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.
Meus colegas e eu somos fascinados pela ciência dos pontos móveis. O que são esses pontos? Bem, somos todos nós. E nós estamos nos movendo em nossas casas, escritórios, quando compramos e viajamos pelas nossas cidades e por todo o mundo. E não seria ótimo se pudéssemos entender todo esse movimento? Se pudéssemos encontrar padrões, sentido e percepções nisso? Felizmente, vivemos em um tempo em que somos incrivelmente bons em obter informações sobre nós mesmos. Seja através de sensores, vídeos, ou aplicativos, podemos rastrear nossos movimentos com detalhamento incrível.
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.
Acontece que uma das melhores fontes de dados sobre movimentos são os esportes. Então, seja basquete ou beisebol, futebol americano ou o outro futebol, estamos dando meios aos estádios e jogadores para rastrear seus movimentos a cada fração de segundo. Então, o que estamos fazendo é transformar nossos atletas em... acho que adivinharam, pontos móveis.
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?
Então, temos montanhas de pontos móveis e, como a maioria dos dados brutos, é difícil de lidar e pouco interessante. Mas há coisas que, por exemplo, treinadores de basquete querem saber. O problema é que não conseguem saber, porque teriam que observar cada segundo de cada jogo, lembrá-lo e processá-lo. E uma pessoa não consegue fazer isso, mas uma máquina consegue. O problema é que uma máquina não pode ver o jogo com os olhos de um treinador. Pelo menos, não conseguia até agora. Então, o que ensinamos a máquina a ver?
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.
Começamos de forma simples. Nós ensinamos coisas como passes, arremessos e rebotes. Coisas que a maioria dos fãs ocasionais conhece. E depois passamos para coisas um pouco mais complicadas. Jogar de costas para a cesta, fazer corta-luz e isolação. Se vocês não as conhecem, tudo bem. Muitos jogadores ocasionais conhecem. Hoje, chegamos a um ponto em que a máquina entende eventos complexos como bloqueios fora da bola e até com rotações complexas. Basicamente coisas que só profissionais conhecem. Então, nós ensinamos a máquina a ver com os olhos de um treinador.
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.
Como conseguimos fazer isso? Se eu pedisse a um treinador que descrevesse um corta-luz direto, ele descreveria a jogada, e se eu a codificasse em um algoritmo, ele seria muito complicado. O corta-luz é um “balé” no basquete entre quatro jogadores, Dois no ataque e dois na defesa. É assim que acontece: um cara no ataque sem a bola se posiciona ao lado do cara que marca o que tem a posse da bola, e ele fica por ali. Ambos se movem, coisas acontecem, e...tchan! É um corta-luz.
(Laughter)
(Risos)
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.
Isso é um exemplo de um algoritmo complicado. Se o jogador que se interpõe, chamado de bloqueador, se aproximar, mas não parar, provavelmente não é um corta-luz. Mas se parar e não ficar muito próximo, provavelmente não é um corta-luz. Ou se ele se aproximar do outro e realmente parar, mas parar embaixo da cesta, provavelmente não é um corta-luz. Ou posso estar enganado e tudo pode ser um corta-luz. Depende realmente de uma boa sincronia, das distâncias e dos posicionamentos, e é aí que está a dificuldade. Felizmente, com o aprendizado de máquina, podemos ir além da nossa própria habilidade de descrever o que conhecemos.
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.
Como isto funciona? Bem, é por meio de exemplos. Dizemos para a máquina: "Bom dia, máquina. Aqui estão alguns corta-luzes e coisas que não são corta-luzes. Por favor, encontre um jeito de distingui-los." A chave de tudo é achar características que permitam separá-los. Tendo que ensinar à máquina a diferença entre uma laranja e uma maçã eu poderia dizer: "Por que não usa cor ou forma?" Mas o problema que estamos resolvendo é: o que são essas coisas? Quais traços marcantes possibilitam que um computador interprete o mundo dos pontos móveis? Compreender todas essas relações entre posição relativa e absoluta, distância, sincronia, velocidades, que são realmente a chave da ciência dos pontos móveis ou como gostamos de chamá-la, reconhecimento de padrões espaçotemporais, em linguagem acadêmica. É importante dar um nome difícil porque é difícil mesmo.
