زملائي و انا معجبين بعلم النقاط المتحركة فما هي هذه النقاط ؟ حسنا، هي كل واحد منا. و نحن نتحرك في بيوتنا، في مكاتبنا، كما نحن نتسوق و نسافر خلال مدننا و حول العالم. اليس من الجيد من ان نكون قادرين على ان نتفهم كل هذه التحركات اذا كنا قادرين على ايجاد انماط و معاني و النظر في ذلك و لحسن الحظ لنا، نحن نعيش في زمان و نحن بشكل لا يصدق جيدين في التقاط معلومات عن انفسنا و ذلك سواء من خلال اجهزة الاستشعار او الفيديو, او التطبيقات نحن نستطيع تتبع حركاتنا بتفاصيل دقيقة لا تصدق
My colleagues and I are fascinated by the science of moving dots. So what are these dots? Well, it's all of us. And we're moving in our homes, in our offices, as we shop and travel throughout our cities and around the world. And wouldn't it be great if we could understand all this movement? If we could find patterns and meaning and insight in it. And luckily for us, we live in a time where we're incredibly good at capturing information about ourselves. So whether it's through sensors or videos, or apps, we can track our movement with incredibly fine detail.
لذلك تبين ان احد الاماكن حيث وجدنا ان افضل بيانات حول الحركة هي الرياضة ذلك سواء اكان في كرة السلة او البيسبول, او كرة القدم او كرة القدم الاخرى نحن نجهز ملاعبنا بالاجهزة و لاعبينا حتى نتتبع حركاتهم كل جزء من الثانية و ما نفعله هو تحويل لاعبينا الى ربما عرفتم الى ماذا نقاط متحركة
So it turns out one of the places where we have the best data about movement is sports. So whether it's basketball or baseball, or football or the other football, we're instrumenting our stadiums and our players to track their movements every fraction of a second. So what we're doing is turning our athletes into -- you probably guessed it -- moving dots.
لذلك لدينا كومة من النقاط المتحركة و كمعظم البينات الاولية، من الصعب التعامل معها و ليس بتلك المتعة. لكن هناك اشياء التي على سبيل المثال، مدربين كرة السلة يريدون معرفته. و المشكلة انه لا يمكنهم معرفتها لانهم بحاجة الى مشاهدة كل ثانية من كل مباراة، تذكره و معالجته. و الانسان لا يمكنه فعل ذلك لكن الآلة تستطيع المشكلة ان الآلة لا تسطيع ان ترى المباراة كما يراها المدرب على الاقل لم يتمكنوا حتى اﻷن فماذا علمنا الآلة ان ترى؟
So we've got mountains of moving dots and like most raw data, it's hard to deal with and not that interesting. But there are things that, for example, basketball coaches want to know. And the problem is they can't know them because they'd have to watch every second of every game, remember it and process it. And a person can't do that, but a machine can. The problem is a machine can't see the game with the eye of a coach. At least they couldn't until now. So what have we taught the machine to see?
لذلك بدأنا ببساطة.
So, we started simply.
علمناها اشياء مثل التمريرات، و لقطات و الترددات. اشياء التي يعرفها المشجعين العاديين.
We taught it things like passes, shots and rebounds. Things that most casual fans would know.
و من ثم انتقلنا الى الاشياء الاكثر تعقيدا بقليل. احداث مثل "بوست ابس" و انتقاء و لفات, و العزلة و اذا لم تعرفوهم, لا بأس بذلك. معظم اللاعبين العاديين ربما يعرفون. الان, نحن وصلنا الى نقطة حيث ان اليوم, الآلة تفهم احداث معقدة مثل "داون سكرينس" و "وايد بينس" الاشياء التي يعرفها المحترفين اساسا. لذلك علمنا اﻵلة بان ترى كما يرى المدرب .
And then we moved on to things slightly more complicated. Events like post-ups, and pick-and-rolls, and isolations. And if you don't know them, that's okay. Most casual players probably do. Now, we've gotten to a point where today, the machine understands complex events like down screens and wide pins. Basically things only professionals know. So we have taught a machine to see with the eyes of a coach.
