Οι συνεργάτες μου κι εγώ έχουμε γοητευτεί από την επιστήμη των κινούμενων κουκκίδων. Τι είναι αυτές οι κουκκίδες; Βασικά, είμαστε όλοι εμείς. Κινούμαστε στα σπίτια ή τα γραφεία μας, καθώς ψωνίζουμε και ταξιδεύουμε μέσα στις πόλεις μας αλλά και σε όλο τον κόσμο Δεν θα ήταν καταπληκτικό αν μπορούσαμε να κατανοήσουμε όλες αυτές τις κινήσεις; Αν μπορούσαμε να βρούμε μοτίβα, νόημα και επίγνωση σε αυτήν; Ευτυχώς για μας, ζούμε σε μία εποχή, στην οποία μπορούμε να μαζεύουμε πληροφορίες για τους εαυτούς μας. Είτε μέσα από αισθητήρες, βίντεο ή εφαρμογές μπορούμε να παρακολουθήσουμε τις κινήσεις μας με απίστευτη λεπτομέρεια
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.
Ένα από τα μέρη όπου έχουμε τα καλύτερα δεδομένα σχετικά με την κίνηση είναι τα αθλήματα. Είτε μπάσκετ, είτε μπέιζμπολ, είτε ποδόσφαιρο, είτε το άλλο ποδόσφαιρο, εξοπλίζουμε τα στάδια και τους παίκτες για να καταγράφουμε τις κινήσεις τους σε κάθε κλάσμα του δευτερολέπτου. Αυτό που κάνουμε είναι ότι μετατρέπουμε τους αθλητές μας σε -- μάλλον το μαντέψατε -- κινούμενες κουκκίδες.
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.
Έχουμε πληθώρα κινούμενων κουκκίδων και όπως τα περισσότερα ακατέργαστα δεδομένα, η επεξεργασία τους είναι δύσκολη και όχι πολύ ενδιαφέρουσα. Αλλά οι προπονητές του μπάσκετ π.χ. θέλουν να γνωρίζουν κάποια πράγματα, αλλά δεν μπορούν, διότι πρέπει να παρακολουθούν κάθε δευτερόλεπτο κάθε παιχνιδιού, να τα θυμούνται και να τα επεξεργάζονται. Αυτό δεν μπορεί να το κάνει ένας άνθρωπος, αλλά μπορεί να το κάνει ένας υπολογιστής. Όμως οι υπολογιστές δεν μπορούν να δουν το παιχνίδι όπως ένας προπονητής. Ή τουλάχιστον, δεν μπορούσαν μέχρι τώρα. Τι διδάξαμε τους υπολογιστές να βλέπουν;
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?
Ξεκινήσαμε απλά. Τους μάθαμε τις πάσες, τα σουτ και τα ριμπάουντ, αυτά που γνωρίζουν οι περισσότεροι φίλαθλοι. Μετά περάσαμε σε λίγο πιο περίπλοκα πράγματα, όπως τα ποσταρίσματα, τα πικ εν ρολ και το παιχνίδι απομόνωσης. Αν δεν τα ξέρετε, δεν πειράζει. Όσοι παίζουν κάπου-κάπου μάλλον τα γνωρίζουν. Σήμερα, έχουμε φτάσει στο σημείο όπου οι μηχανές καταλαβαίνουν σύνθετα γεγονότα όπως κάτω σκριν και wide pin, πράγματα που γνωρίζουν μόνον οι επαγγελματίες. Μάθαμε, δηλαδή, στους υπολογιστές να βλέπουν με τα μάτια ενός προπονητή.
So, we started simply. We taught it things like passes, shots and rebounds. Things that most casual fans would know. 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.