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.
Para treinadores da NBA, o principal não é saber se um corta-luz aconteceu ou não, mas sim como aconteceu. E por que isso é tão importante para eles? Perceba o porquê. Acontece que, no basquete moderno, o corta-luz talvez seja a jogada mais importante. Saber como executá-la e como se defender dela, é o que decide o resultado da maioria dos jogos. Essa dança tem muitas variações, e identificá-las é o mais importante. Por isso precisamos que esse programa seja muito bom.
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.
Eis um exemplo: dois atacantes e dois defensores estão prestes a executar o balé do corta-luz. O cara com a posse da bola, pode usar ou não o bloqueio. Seu companheiro pode girar para o garrafão ou abrir para receber o passe. Quem marca o jogador que tem a bola pode avançar ou recuar. Seu companheiro pode avançar, marcar ou apenas acompanhar, e juntos podem trocar ou dobrar a marcação. Eu desconhecia quase tudo isso quando comecei, e seria ótimo se todos se movessem como aquelas flechas indicam. Facilitaria muito as nossas vidas, mas o movimento é muito confuso. Há muita movimentação e com rapidez, o que torna difícil identificar e reconstituir as variações com precisão, pois isso é o que faz um treinador profissional acreditar em você. Apesar das dificuldades com os aspectos espaçotemporais corretos conseguimos realizá-lo. Treinadores confiam na capacidade da nossa máquina
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.
de identificar as variações. Chegamos no ponto em que quase toda equipe da NBA este ano usa nosso software, instalado em uma máquina que compreende os pontos que se movimentam, em basquetebol. Mais do que isto. Nós demos conselhos que têm mudado estratégias, as quais ajudaram equipes a vencer jogos muito importantes, o que é muito estimulante, porque existem treinadores que estão há 30 anos na liga e que desejam um conselho dado por uma máquina. É muito empolgante, é muito mais do que o corta-luz. Nosso computador começou com coisas simples, aprendeu coisas mais complexas, e agora sabe bastante coisas. Francamente, eu não entendo muito do que ele faz, e embora não seja tão especial ser mais inteligente que eu, nos perguntamos: “Uma máquina pode saber mais do que um treinador? Mais do que uma pessoa pode saber?” A resposta é sim.
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.
Treinadores desejam que os jogadores façam bons arremessos. Se eu estiver perto da cesta, e sem marcação, é um bom arremesso. Se eu estiver distante, cercado por defensores, geralmente é um mau arremesso. Mas nunca soubemos quantitativamente os significados de “bom” ou “mau”. Até agora.
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?
Usando características espaçotemporais, analisamos todos os arremessos. De onde foi o arremesso? Qual o ângulo em relação à cesta? E as posições dos defensores? E suas distâncias? Quais são seus ângulos? Com vários defensores, analisamos como os jogadores se movimentam e prevemos o tipo de arremesso. Podemos analisar suas velocidades e construir um modelo que prevê a probabilidade de um arremesso ser convertido em tais circunstâncias? Por que é tão importante? Podemos transformar o que era arremessar em duas outras coisas: a qualidade do arremesso e a qualidade do arremessador. Eis um gráfico de bolas.
(Laughter)
O que seria do TED sem um gráfico de bolas?
(Risos)
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.
Esses são jogadores da NBA. O tamanho da bola é o tamanho do jogador, a cor é a posição. No eixo x, temos a probabilidade do arremesso. À esquerda, estão os arremessos difíceis, à direita, os arremessos fáceis. No eixo y está a habilidade de arremessar. Com boa habilidade em cima, má habilidade, embaixo. Por exemplo, se houver um jogador que geralmente acerta 47% dos arremessos, era tudo o que se sabia antes. Mas hoje, posso dizer que aquele jogador executa arremessos que um jogador da NBA, em média, acertaria 49% das vezes, e que seriam 2% ruins. Isto é importante porque há uma enorme diversidade de 47%. E assim é realmente importante saber se os 47% a quem se está considerando dar US$ 100 milhões é um bom arremessador que executa maus arremessos, ou um mau arremessador que faz bons arremessos. O aprendizado da máquina não muda apenas como analisamos os jogadores, ele muda como analisamos o jogo.