فكيف كنا قادرين على فعل ذلك؟ اذا سألت مدرب بأن يصف لي شيئا مثل "بيك-اند-رول", لاعطوني وصف، و لو شفرت ذلك كخوارزمية، سيكون فظيعا. ال"بيك-اند-رول" حدث ان تكون هذه الرقصة في كرة السلة بين اربعة لاعبين, اثنين على الهجوم و اثنين علي الدفاع. وهنا نوعا ما كيف تسير الأمور. اذا هنالك الشخص على الموقع الهجومي دون الكرة هو و الكرة يذهبان الى جانب الشخص الذي يحرس الشخص مع الكرة، و هو نوعا ما يبقى هناك
So how have we been able to do this? If I asked a coach to describe something like a pick-and-roll, they would give me a description, and if I encoded that as an algorithm, it would be terrible. The pick-and-roll happens to be this dance in basketball between four players, two on offense and two on defense. And here's kind of how it goes. So there's the guy on offense without the ball the ball and he goes next to the guy guarding the guy with the ball, and he kind of stays there
و كلاهما يتحركان و اشياء تحدث, و تا-دا, انها "بيك-اند-رول".
and they both move and stuff happens, and ta-da, it's a pick-and-roll.
(ضحك)
(Laughter)
اذا هذا ايضا مثال على خوارزمية فظيعة. اذا, اذا كان اللاعب الذي يتدخل -- هو يسمي ب"سكرينير"-- يذهب بالقرب من, لكنه لا يتوقف، انها لربما ليست " بيك-اند-رول". او اذا توقف, لكنه لا يتوقف لا يقترب الى حد كافي, انها لربما ليست " بيك-اند-رول". او, اذا اقترب منه و هو يتوقف لكنهم يفعلوها تحت السلة, انها لربما ليست " بيك-اند-رول". او قد اكون مخطئ, من الممكن ان كلهن " بيك-اند-رول". و هو حقا على يعتمد على الوقت الدقيق و المسافات و المواقع و هذا ما يجعله صعب. لذلك مع حسن الحظ، مع تعلم الآلة، يمكننا تجاوز قدراتنا لوصف الاشياء التي نعرفها.
So that is also an example of a terrible algorithm. So, if the player who's the interferer -- he's called the screener -- goes close by, but he doesn't stop, it's probably not a pick-and-roll. Or if he does stop, but he doesn't stop close enough, it's probably not a pick-and-roll. Or, if he does go close by and he does stop but they do it under the basket, it's probably not a pick-and-roll. Or I could be wrong, they could all be pick-and-rolls. It really depends on the exact timing, the distances, the locations, and that's what makes it hard. So, luckily, with machine learning, we can go beyond our own ability to describe the things we know.
فكيف هذا يعمل؟ حسنا انها من خلال النماذج. لذلك نحن الى الآلة و نقول, " صباح الخير يا آلة. و ها هنا بعض "بيك اند رولس", و ها هنا بعض الاشياء التي ليست. من فضلك جد طريقة لمعرفة الفرق." و المفتاح لكل هذا هو ايجاد المميزات التي تمكنها من الفصل. لذلك اذا كنت ذاهبا لاعلمها الفروق بين تفاحة و البرتقال ربما اقول, "لماذا لا تستخدم لون او شكل؟" و المشكلة التي نحلها هي، ما هي هذه الاشياء؟ ما هي الملامح الرئيسية التي تدع الكمبيوتر التنقل في عالم النقاط المتحركة؟ لذلك اكتشاف كل هذه العلاقات مع موقع النسبي و المطلق، مسافة، التوقيت، سرعات-- هذا هو حقا المفتاح علم النقاط المتحركة او كما نحب ان نسميه، التعرف على الانماط الزمانية المكانية، في الاكادمية العامية. لان اول شئ هو، يجب عليك ان تجعل الامر يبدو صعب-- لانه كذلك.