Πώς το κάναμε αυτό; Αν ζητούσα από έναν προπονητή να μου περιγράψει κάτι σαν το πικ εν ρολ, θα μου έδινε μια περιγραφή, και αν προσπαθούσα να τη μετατρέψω σε αλγόριθμο, το αποτέλεσμα θα ήταν τραγικό. Το πικ εν ρολ είναι ένα είδος χορογραφίας ανάμεσα σε τέσσερις παίκτες, δύο επιτιθέμενους και δύο αμυνόμενους. Είναι κάπως έτσι. Αυτός είναι ο επιθετικός χωρίς την μπάλα και πηγαίνει δίπλα στον παίκτη, που μαρκάρει τον παίκτη με την μπάλα και μένει εκεί και κινούνται και οι δύο και συμβαίνουν διάφορα και αυτό είναι το πικ εν ρολ.
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 and they both move and stuff happens, and ta-da, it's a pick-and-roll.
(Γέλια)
(Laughter)
Επίσης είναι ένα παράδειγμα άθλιου αλγορίθμου. Αν ο παίκτης που παρεμβάλλεται -- ονομάζεται σκρίνερ -- πλησιάζει, αλλά δεν σταματά, μάλλον δεν είναι πικ εν ρολ. Ή αν σταματά, αλλά δεν σταματά αρκετά κοντά, μάλλον δεν είναι πικ εν ρολ. Ή αν πλησιάζει αρκετά και σταματά, αλλά το κάνει κάτω από το καλάθι, μάλλον δεν είναι πικ εν ρολ. Ή ίσως κάνω λάθος, ίσως όλα αυτά είναι πικ εν ρολ. Εξαρτάται από τον ακριβή χρονισμό, τις αποστάσεις, τις θέσεις και αυτό είναι που το κάνει δύσκολο. Ευτυχώς με τη μηχανική μάθηση, μπορούμε να υπερβούμε την ικανότητά μας να περιγράφουμε πράγματα που γνωρίζουμε.
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.
Πώς δουλεύει; Είναι πολύ απλό. Πηγαίνουμε σε έναν υπολογιστή και λέμε «Καλημέρα, υπολογιστή. Ορίστε μερικά πικ εν ρολ και κάποια πράγματα που δεν είναι. Σε παρακαλώ βρες έναν τρόπο να τα ξεχωρίζεις». Το κλειδί είναι να βρει χαρακτηριστικά, που το βοηθούν να τα ξεχωρίσει. Έτσι, αν προσπαθούσα να του μάθω τη διαφορά ανάμεσα σε ένα μήλο και ένα πορτοκάλι, θα του έλεγα «Χρησιμοποίησε το χρώμα ή το σχήμα». Στο πρόβλημα που λύνουμε, ποια είναι αυτά τα χαρακτηριστικά; Ποια είναι τα χαρακτηριστικά που επιτρέπουν σε έναν ΗΥ να πλοηγείται στον κόσμο των κινούμενων κουκκίδων; Συνεπώς ο υπολογισμός των σχέσεων ανάμεσα στη σχετική και απόλυτη θέση, την απόσταση, τον χρονισμό, τις ταχύτητες, αυτό είναι το κλειδί της επιστήμης των κινούμενων κουκκίδων ή όπως την λέμε στην ακαδημαϊκή διάλεκτο, χωροχρονική αναγνώριση προτύπων. Επειδή κατ' αρχάς πρέπει να το κάνουμε να ακούγεται δύσκολο -- διότι είναι δύσκολο.
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.
Για τους προπονητές του NBA, το σημαντικό δεν είναι να γνωρίζουν αν έγινε ή δεν έγινε ένα πικ εν ρολ, αλλά να γνωρίζουν πώς έγινε. Και γιατί αυτό είναι τόσο σημαντικό; Θα σας πω μια πληροφορία εκ των έσω. Στο σύγχρονο μπάσκετ το πικ εν ρολ είναι ίσως η πιο σημαντική κίνηση. Το να ξέρουμε πώς να το κάνουμε και πώς να το αντιμετωπίζουμε, είναι το κλειδί για να νικήσουμε τα περισσότερα παιχνίδια. Αποδεικνύεται ότι αυτός ο χορός έχει πολλές σημαντικές παραλλαγές και η αναγνώριση των παραλλαγών είναι πραγματικά αυτό που έχει σημασία και γι' αυτό πρέπει να την κάνουμε πάρα πολύ καλά.
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.
