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.
Khoa học chuyển động điểm là ngành tôi và các đồng nghiệp rất say mê. Vậy những chuyển động điểm đó là gì? Đó đơn giản là con người. Con người di chuyển trong nhà, ở văn phòng, khi đi shopping, đi du lịch khắp nơi mình sống và khắp thế giới. Nếu có thể hiểu được những chuyển động ấy chẳng phải sẽ vô cùng thú vị sao? Hiểu được những hình thái, ý nghĩa và bản chất của nó là gì. May thay, công nghệ ngày nay đã cho phép ghi lại những số liệu về con người một cách rất tuyệt vời. Nào là các thiết bị cảm ứng, camera, rồi các ứng dụng, đã cho phép ghi lại những chuyển động của con người một cách cực kỳ chi tiết.
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.
Và một nơi lý tưởng nhất để ghi lại chuyển động của con người đó là ở các trận đấu thể thao. Thế là từ bóng rổ, bóng chày, bóng bầu dục đến bóng đá, chúng tôi lắp thiết bị khắp sân vận động và trên cơ thể vận động viên để ghi lại từng tích tắc chuyển động một. Đến đây chắc các bạn cũng đoán được công việc của chúng tôi rồi đó là nghiên cứu những vận động viên như những chuyển động điểm.
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?
Chúng tôi thu được cả núi chuyển động điểm nhưng những dữ liệu thô ấy rẩt khó nghiên cứu và không đáng quan tâm lắm. Cái có giá trị trong đó, là những điều huấn luyện viên luôn muốn biết, mà không thể biết được vì họ không thể theo dõi các trận đấu từng giây một, không thể nhớ được hết và xử lý hết. Bởi vì con người không thể làm được điều đó. Nhưng máy móc thì có thể. Vấn đề ở chỗ máy móc không thể hiểu được trận đấu như một huấn luyện viên, ít nhất cho đến nay là chưa. Vậy chúng tôi đã dạy máy móc hiểu được những gì?
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.
Đầu tiên là những thứ đơn giản trước. Ví dụ như chuyền bóng, ném bóng, rồi bắt bóng bật bảng, những kiến thức cơ bản nhất đã. Sau đó chúng tôi tiếp tục đến những thứ phức tạp hơn, ví dụ như đè chiếm vị trí, phối hợp yểm trợ, rồi cô lập. Nếu bạn không biết thì cũng không sao, người chơi nghiệp dư là đã biết rồi. Đến nay thiết bị của chúng tôi đã hiểu được những hành động phức tạp như di chuyển tạo khoảng trống, wide pin, những kỹ thuật của dân nhà nghề. Vậy là thiết bị của chúng tôi đã hiểu được trận đấu như một huấn luyện viên rồi.
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.
Vậy chúng tôi đã làm thế nào? Nếu hỏi một huấn luyện viên phối hợp yểm trợ là gì, rồi lấy những gì họ mô tả đem mã hoá như một thuật toán, kết quả chắc kinh khủng luôn. Bởi vì họ sẽ bảo, phối hợp yểm trợ là một điệu khiêu vũ giữa 4 cầu thủ hai người tấn công, và hai người phòng thủ. Cơ bản nó là như thế này. Một trong hai cầu thủ tấn công sẽ không giữ bóng. Cầu thủ đó sẽ ở bên cạnh để yểm trợ cho cầu thủ có bóng. Và cầu thủ đó sẽ ở vị trí này. Cả hai cầu thủ sẽ cùng di chuyển đến rổ. Đấy, chỉ có thế thôi.
(Laughter)
(Khán giả cười)
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.
Đó là một ví dụ về một thuật toán tồi. Nếu cầu thủ yểm trợ, từ chuyên môn là cầu thủ cản di chuyển gần cầu thủ có bóng, nhưng không dừng lại, thì có thể không phải là phối hợp yểm trợ. Hoặc cầu thủ đó có dừng lại, nhưng quá xa cầu thủ có bóng, thì có thể cũng không phải là phối hợp yểm trợ. Hoặc cầu thủ đó ở gần, và có dừng lại, nhưng hai cầu thủ đó ở vị trí dưới rổ, thì cũng không phải là phối hợp yểm trợ. Nhưng tất cả những cái đó rất dễ đánh giá sai. Bởi vì khoảng thời gian, khoảng cách, và vị trí của cầu thủ phải xác định cực kỳ chính xác. May thay, nhờ có máy móc, chúng ta có thể mô tả những gì đã biết một cách phi thường.
