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.
Çalışma arkadaşlarım ve ben; hareketli nokta bilimi tarafından büyülendik. Bu hareketli noktalar nedir? O noktalar biziz. Tüm dünyada ve şehirler boyunca evlerimizde, ofislerimizde alışveriş yaparken ve seyahat ederken yer değiştiriyoruz. Tüm bu hareketleri anlayabilseydik harika olmaz mıydı? Tüm bunların örüntüsünü, anlamını ve içyüzünü bulabilsek. Şansımıza kendimiz hakkında bilgileri yakalamada iyi olduğumuz bir zamandayız. İster video, uygulama, isterse sensörler aracılığıyla çok ince ayrıntılarda hareketleri izleyebiliyoruz.
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.
Ve görünen o ki en iyi hareket verilerinin alındığı alan spor branşları. Basketbol ya da beyzbol olsun veya futbol ya da diğer futbolda hareketlerini izleyebilmek için oyuncularımızı ve stadyumları kullanıyoruz, saniyenin her parçası için. Tam olarak yaptığımız ise atletlerimizi dönüştürüyoruz -- muhtemelen tahmin ettiniz -- hareketli noktalara.
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?
Böylelikle dağlar kadar hareket eden noktamız var ve çoğunluğu işlenmemiş veri, uğraşması zor ve o kadar da ilgi çekici değiller. Ama bazı şeyler var ki örneğin, basketbol koçlarının bilmek istediği. Problem ise bunları bilemezler, çünkü hatırlamak ve işlemek için her oyunun her saniyesini izlemeleri gerekir. Bir insan bunu yapamaz ama bir makine yapabilir. Problem ise; makine oyunu koçun gözünden yorumlayamaz. En azından şimdiye kadar öyleydi. Peki, makineye görmesi için ne öğrettik?
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.
Basitten başladık. Paslar, atışlar ve ribaundlar gibi şeyleri öğrettik. Çoğu hayranın bildiği şeyler. Daha sonra biraz daha karmaşıklarına yöneldik. Post-up, pick-and-roll (perdele ve yuvarlan) gibi hücumlar ve isolation gibi. Bunları bilmiyorsanız sorun yok. Çoğu oyuncu muhtemelen bilir. Şu an geldiğimiz nokta, makine karmaşık olayları anlıyor; down screen ve wide pin gibi. Genelde profesyonellerin bildiği şeyler. Yani makineye koçun gözüyle yorumlamasını öğrettik.
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.
Peki bunu nasıl yapabildik? Bir koçtan pick-and-roll hücumu gibi bir şeyi anlatmasını istesem bana bir tanım verecektir ve eğer onu algoritmaya çevirirsem korkunç olacaktır. Pick-and-roll; basketbolda 4 oyuncu, 2 savunma ve 2 hücum, arasında olan bir dans gibidir. İşte nasıl olduğu. Hücumda topa sahip olmayan adam, topa sahip olanı koruyanın yanına gider, orada durur ve hepsi de hareket eder, olaylar gelişir ve işte pick-and-roll!
(Laughter)
(Gülüşmeler)
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.
Ayrıca bu berbat bir algoritmanın da bir örneğiydi. Eğer müdahale eden (perdeleme yapan) oyuncu -- screener denilir -- yakınından gider ama durmazsa bu muhtemelen pick-and-roll değildir. Eğer durur ama yeteri kadar yakın durmazsa, muhtemelen pick-and-roll değildir. Veya yakın gider ve durur ama potanın altında yaparlarsa, muhtemelen pick-and-roll değildir. Ya da yanılabilirim, hepsi de pick-and-roll olabilir. Zamanlamaya, uzaklıklara, konumlara dayanıyor ve zorlaştıran da bunlar zaten. Neyse ki, makine öğrenmesiyle yeteneklerimizin ötesine gidebiliriz bildiklerimizi betimlemek için.
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.
Peki, bu nasıl oluyor? Örnekle. Makineye gidiyoruz ve diyoruz ki, "Günaydın makine. Burada birkaç pick-and-roll olan ve olmayan şeyler var. Lütfen farkı söylemek için bir yol bul." Tüm bunların anahtarı ise ayrıştırabilecek özellikleri bulmakta. Yani eğer bir elma ile portakal arasındaki farkı öğreteceksem: "Neden renk veya şekli kullanmıyorsun?" diyebilirim. Ve burada çözdüğümüz problem ise, bu şeyler ne? Ana unsurlar nedir, bilgisayarın hareketli noktalar dünyasını yönlendirebileceği? Tüm bu göreli ve mutlak konum, uzaklık, zamanlama, hızlar ilişkilerini çözmek -- hareketli noktalar biliminin kilidi ya da hitap etmeyi sevdiğimiz şekliyle, Uzaysal/Zamansal Örüntü Tanımlama, akademik dilde. Çünkü ilk olarak kulağa zor gelen bir şey yapmalısınız-- çünkü öyle.