Ορίστε ένα παράδειγμα. Υπάρχουν δύο επιτιθέμενοι και δύο αμυνόμενοι παίκτες ετοιμάζονται να χορέψουν στον ρυθμό του πικ εν ρολ. Ο παίκτης με την μπάλα, μπορεί να το χρησιμοποιήσει ή όχι Ο συμπαίκτης του μπορεί είτε να ρολάρει, είτε να βγει έξω. Ο αμυνόμενος που μαρκάρει την μπάλα μπορεί να πάει πάνω ή κάτω. Ο συμπαίκτης του μπορεί είτε να παίξει εξ επαφής, είτε από μακριά και οι δυο τους μπορούν είτε να αλλάξουν παίκτη είτε όχι. Δεν ήξερα τα περισσότερα από αυτά όταν ξεκίνησα και θα ήταν υπέροχα αν όλοι κινούνταν σύμφωνα με αυτά τα βέλη. Θα έκανε τις ζωές μας ευκολότερες, αλλά τελικά οι κινήσεις είναι πολύ μπερδεμένες. Οι παίκτες κινούνται πέρα δώθε και η αναγνώριση αυτών των κινήσεων με πολύ μεγάλη επιτυχία και στην ακρίβεια και στην ανάκληση είναι δύσκολη διότι αυτό απαιτείται για να σας εμπιστευτεί ένας επαγγελματίας κόουτς. Παρόλες τις δυσκολίες με τα κατάλληλα χωροχρονικά χαρακτηριστικά τα καταφέραμε.
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.
Οι προπονητές εμπιστεύονται την ικανότητα της μηχανής να αναγνωρίζει τις κινήσεις. Βρισκόμαστε σε ένα σημείο, όπου σχεδόν κάθε διεκδικητής του πρωταθλήματος του NBA φέτος χρησιμοποιεί το λογισμικό μας κάνει έναν υπολογιστή να καταλαβαίνει τις κινούμενες κουκκίδες του μπάσκετ. Και όχι μόνο αυτό, αλλά έχουμε δώσει συμβουλές που έχουν αλλάξει στρατηγικές, που έχουν βοηθήσει ομάδες να κερδίσουν πολύ σημαντικά παιχνίδια και είναι πολύ συναρπαστικό, διότι στο πρωτάθλημα υπάρχουν κόουτς με εμπειρία 30 ετών και είναι πρόθυμοι να πάρουν συμβουλές από μία μηχανή. Και είναι πολύ συναρπαστικό, δεν είναι μόνο το πικ εν ρολ. Ο υπολογιστής μας ξεκίνησε με απλά πράγματα και έμαθε περισσότερα και πιο πολύπλοκα πράγματα και τώρα γνωρίζει πάρα πολλά. Στα αλήθεια, δεν καταλαβαίνω πολλά από όσα κάνει και παρότι δεν είναι τίποτα το ιδιαίτερο κάποιος να είναι πιο έξυπνος από εμένα, αναρωτιόμασταν αν ένα μηχάνημα μπορεί να γνωρίζει πιο πολλά από έναν προπονητή. Μπορεί να γνωρίζει περισσότερα από έναν άνθρωπο; Η απάντηση είναι ναι.
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.
Οι προπονητές θέλουν οι παίκτες τους να κάνουν καλά σουτ. Αν στέκομαι δίπλα στο καλάθι και δεν είναι κανείς δίπλα μου, το σουτ είναι καλό. Αν είμαι μακριά και περικυκλωμένος από αμυνόμενους, αυτό είναι γενικά κακό σουτ. Αλλά ποτέ δεν ξέραμε πόσο καλό είναι το καλό ή πόσο κακό είναι το κακό ποσοτικά. Μέχρι τώρα.
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.
