Matematika iza najluđih pokreta u košarci

Košarka je brza igra sa improvizacijom, kontaktom i, khm, spacio-temporalnom šemom rekognicije. Radživ Mahesvaran i njegove kolege analiziraju pokrete iza ključnih delova utakmice, kako bi pomogli trenerima i igračima da kombinuju intuiciju sa novim podacima. Bonus: Ono što oni izučavaju bi moglo da nam pomogne da razumemo kako se ljudi kreću svuda.

Moje kolege i mene fascinira
nauka o pokretnim tačkama.

Kakve su to tačke?

Pa, to smo svi mi.

Krećemo se u našim domovima
i kancelarijama

dok kupujemo i putujemo
po gradovima i svetu.

Zar ne bi bilo sjajno da možemo
da razumemo sve ove pokrete?

Da imamo uvid u njihove šeme i značenja.

A srećom po nas, živimo u vremenu

u kom nam neverovatno dobro ide
da pratimo informacije o sebi.

Bilo da je to putem senzora,
snimaka ili aplikacija,

možemo vrlo detaljno pratiti naše pokrete.

Ispada da je jedno od mesta
gde imamo najviše podataka o pokretu

sport.

Bilo da je to košarka, bejzbol,
ili američki fudbal ili onaj drugi fudbal,

postavljamo instrumente na stadione
i igrače da bismo pratili njihovo kretanje

u svakom deliću sekunde.

Ono što radimo je da pretvaramo
naše sportiste u -

verovatno već pretpostavljate -

pokretne tačke.

Tako imamo gomilu pokretnih tački,
i slično većini neobrađenih podataka,

teško je raditi sa njima,
a nije baš ni zanimljivo.

Ali postoje stvari koje, na primer,
košarkaški treneri žele da znaju.

A problem je što ne mogu da ih znaju
zato što bi morali da gledaju svaki sekund

svake utakmice, sve to zapamte i obrade.

A čovek to ne može,

ali mašina može.

Problem je što mašina
ne vidi utakmicu očima trenera.

Bar do sada nije mogla.

Šta smo to naučili mašinu da vidi?

Pa, počeli smo sa osnovama.

Naučili smo je stvarima kao što su pasovi,
šutevi i skok pod košem.

Stvarima koje zna
većina prosečnih obožavalaca.

A potom smo prešli
na malo komplikovanije stvari.

Događaje poput postapova,
pik end rola i presinga.

Ako ne znate te pojmove, u redu je.
Većina prosečnih igrača zna.

E, sad, došli smo do tačke da danas
mašina razume kompleksne događaje

poput akcija i vajd pinova.

Praktično, ono što znaju
samo profesionalci.

Zapravo, naučili smo mašinu
da vidi očima trenera.

Kako smo ovo uspeli?

Ako pitam trenera da opiše
nešto poput pik end rola,

on mi objasni šta je to,

i ako bih to ubacio u algoritam,
izgledalo bi užasno.

Stvar je u tome što je pik end rol
u košarci ples između četiri igrača,

dva u napadu i dva u odbrani.

I evo kako to otprilike ide.

Jedan momak je u napadu bez lopte

i on ide do momka
koji čuva drugog momka sa loptom

i otprilike ostaje tamo,

obojica se pomeraju i nešto se dešava,
i ta-da, to je pik end rol.

(Smeh)

To je takođe, jedan primer
užasnog algoritma.

Tako, ako igrač koji vrši udvajanje -
on se zove bloker -

prilazi blizu, ali se ne zaustavlja,

to verovatno nije pik end rol.

Ili ako se zaustavi,
ali se ne zaustavi dovoljno blizu,

to verovatno opet nije pik end rol.

Ili, ako priđe blizu i zaustavi se,

ali to uradi pod košem,
to verovatno nije pik end rol.

Ili ja možda grešim, možda je
sve to pik end rol.

To zaista zavisi od preciznog tajminga,
udaljenosti, lokacije,

i to je ono što otežava stvari.

Srećom, sa mašinskim učenjem,
možemo da idemo dalje od naše sposobnosti

da opišemo stvari koje znamo.

Kako ovo funkcioniše? Pa, po primeru.

Odemo do mašine i kažemo,
"Dobro jutro, mašino.

Evo nekih pik end rolova,
evo nekih stvari koje nisu.

Molim te, nađi način da napraviš razliku."

I ključ za sve ovo je pronaći svojstva
koja joj omogućavaju da to raščlani.

Tako, ako bih hteo da je naučim razlici

između jabuke i pomorandže,

mogao bih da kažem:
"Što ne uzmeš boju ili obllk?"