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.
Thiết bị này làm việc như thế nào, bằng việc ghi lại các mẫu có sẵn. Chúng tôi đến chỗ bạn thiết bị, bảo bạn ấy rằng, "Nhé, thế này là phối hợp yểm trợ, còn thế này là không phải. Nó khác nhau ở chỗ nào nào?" Mấu chốt là ở chỗ tìm được đặc điểm để phân biệt được một cách rõ ràng. Nếu tôi phải dạy cho thiết bị cách để phân biệt quả táo và quả cam chẳng hạn. Có lẽ tôi sẽ bảo nó hãy dựa vào màu sắc và hình dạng. Còn đối với trường hợp này thì nên dựa vào cái gì? Đặc điểm mấu chốt nào giúp thiết bị có thể định vị được một biển các chuyển động điểm? Vì thế, việc tìm ra mối liên hệ giữa vị trí tương đối và tuyệt đối, khoảng cách, thời gian và vận tốc là chìa khoá của ngành chuyển động điểm, hay gọi cho đúng ra theo tên chuyên ngành, là nhận thức hình thái không gian-thời gian. Nghe có vẻ phức tạp, nhưng thực ra là nó phức tạp thật.
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.
Vấn đề là ở chỗ, các huấn luyện viên không cần biết đó có phải là phối hợp yểm trợ hay không. mà họ muốn biết cầu thủ của họ đã chơi như thế nào. Vì sao họ muốn biết điều đó? Tôi xin tiết lộ một bí quyết nhà nghề của họ. Trong ngành bóng rổ hiện đại, hầu như trận đấu nào cũng sử dụng kỹ thuật này. Việc thuần thục kỹ thuật phối hợp yểm trợ là mấu chốt quyết định thắng bại. Nhưng kỹ thuật này có rất nhiều biến thể và việc xác định các biến thể của nó là vô cùng quan trọng. Đó là lý do họ cần một thiết bị thật tốt.
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.
Tôi xin đưa ra một ví dụ. Hai cầu thủ tấn công và hai cầu thủ phòng vệ. đang chuẩn bị thực hiện kỹ thuật phối hợp yểm trợ. Cầu thủ có bóng có thể tiếp nhận hoặc không tiếp nhận phối hợp. Người đồng đội có thể lật hoặc giật. Cầu thủ bảo vệ bóng có thể di chuyển phía trên hoặc phía dưới. Người đồng đội có thể show hoặc play up to touch, hoặc play soft. Và cùng nhau họ có thể đổi chỗ hoặc tấn công chớp nhoáng. Mới đầu tôi thậm chí còn không hiểu gì về những điều đó. Và nếu các cầu thủ di chuyển đúng như thế, chúng tôi sẽ dễ thở hơn nhiều, nhưng thực tế lại còn khó khăn hơn thế. Các cầu thủ dao động rất nhiều, khiến cho việc xác định những biến thể với độ chính xác cao, cả về tính chính xác, và khả năng truy vấn, trở nên rất khó khăn nhưng có thế các huấn luyện viên mới có thể tin tưởng chúng tôi được. Nhưng cho dù những đặc điểm không gian-thời gian có khó khăn đến đâu chúng tôi đã vượt qua hết.
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.
Các huấn luyện viên đã tin tưởng chúng tôi trong việc xác định những biến thể ấy. Chúng tôi đã tiến đến mức hầu như tất cả các ứng cử viên tham gia vào giải NBA năm nay đều sử dụng phần mềm của chúng tôi, được cài đặt trên một thiết bị hiểu được những chuyển động của bóng rổ. Không chỉ có vậy, chúng tôi đã có thể đưa ra những lời khuyên về chiến thuật giúp đội bóng chiến thắng các trận đấu quan trọng. Cảm giác được một huấn luyện viên đã 30 năm trong nghề hỏi ý kiến thiết bị của chúng tôi thật sự rất tự hào. Không chỉ có phối hợp yểm trợ, nó còn biết nhiều hơn thế. Lúc đầu nó chỉ hiểu được những thứ đơn giản, nhưng dần dần đã hiểu được những thứ phức tạp hơn. Giờ đây nó đã biết rất nhiều thứ rồi. Nói thẳng tôi thậm chí còn không hiểu mấy những cái nó làm Tất nhiên đôi khi máy móc có thể thông minh hơn con người, chúng tôi vẫn băn khoăn, liệu nó có thể biết nhiều hơn cả huấn luyện viên không? Liệu nó có biết nhiều hơn cả con người không? Hoá ra là có.