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.
Kilit şey ise, NBA koçları için, pick-and-roll olup olmadığını bilmek istemeleri değil. Nasıl olduğunu bilmek istemeleri. Neden onlar için bu kadar önemli? İşte biraz içgörü. Anlaşılan o ki modern basketbolda, bu pick-and-roll belki de en önemli oyun olmuş durumda. Ve nasıl oynandığını bilmek, nasıl savunulacağını bilmek aslında çoğu oyunu kazanmanın ve kaybetmenin anahtarı. Görünüşe göre bu dans birçok harika çeşitlemelere sahip ve asıl önemli olan çeşitlemeleri tanımlamak, bu yüzden bunun çok çok iyi olması gerekiyor.
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.
İşte bir örnek. İki hücum, iki savunma oyuncusu var, pick-and-roll dansına hazırlanan. Pekâlâ, toplu olan adam alabilir veya geri çevirebilir. Takım arkadaşı ya devrilebilir ya da dışarı açılabilir. Topu koruyan adam ya üstten geçebilir ya da alttan. Onun takım arkadaşı show-up ya da yakın temas veya soft show-up oynayabilir ve birlikte switch (değişme) ya da blitz yapabilirler, başladığımda bunların çoğunu bilmiyordum ve herkes bu oklara göre hareket etseler çok iyi olurdu. İşlerimizi kolaylaştırırdı ama görünen o ki hareket oldukça karışık. İnsanlar fazla hareket ediyor ve tüm bu değişimleri saptamak, üstelik yüksek kesinlikte, hem duyarlılıkta hem de geri almada zor, çünkü bunların hepsi, koçun size inanması için gerekenler. Ve tüm zorluklara rağmen, doğru uzaysal/zamansal özelliklerle yapabildik.
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.
Koçlar, bu değişimleri saptamada makinemizin yeteneğine güvendi. Şu an olduğumuz nokta, neredeyse her bir yarışmacı bu yılki NBA şampiyonluğu için yazılımımızı kullanıyor, basketbolun hareketli noktalarını anlayan makineye kurulmuş olan. Yalnız bu değil, stratejileri değiştirecek tavsiyeler de verdik, takımların çok önemli maçları yenmelerine yardım eden ve çok heyecan verici bir şey bu, çünkü 30 yıldır ligde olan makineden tavsiye almaya hevesli koçlar var. Çok heyecan verici, pick'n roll'dan çok daha fazla. Bilgisayarımız basit şeylerle başladı ve gitgide daha karmaşık şeyler öğrendi ve artık çok fazla şey biliyor. Açıkçası, yaptığının çoğunu anlamıyorum ve benden akıllı olması o kadar da özel olmamasına rağmen merak ediyorduk, bir makine koçtan daha fazla bilebilir mi? Bir insandan fazlasını bilebilir mi? Ve görünüşe göre cevap, evet.
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.
Koçlar, oyuncuların iyi sayılar atmalarını isterler. Yani, potaya yakın duruyorsam ve yakınımda kimse yoksa, bu iyi atıştır. Savunma oyuncularıyla çevrili ve uzaktaysam, bu genelde kötü bir atıştır. Ama iyinin ne kadar "iyi" olduğunu veya kötününse ne kadar "kötü" olduğunu nicel olarak bilemeyiz. Şimdiye kadar.
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?
Yani yapacağımız, tekrardan, uzaysal/zamansal özellikleri kullanarak her şuta baktık. Görebiliyoruz ki: Atış nerede? Potaya olan açı ne? Savunma oyuncularının konumları neresi? Uzaklıkları nasıl? Açıları nasıl? Çoklu savunma oyuncuları için oyuncuların nasıl hareket ettiklerine bakabilir ve atış tipini kestirebiliriz. Hızlarına bakabilir ve bir model tasarlayabiliriz, bu şartlar altında yapılan atışın olabilirliğini tahmin edebilecek. Peki bu neden önemli? Atışa ait herhangi bir şeyi alıp ki bu tek bir şeydi önceden, bunu iki şeye çevirebiliriz: Şutun kalitesi ve şut atanın kalitesi. Ve kabarcık grafiği, çünkü kabarcık grafiksiz bir TED nedir ki?
(Laughter)
(Kahkahalar)
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.