Problem koji rešavamo je,
šta su to te stvari?

Koje su ključne stavke

koje kompjuteru omogućavaju da
upravlja svetom pokretnih tački?

Razumevši sve ove veze
sa relativnom i apsolutnom lokacijom,

udaljenost, tajming, brzina -

to je zaista ključ nauke o pokretnim
tačkama ili kako mi volimo da zovemo,

spaciotemporalna šema prepoznavanja,
akademskim žargonom govoreći.

Jer kao prvo, mora da zvuči teško -

jer to i jeste.

Ključna stvar, za NBA trenere,
nije to da žele da znaju

da li je došlo do pik end rola ili ne.

Oni žele da znaju kako se odvijao.

A zašto je to njima tako važno?
Evo malog uvida.

Izgleda da je u modernoj košarci

ovaj pik end rol možda
najvažniji deo igre.

Znati kako treba da se izvede,
i kako da se odbrani,

je suštinski ključ pobede
ili poraza u većini utakmica.

Tako ispada da ovaj ples
ima mnoge varijacije

i identifikovanje tih varijacija
je ono što je stvarno važno,

i zato nam je potrebno da ovo
bude baš, baš dobro.

Evo jednog primera.

Imamo dva igrača u napadu
i dva igrača u odbrani,

spremni su da izvedu pik end rol ples.

Igrač sa loptom može
ili prihvatiti, ili odbiti.

Saigrač se može ili saviti ili otvoriti.

Momak koji čuva loptu
može ići iznad ili ispod.

Njegov saigrač može ili da se otkrije
ili da igra do kontakta, ili bez kontakta

i zajedno mogu ili
da se zamene ili napadnu

a nisam znao većinu ovih
stvari kada sam počinjao

i bilo bi divno kada bi se svi pomerali
u skladu sa ovim strelicama.

To bi umnogome olakšalo naše živote,
ali izgleda da su naši pokreti zbrkani.

Ljudi se mnogo meškolje i dobijanje
ovih identifikovanih varijacija

sa veoma velikom tačnošću,

i u preciznosti i povlačenju, je teško

jer zbog toga je potrebno da imaš
profesionalnog trenera koji veruje u tebe.

I uprkos svim poteškoćama sa tačnim
spaciotemporalnim karakteristikama,

mi smo to uradili.

Treneri veruju mogućnostima naših mašina
da identifikuju ove varijacije.

Došli smo do tačke gde
skoro svaki kandidat

za NBA šampionat ove godine

koristi naš softver, koji je ugrađen
u mašinu koja razume

pokretne tačke u košarci.

I ne samo to, davali smo savete
koji menjaju strategije

koje pomažu timovima
da dobiju veoma važne utakmice,

a to je vrlo uzbudljivo jer imate
trenere koji su u ligi

i po 30 godina i koji su spremni da
prihvate savet od mašine.

I to je vrlo uzbudljivo,
to je mnogo više od pik end rola.

Naš kompjuter je počeo sa prostim stvarima

i učio sve komplikovanije stvari

tako da sada zna dosta toga.

Iskreno, ni ja ne razumem
dosta toga što on radi,

i dok nije toliko teško biti
pametniji od mene,

pitali smo se, može li neka
mašina da zna više od trenera?

Može li da zna više od nego čovek?

I izgleda da je odgovor da.

Treneri žele da im igrači imaju dobar šut.

Ako ja stojim blizu koša

i nema nikoga u blizini,
to je dobra pozicija.

Ako stojim daleko okružen
odbranom, to je generalno loša pozicija.

Međutim, nikad kvantitativno nismo znali
koliko je stvarno dobra ili loša.

Do sada.

Opet, ono što možemo uraditi,
koristeći spaciotemporalne podatke,

je da pogledamo svaki šut.

Možemo videti: Odakle ide?
Pod kojim uglom je od koša?

Gde stoji odbrana?
Na kojoj su udaljenosti?

Pod kojim su oni uglom?

Za više odbrambenih igrača, možemo videti
kako se igrač kreće

i predvideti vrstu šuta.

Možemo videti svačiju brzinu
i možemo napraviti model koji predviđa

koja je verovatnoća da će ovaj šut
ući pod ovim okolnostima?

Zašto je ovo važno?

Možemo uzeti neki šut,

ranije gledan kao celina,
i podeliti ga na dve stvari:

kvalitet šuta i kvalitet igrača.

I ovde imamo grafikon sa mehurićima,
jer šta bi bio TED bez toga?