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.
Huấn luyện viên luôn muốn cầu thủ có được những cú ném tốt. Nếu cầu thủ đang ở gần rổ mà không có đối thủ nào xung quanh thì quá đơn giản. Nhưng nếu cầu thủ ở quá xa rổ, lại bị nhiều đối thủ kèm thì khó mà ném tốt được. Nhưng về định tính, chưa ai xác định được tình huống tốt/không tốt đến mức nào. Cho đến khi thiết bị này ra đời.
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?
Điều mà chúng tôi làm được, là sử dụng các đặc điểm không gian-thời gian Chúng tôi quan sát từng cú ném một. Chúng tôi có thể quan sát được từ vị trí của cú ném, góc hướng rổ, đến vị trí của các đối thủ phòng vệ, khoảng cách của họ, góc đứng của họ. Nếu có nhiều đối thủ, chúng tôi quan sát được họ di chuyển như thế nào và dự đoán được loại ném. Chúng tôi dựa vào vận tốc của họ để xây dựng một mô hình dự đoán khả năng ghi điểm của cú ném đó. Vì sao điều này lại quan trọng? Nếu trước đây cú ném chỉ là cú ném thôi thì bây giờ chúng tôi phân tích nó thành hai yếu tố chất lượng của cú ném và chất lượng của cầu thủ Đây là một biểu đồ bong bóng. Đã là TED thì phải có biểu đồ bong bóng chứ.
(Laughter)
(Khán giả cười)
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.
Đây là các cầu thủ NBA. Kích cỡ của bong bóng là kích cỡ của cầu thủ, và màu sắc là vị trí. Trục X thể hiện khả năng ghi điểm của cú ném. Các cầu thủ bên trái thực hiện các cú ném khó, Các cầu thủ bên phải thực hiện các cú ném dễ. Trục Y thể hiện năng lực của cầu thủ. Các cầu thủ giỏi ở phía trên, cầu thủ kém ở phía dưới. Ví dụ, trước đây bạn chỉ biết một cầu thủ nào đó đã thực hiện cú ném có 47% khả năng ghi điểm bạn chỉ biết được có thế. Nhưng hôm nay, tôi có thể cho bạn biết cầu thủ đó đã thực hiện một cú ném mà một cầu thủ NBA bình thường có thể đạt được 49% và anh ta ném kém hơn 2%. Điều này rất quan trọng bởi vì có rất nhiều những cú ném kém như vậy. nên cần phải biết được cú ném của cầu thủ mà bạn đang định ký hợp đồng 100tr đôla đó là cú ném tồi của một cầu thủ giỏi hay cú ném tốt của một cầu thủ kém. Thiết bị này không thay đổi cách chúng ta nhìn nhận cầu thủ nhưng thay đổi cách chúng ta nhìn nhận trận đấu.
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.
Xin kể một câu chuyện, cách đây vài năm trong một trận chung kết giải NBA Đội Miami đang thua 3 điểm mà chỉ còn 20 giây Họ sắp vuột mất chức vô địch đến nơi. Một anh bạn trẻ tên là LeBron James xông lên thực hiện cú ném 3 điểm Ném không trúng. Đồng đội của anh ta, Chris Bosh đã bắt bóng bật bảng chuyền cho một cầu thủ khác là Ray Allen. Anh ta ghi 3 điểm. Rồi họ chơi bù giờ. Đội Miami thắng trận đó và giành chức vô địch. Đó là một trong những trận đấu hay nhất trong lịch sử bóng rổ. Việc tính toán được khả năng ghi điểm của mỗi cầu thủ trong từng giây một và khả năng họ bắt được bóng bật bảng từng giây một sẽ lý giải khoảnh khắc ấy bằng một phương pháp trước kia chưa từng có. Rất tiếc tôi không được phép sử dụng đoạn băng đó ở đây. Nhưng để các bạn hình dung được, chúng tôi đã đóng lại tình huống ấy trong trận bóng của công ty khoảng 3 tuần trước.