Bunlar NBA oyuncuları. Büyüklük oyuncuların boyları ve renkte pozisyon. X ekseninde atış olasılıkları var. Soldaki kişiler zor şutları atanlar, sağdakiler ise kolay şutları atanlar. Y ekseni ise atış kabiliyetleri. İyi olan kişiler üstte, kötüler ise altta. Örneğin, eğer şutlarının genelde %47'sini atan bir oyuncu varsa, tek bildiğiniz sadece buydu. Ama bugün, bu oyuncunun şutu ortalama bir NBA oyuncusunun zamanın yüzde 49'u kadar yaptığı ve yüzde 2 kadar daha az. Ve önemli olmasının sebebi de orada bir sürü %47'ler var. Yani eğer 100 milyon dolar vermeyi düşündüğünüz 47; kötü atışlar atan iyi bir şut atan mı yoksa iyi atışlar atan kötü bir şut atan mı olduğunu bilmek gerçekten önemli. Makine öğrenmesi sadece oyunculara nasıl baktığımızı değiştirmez ama oyuna nasıl baktığımızı değiştirir.
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.
NBA finallerinde birkaç yıl önce çok heyecan verici bir maç vardı. Miami 3 sayı gerideydi, 20 saniye kalmıştı. Şampiyonayı kaybetmek üzereydiler. LeBron James adındaki beyefendi geldi ve eşitlik için 3'lük denedi. Kaçırdı. Takım arkadaşı Chris Bosh ribaund aldı, diğer takım arkadaşı, Ray Allen'a pas attı. Bir 3'lük attı. Maç uzatmaya gitti. Maçı kazandılar. Şampiyonayı kazandılar. Basketbolun en heyecanlı maçlarından biriydi. Ve her oyuncu için her saniyede şut olasılığını bilmede bizim yeteneğimiz ve her saniyede ribaund almalarındaki olabilirlik daha önce olmamış bir şekilde bu ana ışık tutabilir. Şimdi maalesef, o videoyu gösteremem. Ama sizin için, o anı canlandırdık, haftalık basketbol maçımızda üç hafta önce.
(Laughter)
(Kahkahalar)
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.
Ve içyüzüne ışık tutan izlemeyi de tekrar canlandırdık. Ve işte biz. Burası Los Angeles Çin mahallesinde her hafta oynadığımız bir park ve bu da Ray Allen anını ve ilgili tüm izlemeleri canlandıran bizler. Ve işte şut. Size o anı göstereceğim ve o anın bütün içyüzünü. Tek fark, profesyonel oyuncular yerine biz varız ve profesyonel spiker yerine ben varım. Bu yüzden, sabredin.
Miami. Down three. Twenty seconds left. Jeff brings up the ball. Josh catches, puts up a three!
Miami 3 sayı geride. 20 saniye kaldı. Jeff topu getiriyor. Josh yakaladı, 3'lük deniyor!
[Calculating shot probability]
[Atış olasılığı hesaplanıyor]
[Shot quality]
[Atış kalitesi]
[Rebound probability]
[Ribaund olasılığı]
Won't go!
Girmedi!
[Rebound probability]
[Ribaund olasılığı]
Rebound, Noel. Back to Daria.
Ribaund Noel'de. Daria'ya geldi.
[Shot quality]
[Atış kalitesi]
Her three-pointer -- bang! Tie game with five seconds left. The crowd goes wild.
3'lük atışı -- basket! 5 saniye kala eşitlik. Kalabalık çıldırır.
(Laughter)
(Kahkahalar)
That's roughly how it happened.
Bu kabaca nasıl gerçekleştiğiydi.
(Applause)
(Alkış)
Roughly.
Yaklaşık olarak.
(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.
(Alkış) O an, NBA'de yaklaşık %9 gerçekleşme ihtimaline sahip, biz bunu biliyoruz ve daha birçok diğer şeyleri. Bunun gerçekleşmesinin ne kadar zamanımızı aldığını söylemeyeceğim.
(Laughter)
(Gülüşmeler)
Okay, I will! It was four.
Tamam, söyleyeceğim! Dört kez.
(Laughter)
(Gülüşmeler)
Way to go, Daria.
Tebrikler 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.
Ama videoyla ilgili önemli şey ve her NBA maçının her saniyesinin bilgilerindeki şey-- bu değil. Gerçek şu ki, hareketleri izlemek için profesyonel bir takım olmanıza gerek yok. Harekete ilişkin bilgiler için profesyonel bir oyuncu olmanıza gerek yok.
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.
Hatta, spor bile olmasına gerek yok, çünkü her yere hareket ediyoruz. Evlerimizde hareket ediyoruz, ofislerimizde, alışveriş yaparken ve seyahat ederken, şehirler boyunca ve tüm dünyada. Ne anlayacağız? Ne öğreneceğiz? Belki de, pick'n rolları tanımlamak yerine, bir makine anı tanımlayabilir ve bana kızımın ilk adımlarını haber verebilir. Ki şu an gerçekten gerçekleşiyor olabilir.
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.
Belki de binalarımızı daha iyi kullanabilir ve şehirlerimizi daha iyi planlayabiliriz. İnanıyorum ki; hareketli noktalar biliminin gelişimiyle daha iyi, daha akıllı ve daha ileri hareket edeceğiz.
Thank you very much.
Çok teşekkürler.
(Applause)
(Alkışlar)