
655083
3657
No hay que ser jugador profesional
para aprender sobre el movimiento.
11:10
In facthecho, it doesn't even have to be about
sportsDeportes because we're movingemocionante everywhereen todos lados.
229
658764
3858
De hecho, no se trata del deporte
porque nos movemos por doquier.
11:15
We're movingemocionante in our homeshogares,
230
663654
2369
Nos movemos en nuestras casas,
11:21
in our officesoficinas,
231
669428
1205
en nuestras oficinas,
11:24
as we shoptienda and we travelviajar
232
672238
2690
mientras compramos y viajamos
11:29
throughouten todo our citiesciudades
233
677318
1253
por las ciudades
11:32
and around our worldmundo.
234
680065
1618
y alrededor del mundo.
11:35
What will we know? What will we learnaprender?
235
683270
2295
¿Qué conoceremos?
¿Qué aprenderemos?
Quizá en vez de identificar
bloqueos y continuación,
11:37
PerhapsQuizás, insteaden lugar of identifyingidentificando
pick-and-rollspick-and-rolls,
236
685589
2305
11:39
a machinemáquina can identifyidentificar
the momentmomento and let me know
237
687918
3010
una máquina pueda identificar
el momento y me avise
11:42
when my daughterhija takes her first stepspasos.
238
690952
2059
cuando mi hija dé el primer paso.
11:45
WhichCual could literallyliteralmente be happeningsucediendo
any secondsegundo now.
239
693035
2536
Algo que podría ocurrir
en cualquier momento próximo.
Quizá podamos aprender
a usar mejor los edificios,
11:48
PerhapsQuizás we can learnaprender to better use
our buildingsedificios, better planplan our citiesciudades.
240
696140
3697
planificar mejor las ciudades.
11:52
I believe that with the developmentdesarrollo
of the scienceciencia of movingemocionante dotspuntos,
241
700362
4173
Creo que con el desarrollo de la
ciencia de los puntos móviles,
11:56
we will movemovimiento better, we will movemovimiento smartermás inteligente,
we will movemovimiento forwardadelante.
242
704559
3643
nos moveremos mejor,
con más inteligencia,
nos moveremos hacia adelante.
12:00
Thank you very much.
243
708607
1189
Muchas gracias.
12:01
(ApplauseAplausos)
244
709820
5045
(Aplausos)

▲Back to top

ABOUT THE SPEAKER
Rajiv Maheswaran - Researcher
Using 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.

More profile about the speaker
Rajiv Maheswaran | Speaker | TED.com