The Math Behind Basketball's Wildest Moves | Rajiv Maheswaran | TED Talks

Traductor: Sebastian BettiRevisor: Lidia Cámara de la Fuente A mis colegas y a mí nos fascinala ciencia de los puntos móviles. ¿Qué son estos puntos? Somos nosotros. Nos movemos en casa, en la oficina, mientras compramos y viajamos por nuestras ciudadesy alrededor del mundo. ¿No sería genial si pudiéramosentender estos movimientos, si pudiéramos encontrar patrones,significado y sentido en eso? Por fortuna para nosotros,vivimos en una época en la que somos muy buenos capturandoinformación sobre nosotros mismos. Sea mediante sensores, videoso aplicaciones, podemos rastrear los movimientos con mucho detalle. Y una de las mejores fuentes de datos sobre el movimiento es en los deportes. Sea baloncesto o béisbol,fútbol americano o el otro fútbol, equipamos los estadios y jugadorespara seguir sus movimientos en cada fracción de segundo. Así que convertimos a los atletas --quizá lo adivinaron-- en puntos móviles. Tenemos montañas de puntos móvilesy como la mayoría de los datos en crudo son difíciles de manejar,y no son tan interesantes. Pero hay cosas que los entrenadoresde baloncesto quieren saber. El problema es que no puedenretener cada segundo de cada juego, recordarlo y procesarlo. Nadie puede hacer eso,pero una máquina sí. El problema de la máquina es que no ve el juego con ojo de entrenador. Al menos no podía hasta ahora. Así que ¿qué le enseñamosa ver a la máquina? Empezamos con cosas simples. Le enseñamos cosas como pases,tiros y rebotes. Cosas que cualquier fan conoce. Y luego seguimos con cosaslevemente más complicadas: Posteos, bloqueos y continuación,aislamientos. Si no las conocen, está bien. Losjugadores aficionados quizá lo sepan. Hemos logrado que la máquina entienda secuencias complejas como bloqueos verticales abajoy hasta con rotaciones complejas. Básicamente cosas quesolo saben los profesionales. Hemos enseñado a la máquina a ver con ojos de entrenador. ¿Cómo hemos podido hacerlo? Si pidiera a un entrenador describir un bloqueo y continuación, me daría una descripción; y si pusiera eso en un algoritmo,sería terrible. El bloqueo y continuación es esa danzadel baloncesto entre cuatro jugadores, dos atacantes y dos defensores. Es más o menos así. Hay un tipo en ataque sin la pelota, se pone al lado del tipo que marcay que tiene la posesión de la pelota, se queda allí, y ambos se mueven y ocurre, cha-chan, un bloqueo y continuación. (Risas) Eso es un ejemplo deun algoritmo complicado. Si el jugador que se interpone,llamado bloqueador, se acerca, pero no se detiene, quizá no sea un bloqueo y continuación. O si se detiene, pero no queda muy cerca, quizá no sea un bloqueo y continuación. O si se acerca al otro y realmente para, pero lo hacen debajo de la cesta,quizá no sea un bloqueo y continuación. O podría equivocarme, todos esos casos podrían ser bloqueos y continuación. Todo depende del tiempo exacto,las distancias, los posicionamientos, y eso lo hace difícil. Por suerte, con el aprendizaje máquina,podemos exceder nuestra capacidad de describir las cosas que conocemos. ¿Cómo funciona esto?Bueno, con ejemplos. Vamos a la máquina y le decimos:"Buenos días, máquina. Aquí hay bloqueos y continuación,y aquí otras cosas que no lo son. Por favor, encuentra cómo establecer la diferencia". Y la clave de todo esto es encontrarcaracterísticas que le permitan separar. Si yo tuviera que enseñar la diferenciaentre una manzana y una naranja, podría decir: "¿Por qué no usarel color y la forma?" El problema que enfrentamos es encontrar esas cosas. ¿Qué características son las que permiten a una computadora navegar el mundo de los puntos móviles? Imaginar todas estas relacionescon ubicación relativa y