So how does this work? Well, it's by example. So we go to the machine and say, "Good morning, machine. Here are some pick-and-rolls, and here are some things that are not. Please find a way to tell the difference." And the key to all of this is to find features that enable it to separate. So if I was going to teach it the difference between an apple and orange, I might say, "Why don't you use color or shape?" And the problem that we're solving is, what are those things? What are the key features that let a computer navigate the world of moving dots? So figuring out all these relationships with relative and absolute location, distance, timing, velocities -- that's really the key to the science of moving dots, or as we like to call it, spatiotemporal pattern recognition, in academic vernacular. Because the first thing is, you have to make it sound hard -- because it is.
الشيئ الرئيسي لمدربين NBA هو ليس انهم لا يريدون معرفة اذا حدث "بيك اند رول" ام لم يحدث. هو انهم يريدون معرفة كيف حدث. و لماذا هذا مهم لهم؟ اذا هذه معرفة بسيطة. اتضح ان في كرة السلة الحديثة, ربما ال"بيك اند رول" اهم اللعب. و معرفة كيفية ادارتها, و معرفة كيفية حمايتها, هو اساسا مفتاح الفوز و الخسارة في معظم المباريات. اتضح ان هذه الرقصة لها عدد كبير من البدائل و تعريف هذه البدائل هو الامر المهم, و لهذا لماذا نحن نحتاج من ان ذلك يكون جيد جدا,
The key thing is, for NBA coaches, it's not that they want to know whether a pick-and-roll happened or not. It's that they want to know how it happened. And why is it so important to them? So here's a little insight. It turns out in modern basketball, this pick-and-roll is perhaps the most important play. And knowing how to run it, and knowing how to defend it, is basically a key to winning and losing most games. So it turns out that this dance has a great many variations and identifying the variations is really the thing that matters, and that's why we need this to be really, really good.
اذن, هذا مثال. هنلك لاعبين اثنين مهاجمين و لاعبين اثنين مدافعين, مستدعين ليقوموا رقصة ال"بيك اند رول". اذن الشخص مع الكرة يمكنه يأخذ او يمكنه يرفض بامكان زملائه اما ان يفعلو ال"رول" او "بوب". الشخص الذي يحرس الكرة يمكنه اما ان يذهب من فوق او من تحت. زملائه يمكنهم اما الاظهار او اللعب حتى اللمس او اللعب بليونه و مع بعضهم اما يمكنهم التبديل او الهجوم و لم أعرف معظم هذه الاشياء عندما بدأت وسيكون من الرائع لو ان الجميع تحركوا وفقا لهذه الاسهم. سيجعل حياتنا اسهل بكثير, و لكن اتضح ان الحركات فوضوية جدا. الناس يهتزون كثيرا و تعريف هذه المتغيرات مع الدقة العالية, في كلا الدقة و الاسترداد صعب لان هذا ما يلزم لمدرب المحترف يصدقك. و بالرغم من الصعوبات المتعلقة بالملامح الزمانية و المكانية الصحيحة استطعنا القيام من ذلك.
So, here's an example. There are two offensive and two defensive players, getting ready to do the pick-and-roll dance. So the guy with ball can either take, or he can reject. His teammate can either roll or pop. The guy guarding the ball can either go over or under. His teammate can either show or play up to touch, or play soft and together they can either switch or blitz and I didn't know most of these things when I started and it would be lovely if everybody moved according to those arrows. It would make our lives a lot easier, but it turns out movement is very messy. People wiggle a lot and getting these variations identified with very high accuracy, both in precision and recall, is tough because that's what it takes to get a professional coach to believe in you. And despite all the difficulties with the right spatiotemporal features we have been able to do that.