Αυτό που κάναμε, πάλι χρησιμοποιώντας χωροχρονικά χαρακτηριστικά ήταν να δούμε κάθε σουτ. Μπορούμε να δούμε πού είναι το σουτ. Ποια η γωνία του ως προς το καλάθι; Πού βρίσκονται οι αμυνόμενοι; Πόσο μακριά; Σε τι γωνίες; Από το πώς κινείται ένας παίκτης απέναντι σε πολλούς αμυντικούς μπορούμε να προβλέψουμε το είδος του σουτ. Μπορούμε από τις ταχύτητές τους να φτιάξουμε ένα μοντέλο που προβλέπει την πιθανότητα να μπει το σουτ κάτω από τις δεδομένες συνθήκες. Γιατί είναι αυτό σημαντικό; Μπορούμε να πάρουμε π.χ. το σουτ, που προηγουμένως ήταν ένα πράγμα και να το κάνουμε δύο: την ποιότητα του σουτ και την ποιότητα του σουτέρ. Ορίστε ένα διάγραμμα φυσαλίδων -- δεν θα ήταν TED χωρίς διάγραμμα φυσαλίδων --
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?
(Γέλιο)
(Laughter)
Αυτοί είναι παίκτες του NBA. Το μέγεθος είναι το ύψος του παίκτη και το χρώμα είναι η θέση. Στον άξονα χ έχουμε την πιθανότητα ευστοχίας. Οι παίκτες στα αριστερά κάνουν δύσκολα σουτ, στα δεξιά κάνουν εύκολα σουτ. Στον [άξονα ψ] είναι η ικανότητα στο σουτ. Όσοι είναι καλοί είναι ψηλά, οι κακοί είναι χαμηλά. Για παράδειγμα, αν υπήρχε ένας παίκτης που γενικά είχε ευστοχία 47%, αυτό ήταν το μόνο που γνωρίζαμε παλιά. Σήμερα μπορώ να σας πω ότι αυτός ο παίκτης κάνει σουτ, που ένας μέσος παίκτης του NBA θα έκανε με ευστοχία 49% και είναι λιγότερο εύστοχος κατά 2%. Αυτό είναι σημαντικό διότι υπάρχουν πολλοί 47άρηδες. Άρα είναι σημαντικό να γνωρίζουμε αν ο 47άρης στον οποίο σκέφτεστε να δώσετε 100 εκατομμύρια δολάρια είναι ένας καλός σουτέρ, που κάνει δύσκολα σουτ ή ένας κακός σουτέρ που κάνει εύκολα σουτ. Η μηχανική κατανόηση δεν αλλάζει απλά το πώς βλέπουμε τους παίκτες, αλλάζει το πώς βλέπουμε το παιχνίδι.
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.
Πριν από δύο χρόνια, είχε γίνει εκείνος ο συναρπαστικός τελικός του NBA. Το Μαϊάμι έχανε 3 πόντους και είχαν απομείνει 20 δευτερόλεπτα. Θα έχαναν το πρωτάθλημα. Ένας κύριος, ονόματι Λεμπρόν Τζέιμς, σούταρε τρίποντο για να ισοφαρίσει. Αστόχησε. Ένας συμπαίκτης του, ο Κρις Μπος, πήρε το ρημπάουντ και πάσαρε στον Ρέι Άλεν, αυτός έβαλε τρίποντο και πήγαν στην παράταση. Κέρδισαν το παιχνίδι και το πρωτάθλημα. Ήταν ένα από τα πιο συναρπαστικά παιχνίδια μπάσκετ. Η ικανότητά μας να γνωρίζουμε την πιθανότητα ευστοχίας κάθε παίχτη σε κάθε δευτερόλεπτο και την πιθανότητα να πάρουν ένα ρημπάουντ κάθε δευτερόλεπτο μπορούν να διαφωτίσουν αυτήν τη φάση όπως δεν μπορούσε να γίνει ποτέ στο παρελθόν. Δυστυχώς δεν μπορώ να σας δείξω εκείνο το βίντεο. Αλλά ειδικά για σας αναπαράξαμε εκείνη τη φάση στο εβδομαδιαίο μας παιχνίδι μπάσκετ πριν από 3 εβδομάδες.
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.