(Laughter)
(Khán giả cười)
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.
Chúng tôi đã dựng lại các phân tích dẫn đến các chỉ đạo trong tình huống đó. Đây, đây là đội bóng công ty chúng tôi. Đây là Chinatown ở Los Angeles, ở công viên mà chúng tôi hay chơi vào cuối tuần. Chúng tôi đang dựng lại khoảnh khắc của Ray Allen hồi ấy và các phân tích mà thiết bị đã làm. Và đây là cú ném huyền thoại ấy. Tôi sẽ cho các bạn xem khoảnh khắc ấy và tất cả những chỉ đạo của huấn luyện viên. Chỉ khác đây là chúng tôi, thay vì là cầu thủ chuyên nghiệp, và tôi sẽ là bình luận viên. Các bạn chịu khó nhé.
Miami. Down three. Twenty seconds left. Jeff brings up the ball. Josh catches, puts up a three!
Đây là đội Miami. Đang bị dẫn 3 điểm. Còn 20 giây. Jeff chuyền bóng. Josh đã bắt được, chuẩn bị ném cú 3 điểm!
[Calculating shot probability]
(Thiết bị tính toán khả năng ghi điểm)
[Shot quality]
(Chất lượng ném)
[Rebound probability]
(Khả năng bắt bóng bật bảng)
Won't go!
Không trúng!
[Rebound probability]
(Khả năng bắt bóng bật bảng)
Rebound, Noel. Back to Daria.
Noel bắt đi. Chuyền cho Daria.
[Shot quality]
(Chất lượng ném)
Her three-pointer -- bang! Tie game with five seconds left. The crowd goes wild.
Cú 3 điểm - xong! Trận hoà với 5 giây còn lại. Đám đông cuồng lên.
(Laughter)
(Khán giả cười)
That's roughly how it happened.
Đại loại khoảnh khắc đó là như vậy.
(Applause)
(Khán giả vỗ tay)
Roughly.
Đại loại thôi.
(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.
(Khán giả vỗ tay) Trong các giải NBA có khoảng 9% khả năng xảy ra những khoảnh khắc như vậy. Chúng tôi tính toán được và còn tính toán được nhiều thứ nữa. Nhưng tôi không nói cho các bạn chúng tôi đã phải đóng lại mấy lần mới đạt đâu.
(Laughter)
(Khán giả cười)
Okay, I will! It was four.
Thôi được tôi nói. 4 lần .
(Laughter)
(Khán giả cười)
Way to go, Daria.
Daria cậu làm tốt lắm.
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.
Nhưng điều quan trọng trong đoạn băng đó không phải là những chỉ đạo từ cánh gà của huấn luyện viên. Bạn không cần là huấn luyện viên mới theo dõi được các chuyển động. Bạn không cần là cầu thủ chuyên nghiệp mới có phân tích các chuyển động của mình.
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.
Thậm chí, bạn không cần phải chơi thể thao bởi bạn tạo ra chuyển động ở khắp nơi. Bạn chuyển động trong nhà mình, trong công sở, khi đi shopping, khi đi du lịch khắp nơi bạn sống và khắp thế giới. Thiết bị này có thể giúp được gì? Không phải nhận dạng kỹ thuật phối hợp yểm trợ nữa, mà xác định khoảnh khắc và báo cho tôi biết khi nào con tôi bước bước đi đầu tiên. Cháu sắp biết đi rồi đấy các bạn ạ.
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.
Hay giúp chúng ta sử dụng các toà nhà tốt hơn, quy hoạch thành phố tốt hơn. Tôi tin rằng với sự phát triển của khoa học chuyển động điểm, Chúng ta sẽ chuyển động tốt hơn, thông minh hơn và sẽ tiến về phía trước.
Thank you very much.
Xin cám ơn các bạn rất nhiều.
(Applause)
(Khán giả vỗ tay)