المدربين يؤمنون بقدرات آلتنا في تحديد هذه المتغيرات. نحن عند النقطة حيث ان كل منافس تقريبا لبطولة الNBA في هذا العام يستخدم برمجياتنا المبنية على الآلة التي تدرك النقاط المتحركة لكرة السلة. و ليس فقط ذلك، بل واعطينا النصائح التي غيرت استراتيجيات التي ساعدت الفرق في الفوز في مباريات مهمة، و هذا في غاية الاثارة لان لديك مدربين الذين كانوا في الدوري لمدة 30 عاما الذين هم مستعدين ﻹخذ نصائح من آلة. و هو مثير جدا، و اكثر بكثير من "بيك اند رول". حاسوبنا ابتدأ بالاشياء الصغيرة و تعلم المزيد و المجزيد من الاشياء المعقدة و الان يعرف اشياء كثيرة. بصراحة، انا لا افهم كثيرا بما يفعله و حينما انه ليس من المهم ان يكون اذكى مني، نحن كن نتسائل هل يمكن للآلة ان تعرف اكثر من المدرب؟ هل يمكنها ان تعرف اكثر من الشخص؟ و اتضح ان الجواب هو نعم.
Coaches trust our ability of our machine to identify these variations. We're at the point where almost every single contender for an NBA championship this year is using our software, which is built on a machine that understands the moving dots of basketball. So not only that, we have given advice that has changed strategies that have helped teams win very important games, and it's very exciting because you have coaches who've been in the league for 30 years that are willing to take advice from a machine. And it's very exciting, it's much more than the pick-and-roll. Our computer started out with simple things and learned more and more complex things and now it knows so many things. Frankly, I don't understand much of what it does, and while it's not that special to be smarter than me, we were wondering, can a machine know more than a coach? Can it know more than person could know? And it turns out the answer is yes.
المدربين يريدون اللاعبين لاتخاذ ضربات جيدة. لذلك اذا كنت وواقفا بجانب السلة و ليس هناك احد بجانبي، انها ضربة جيدة. اذا كنت واقفا بعيدا و محاصر بالمدافعين ، تلك بشكل عام ضربة سيئة. و لكننا لم نعرف كيف الجيد كان "جيدا" او كيف السيئ كان "سيئا" كميا. حتى الان.
The coaches want players to take good shots. So if I'm standing near the basket and there's nobody near me, it's a good shot. If I'm standing far away surrounded by defenders, that's generally a bad shot. But we never knew how good "good" was, or how bad "bad" was quantitatively. Until now.
اذا ما يمكننا فعله، مجددا، هو استخدام ميزات الزمانية و المكانية، نظرنا الى لقطة. بامكاننا ان نرى: اين اللقطة؟ أي زاوية الى السلة؟ اين المهاجمون واقفون؟ ما هي مسافاتهم؟ ما هي زواياهم؟ لعدة مهاجمين، يمكننا ان نرى كيف يتحرك اللاعبون و تنبؤ نوعية المحاولة. يمكننا ان نرى جميع سرعاتهم و يمكننا ان نبنى نموذج الذي يتوقع ما هو الاحتمال ان المحاولة ستسير وفق هذه الظروف؟ اذن لماذا هذا مهم؟ يمكننا اخذ شيئ كان يرمي، الذي كان شيئ واحد من قبل و تحويله الى شيئين: نوعية الرمية و نوعية الرامي. اذن هذا تخطيط فقاعي، لأنه ما هو TED من دون تخطيط فقاعي؟ ( ضحك)
So what we can do, again, using spatiotemporal features, we looked at every shot. We can see: Where is the shot? What's the angle to the basket? Where are the defenders standing? What are their distances? What are their angles? For multiple defenders, we can look at how the player's moving and predict the shot type. We can look at all their velocities and we can build a model that predicts what is the likelihood that this shot would go in under these circumstances? So why is this important? We can take something that was shooting, which was one thing before, and turn it into two things: the quality of the shot and the quality of the shooter. So here's a bubble chart, because what's TED without a bubble chart? (Laughter)
هؤلاء لاعبين NBA الحجم هو حجم اللاعب و اللون هو الموقع. على محور السيني لدينا احتمالات الرمية. الاشخاص على اليسار يتخذون رميات صعبة، على اليمين، يتخذون رميات سهلة. على محور الصادي هي قدراتهم على الرماية. الاشخاص الجيدين في الاعلى، السيئين في الاسفل. اذن على سبيل المثال، اذا كان هناك لاعب الذي عموما جعل 47 بالمئة من الرميات، هذا كل ما عرفتوه مسبقا. لكن اليوم، يمكنني ان اقول لكم ان اللاعب الذي يتخذ رميات ان لاعب الNBA العادي يمكنه النجاح 49 بالمئة من الوقت، و هم 2 بالمئة اسوأ. و سبب اهميته لأن هناك كثيرين بهذا المستوى . و هذا امر مهم لمعرفته اذا قررت اعطائهم 100 مليون دولار من يرمي جيدا و يتخذ رميات جيد او من يرمي بسوء و يتخذ رميات جيدة. فهم الآلة ليس فقط تغير كيف ننظر الى اللاعبين، انها تغير نظرتنا الى المباراة.