(Γέλια)
(Laughter)
Και αναπαράξαμε όλη τη φάση, που οδήγησε σε αυτές τις πληροφορίες. Να το. Είναι στην Τσάινα Τάουν του Λος Άντζελες, ένα πάρκο όπου παίζουμε κάθε εβδομάδα να κι εμείς, που αναπαράγουμε τη στιγμή του Ρέι Άλεν και όλη τη φάση, που προηγείται. Να και το σουτ Θα σας δείξω αυτήν τη στιγμή και όλες τις πληροφορίες αυτής της στιγμής. Η μόνη διαφορά είναι ότι αντί για επαγγελματίες παίκτες, παίζουμε εμείς και αντί για επαγγελματία εκφωνητή, θα μιλάω εγώ. Υποστείτε με λιγάκι.
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.
Μαϊάμι. Χάνουν με τρεις. Απομένουν 20''. Ο Τζεφ επαναφέρει την μπάλα. Ο Τζος την πιάνει και σουτάρει τρίποντο!
Miami. Down three. Twenty seconds left. Jeff brings up the ball. Josh catches, puts up a three!
(Υπολογισμός πιθανότητας ευστοχίας)
[Calculating shot probability]
(Ποιότητα σουτ)
[Shot quality]
(Υπολογισμός πιθανότητας ριμπάουντ)
[Rebound probability]
Δεν μπήκε!
Won't go!
(Υπολογισμός πιθανότητας ριμπάουντ)
[Rebound probability]
Ριμπάουντ ο Νοέλ. Πασάρει στην Ντάρια.
Rebound, Noel. Back to Daria.
(Ποιότητα σουτ)
[Shot quality]
Σουτάρει τρίποντο -- μέσα! Ισοπαλία με 5 δευτερόλεπτα να απομένουν. Το πλήθος είναι σε παροξυσμό.
Her three-pointer -- bang! Tie game with five seconds left. The crowd goes wild.
(Γέλιο)
(Laughter)
Έτσι έγινε περίπου.
That's roughly how it happened.
(Χειροκρότημα)
(Applause)
Στο περίπου.
Roughly.
(Χειροκρότημα) Αυτή η στιγμή είχε πιθανότητα περίπου 9% να συμβεί στο NBA και το γνωρίζουμε κι αυτό και πολλά άλλα πράγματα. Δεν θα σας πω πόσες φορές προσπαθήσαμε για να το καταφέρουμε.
(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.
(Χειροκρότημα)
(Laughter)
Εντάξει, θα σας πω. Τέσσερις φορές.
Okay, I will! It was four.
(Χειροκρότημα)
(Laughter)
Μπράβο, Ντάρια.
Way to go, Daria.
Το σημαντικό για αυτό το βίντεο και την επίγνωση που έχουμε για κάθε δευτερόλεπτο κάθε παιχνιδιού του NBA, δεν είναι αυτό. Είναι ότι δεν χρειάζεται να είστε ομάδα του NBA για να παρακολουθείτε την κίνηση ή να είστε επαγγελματίας παίκτης για να έχετε επίγνωση για τις κινήσεις.
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.
Δεν είναι καν απαραίτητο να πρόκειται για σπορ, αφού κινούμαστε παντού. Κινούμαστε στα σπίτια μας, στα γραφεία μας, καθώς ψωνίζουμε και ταξιδεύουμε μέσα στις πόλεις μας και σε όλον τον κόσμο Τι θα γνωρίζουμε; Τι θα μάθουμε; Ίσως αντί να αναγνωρίζει τα πικ εν ρολ, ένας υπολογιστής αναγνωρίσει και με ενημερώσει για τη στιγμή, που η κόρη μου κάνει τα πρώτα της βήματα, κάτι που είναι κυριολεκτικά πιθανό να συμβεί ανά πάσα στιγμή.
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.
Ίσως μάθουμε να χρησιμοποιούμε καλύτερα τα κτίριά μας, να σχεδιάζουμε καλύτερα τις πόλεις μας. Πιστεύω ότι με την εξέλιξη της επιστήμης των κινούμενων κουκκίδων, θα μπορούμε να κινούμαστε καλύτερα, γρηγορότερα, να κινούμαστε προς τα εμπρός.
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.
Σας ευχαριστώ.
Thank you very much.
(Χειροκρότημα)
(Applause)