(Smeh)

Ovo su NBA igrači.

Veličina je veličina igrača
a boja je njegova pozicija.

Na x-osi, imamo verovatnoću pogotka.

Ljudi s leva šutiraju iz teške pozicije,

sa desna, iz lakih pozicija.

Na y-osi je njihov procenat pogotka.

Ljudi koji su dobri su pri vrhu,
loši pri dnu.

Tako na primer, vidite igrača

koji generalno ima 47 procenat šuta,

i to je sve što ste znali.

Ali danas, mogu da vam kažem da igrač
šutira onako kako bi prosečan NBA igrač

šutirao 49 posto vremena,

i gore je za dva procenta.

A razlog što je ovo važno je
što ovde ima dosta onih sa 47%.

I tako je vrlo važno znati

da li je onaj sa 47 kome razmišljate
da platite 100 miliona dolara

dobar šuter iz teških pozciija,

ili loš šuter koji pogađa lake koševe.

Mašina ne utiče na naš pogled na igrače,

već utiče na naš pogled na igru.

Tako je pre par godina, u NBA finalu,
bila jedna vrlo zanimljiva utakmica.

Majami je gubio sa tri razlike,
20 sekundi pre kraja.

Bili su na pragu da izgube titulu.

Gospodin po imenu LeBron Džejms
je ušao i pucao trojku za izjednačenje.

Promašio je.

Njegov saigrač Kris Boš skače i brani,

pruža loptu saigraču, Reju Alenu.

On ubacuje za tri. Idu produžeci.

Pobedili su. Osvojili su šampionat.

To je bila jedna od
najuzbudljivijih utakmica.

I to što možemo da znamo
verovatnoću pogotka svakog igrača

u svakoj sekundi,

i verovatnoću skoka pod košem
u svakoj sekundi

može da rasvetli ovaj trenutak na način
na koji nikad ranije nismo mogli.

Nažalost, sada vam
ne mogu pokazati taj snimak.

Ali, za vas smo ponovili tu situaciju

na našoj nedeljnoj utakmici
pre oko tri sedmice.

(Smeh)

I ponovo smo oživeli putanju
koja je dovela do tog uvida.

I, evo nas.
Ovo je Kineska četvrt u Los Anđelesu,

park gde igramo svake nedelje,

i evo ga ponovo trenutak Reja Alena

i svi pokreti u vezi sa tim.

I evo šuta.

Pokazaću vam taj trenutak

i sve uvide u taj trenutak.

Jedina razlika je što smo umesto
profesionalnih igrača ovde mi,

a umesto profesionalnog
komentatora, tu sam ja.

Pa ćete morati da me istrpite.

Majami.

Minus tri.

Još dvadeset sekundi.

Džef donosi loptu.

Džoš je hvata, ubacuje trojku!

[Računa se verovatnoća pogotka]

[Kvalitet šuta]

[Mogućnost odbrane]

Neće ući!

[Verovatnoća odbrane]

Brani Noel.

Vraća do Darije.

[Kvalitet šuta]

Za tri poena - bam!

Izjednačenje pet sekundi pre kraja.

Publika je u transu.

(Smeh)

Otprilike tako nekako.

(Aplauz)

Otprilike.

(Aplauz)

Taj momenat je imao šansu
od devet procenata da se desi u NBA

i znamo to kao i mnogo drugih stvari.

Neću vam reći iz koliko pokušaja
nam je ovo uspelo.

(Smeh)

Okej, ipak hoću! Četiri puta.

(Smeh)

Svaka čast, Darija.

Ali ono što je važno
u vezi sa ovim snimkom

i uvidima koje imamo za svaki sekund
svake NBA utakmice - nije to.

To je činjenica da ne morate biti
profesionalni tim da bi pratili kretanje.

Ne morate biti profesionalni igrač
da biste imali uvid u pokrete.

U stvari, ne mora uopšte da se radi
o sportu jer se mi krećemo svuda.

Krećemo se u našim domovima,

u kancelarijama,

dok kupujemo i putujemo

po gradu

ili po svetu.

Šta ćemo znati? Šta ćemo naučiti?

Možda, umesto identifikovanja
pick-and-rolla,

mašina može da identifikuje
trenutak i da me obavesti

kada moja ćerka prohoda.

Što bukvalno može da se
desi svakog trenutka.

Možda možemo bolje da koristimo
zgrade, da bolje planiramo gradove.

Verujem da ćemo se sa razvojem
nauke pokretnih tački,

bolje kretati, pametnije kretati,
kretati napred.

Hvala vam mnogo.

(Aplauz)