Those are NBA players. The size is the size of the player and the color is the position. On the x-axis, we have the shot probability. People on the left take difficult shots, on the right, they take easy shots. On the [y-axis] is their shooting ability. People who are good are at the top, bad at the bottom. So for example, if there was a player who generally made 47 percent of their shots, that's all you knew before. But today, I can tell you that player takes shots that an average NBA player would make 49 percent of the time, and they are two percent worse. And the reason that's important is that there are lots of 47s out there. And so it's really important to know if the 47 that you're considering giving 100 million dollars to is a good shooter who takes bad shots or a bad shooter who takes good shots. Machine understanding doesn't just change how we look at players, it changes how we look at the game.
كانت هناك مباراة ممتعة جدا قبل بضعة سنين، في نهائيات الNBA. كانت ميامي اقل بثلاث نقاط، و تبقى من 20 ثانية. كانوا على وشك خسارة البطولة. جاء رجل اسمه لابرون جيمس و اتخذ ثلاث للتعادل. لكنه اخفق. زميله كريس حصل على ارتداد، مرره الى زميله الاخر اسمه راي الان. و اغرق ثلاث. فاتوا بالوقت الاضافي. فازوا المباراة. فازوا البطولة. كانت احد المباريات المثيرة جدا في كرة السلة. و قدرتنا علي معرفة احتمالات محاولات لكل لاعب في كل ثانية، و احتمال حصولهم على ارتداد في كل ثانية يمكنه توضيح اللحظة بطريقة لم نستطع بها من قبل. اﻵن للاسف، لا يمكنني ان اريكم ذلك الفيديو. لكن لكم، نحن صوغنا تلك اللحظة في مبارتنا لكرة السلة قبل حوالي ثلاثة اسابيع.
So there was this very exciting game a couple of years ago, in the NBA finals. Miami was down by three, there was 20 seconds left. They were about to lose the championship. A gentleman named LeBron James came up and he took a three to tie. He missed. His teammate Chris Bosh got a rebound, passed it to another teammate named Ray Allen. He sank a three. It went into overtime. They won the game. They won the championship. It was one of the most exciting games in basketball. And our ability to know the shot probability for every player at every second, and the likelihood of them getting a rebound at every second can illuminate this moment in a way that we never could before. Now unfortunately, I can't show you that video. But for you, we recreated that moment at our weekly basketball game about 3 weeks ago.
(ضحك )
(Laughter)
و صوغنا التتابع الذي الى ادى المشاهد. اذن، ها هنا نحن. هذا الحي الصيني في لوس انجلوس، منتزه نلعب فيه كل اسبوع، و ها نحن نصوغ لحظة راي الان و كل التتابع المرتبط بتلك باللحظة. اذن، هذه هي الرمية. سوف اريكم تلك اللحظة و كل المشاهد من تلك اللحظة. الاختلاف الوحيد هو، انه نحن بدلا من لاعبين محترفين، و انا بدلا من معلّق محترف، انا المعلّق. اذن، تحملوا معي.