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.
Houve um jogo emocionante há alguns anos, nas finais da NBA. O Miami perdia por três pontos, faltavam 20 segundos para o final, eles estavam prestes a perder o campeonato. Um senhor chamado LeBron James tentou um arremesso de três. Ele errou. Seu companheiro Chris Bosh pegou um rebote, passou para o companheiro Ray Allen. Ele marcou três pontos. O jogo foi para a prorrogação. O Miami ganhou o jogo e o campeonato. Foi um dos mais emocionantes jogos de basquetebol. E nossa capacidade de saber a probabilidade de arremessar de cada jogador, a cada segundo, e a possibilidade de pegar um rebote a cada segundo pode iluminar esse momento como nunca foi possível. Infelizmente, não posso mostrar esse vídeo a vocês. Mas recriamos aquele momento para vocês no nosso jogo semanal de basquete, há umas três semanas.
(Laughter)
(Risos)
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.
Refizemos a trilha que nos levou à percepção dos fatos Aqui estamos. Esta é Chinatown em Los Angeles, um parque onde jogamos toda semana, e aqui estamos nós recriando o momento de Ray Allen e todo o caminho associado a ele. Eis o arremesso. Vou mostrar-lhes aquele momento, e todas as suas percepções. A única diferença é que somos nós, em vez de jogadores profissionais, E sou eu, em vez de um locutor profissional. Tenham paciência comigo.
Miami. Down three. Twenty seconds left. Jeff brings up the ball. Josh catches, puts up a three!
Miami. Perde por três pontos. Faltam 20 segundos. Jeff conduz a bola. Josh recebe, marca três pontos!
[Calculating shot probability]
[Calculando a probabilidade de arremesso]
[Shot quality]
[Qualidade do arremesso]
[Rebound probability]
[Probabilidade de rebote]
Won't go!
Não vai dar certo!
[Rebound probability]
[Probabilidade de rebote]
Rebound, Noel. Back to Daria.
Rebote, Noel. Devolve ao Daria.
[Shot quality]
[Qualidade do arremesso]
Her three-pointer -- bang! Tie game with five seconds left. The crowd goes wild.
Arremesso de três pontos...pimba! Restam cinco segundos. A plateia vai à loucura.
(Laughter)
(Risos)
That's roughly how it happened.
Aconteceu mais ou menos assim.
(Applause)
(Aplausos)
Roughly.
Mais ou menos.
(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.
Aquele momento tinha cerca de 9% de probabilidade de acontecer na NBA; sabemos disso e de muitas outras coisas. Não direi a vocês quantas vezes precisamos jogar para que isso acontecesse.
(Laughter)
(Risos)
Okay, I will! It was four.
Tá bom. Contarei. Foram quatro vezes.
(Laughter)
(Risos)
Way to go, Daria.
Muito bem, Daria.
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.
Porém a coisa mais importante do vídeo e o que percebemos em cada segundo de todo jogo da NBA, não é isso. É o fato de que não é preciso que seja um time profissional para rastrear a movimentação. Não precisa ser um jogador profissional para entender a movimentação.
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.
Na verdade, nem precisa ser sobre esportes porque nos movimentamos por toda parte. Nos movemos em casa, no escritório, quando fazemos compras e viajamos pelas cidades e pelo mundo. O que iremos saber? O que aprenderemos? Talvez, em vez de identificar corta-luzes, a máquina possa identificar o momento e avisar-me, quando milha filha der os primeiros passos. O que poderia acontecer a qualquer segundo, literalmente.
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.
Talvez possamos aprender a usar melhor os edifícios e planejar melhor as cidades. Creio que com o desenvolvimento da ciência dos pontos em movimento vamos nos mover melhor, de modos mais inteligentes. Avançaremos.
Thank you very much.
Muito obrigado.
(Applause)
(Aplausos)