And we recreated the tracking that led to the insights. So, here is us. This is Chinatown in Los Angeles, a park we play at every week, and that's us recreating the Ray Allen moment and all the tracking that's associated with it. So, here's the shot. I'm going to show you that moment and all the insights of that moment. The only difference is, instead of the professional players, it's us, and instead of a professional announcer, it's me. So, bear with me.
ميامي خاسرين بثلاث نقاط. عشرون ثانية باقية. جيف يحضر الكرة. جوش يلتقطها، و يسدد بثلاث نقاط!
Miami. Down three. Twenty seconds left. Jeff brings up the ball. Josh catches, puts up a three!
[حساب احتمالات الرمية]
[Calculating shot probability]
[جودة الرمية ]
[Shot quality]
[ احتمال الارتداد]
[Rebound probability]
لن يحدث!
Won't go!
[ احتمال الارتداد]
[Rebound probability]
ارتداد، نويل. نرجع الى داريا.
Rebound, Noel. Back to Daria.
[ جودة الرمية ]
[Shot quality]
رميتها الثلاثية --بانج! تعادل المباراة مع خمسة ثواني متبقيات. الجمهور يقفز.
Her three-pointer -- bang! Tie game with five seconds left. The crowd goes wild.
( ضحك )
(Laughter)
و هذا تقريبا كيف حدث.
That's roughly how it happened.
( تصفيق )
(Applause)
تقريبا.
Roughly.
( تصفيق) كانت فرصة حدوث تلك الحظة حوالي 9 بالمئة في NBA و نحن نعرف ذلك و أشياء كثيرة عظيمة اخرى. لن اقول لكم كم مرة استغرقنا من تحقيق ذلك.
(Applause) That moment had about a nine percent chance of happening in the NBA and we know that and a great many other things. I'm not going to tell you how many times it took us to make that happen.
( ضحك )
(Laughter)
حسنا، سوف اقول! اربعة مرات.
Okay, I will! It was four.
( ضحك )
(Laughter)
احسنت يا داريا.
Way to go, Daria.
لكن الامر المهم عن ذلك الفيديو و رؤيات التي لدينا لكل ثانية لكل لعبة NBA -- ليس ذلك. هي الحقيقة انه ليس من الضروري ان تكون فريقا محترفا لتتابع الحركات. ليس من الضروري ان تكون لاعبا محترفا للحصول على رؤيات الحركات.
But the important thing about that video and the insights we have for every second of every NBA game -- it's not that. It's the fact you don't have to be a professional team to track movement. You do not have to be a professional player to get insights about movement.
في الحقيقة، ليس من الضروري من ان تكون عن الرياضة لانه نحن نتحرك في كل مكان. نحن نتحرك في بيوتنا، في مكاتبنا، كما نحن نتسوق و نسافر عبر مدننا و حول العالم. ما الذي سنعرفه؟ ما الذي سنتعلمه؟ ربكا بدلا من تعريف "بيك اند رولز"، اﻵلة يمكنها ان تعرف اللحظة و تعلمني بها عندما تتخطى ابنتي خطواتها الاولى. التي يمكن ان تحدث في اي لحظة.
In fact, it doesn't even have to be about sports because we're moving everywhere. We're moving in our homes, in our offices, as we shop and we travel throughout our cities and around our world. What will we know? What will we learn? Perhaps, instead of identifying pick-and-rolls, a machine can identify the moment and let me know when my daughter takes her first steps. Which could literally be happening any second now.
ربما يمكننا التعلم لاستخدام افضل لمبانينا، تخطيط افضل لمدننا. انا اؤمن ان مع تطور علم النقاط المتحركة، سوف نتحرك افضل، سوف نتحرك بذكاء، سوف نتحرك للامام.
Perhaps we can learn to better use our buildings, better plan our cities. I believe that with the development of the science of moving dots, we will move better, we will move smarter, we will move forward.
شكرا جزيلا.
Thank you very much.
( تصفيق)
(Applause)