absoluta, --distancia, tiempo, velocidad-- es la clave de la ciencia de los puntosmóviles, como nos gusta llamarla, reconocimiento espacio-temporal de patrones, en lenguaje académico. Ante todo tenemos que hacerque suene difícil, porque lo es. Pero la clave para los entrenadoresde la NBA no es saber si hubo un bloqueo y continuación o no. Ellos quieren saber cómo ocurrió. Y ¿por qué eso es tan importante para ellos? Aquí hay una idea importante. Resulta que en el baloncesto moderno, el bloqueo y continuación es quizáel juego más importante. Y saber cómo manejarlo,y saber cómo defenderlo, básicamente es la clave para ganaro perder casi todos los juegos. Pero resulta que esta danzatiene muchas variantes e identificar las varianteses lo que importa, por eso necesitamos que estosea muy, muy bueno. Este es un ejemplo. Hay dos jugadores en ataquey dos en defensa, listos para la danza del bloqueo y continuación. El tipo con la pelota puede usar o no el bloqueo. Su compañero puede girar a canastao abrir para recibir el pase. El que marca al jugador con la pelota puede avanzar o retroceder. Su compañero puede avanzar,marcar o solo acompañar y juntos pueden cambiar asignación defensiva o redoblar la marca. Yo no sabía casi nada de estocuando empecé y sería estupendo si todosse movieran siguiendo esas flechas. Haría mucho más fáciles nuestras vidas,pero el movimiento es muy desordenado. Las personas se menean muchoe identificar estas variaciones con muy alta precisión, en precisión y en recuerdo, es difícil y es lo que hace que un entrenadorprofesional crea en ti. Aun con las dificultades de las correctascaracterísticas espacio-temporales lo hemos logrado. Los entrenadores confían en que lasmáquinas pueden identificar variaciones. Estamos en el punto en el quecasi todos los contendientes en el campeonato de la NBA este año usan nuestro software, construidoen una máquina que entiende los puntos móvilesen el baloncesto. No solo eso, hemos dado consejosque han cambiado estrategias que han ayudado a equipos a ganarjuegos muy importantes, y es muy apasionante porque hayentrenadores que han estado en la liga durante 30 años que desean recibirconsejos de una máquina. Y es muy apasionante, mucho másque el bloqueo y continuación. Nuestra computadora empezócon cosas simples, aprendió cosas cada vez más complejas y ahora sabe cada vez más cosas. Francamente, no entiendogran parte de lo que hace, y si bien no es algo tan especialser más inteligente que yo, nos hemos preguntado, ¿puede unamáquina saber más que un entrenador? ¿Puede saber más de lo quepodría saber una persona? Y resulta que la respuesta es sí. Los entrenadores quieren quelos jugadores disparen bien. Si estoy cerca de la cesta y no hay nadie cerca,es un buen tiro. Si estoy lejos, rodeado por defensores, generalmente es un mal tiro. Pero no sabíamos cuán bueno o malo era lo "bueno" o lo "malo" cuantitativamente. Hasta ahora. Entonces, de nuevo, con las características espacio-temporales, analizamos cada tiro. Podemos ver dónde está el tiro,cuál es el ángulo a la cesta, dónde están los defensores,cuáles son sus distancias, cuáles son los ángulos. Para múltiples defensores,podemos ver cómo se mueve el jugador y predecir el tipo de tiro. Podemos ver todas sus velocidadesy construir un modelo que prediga la probabilidad de que este disparovaya en estas circunstancias. ¿Por qué importa esto? Podemos tomar un tiro, que antes era una cosa y ahorase transforma en dos cosas: la calidad del tiroy la calidad del tirador. Este es un gráfico de burbujasporque ¿qué es TED sin ellos? (Risas) Esos son jugadores de la NBA. El tamaño es el tamaño del jugadory el color es su posición. En el eje X, tenemosla probabilidad del disparo. Las personas de la izquierdahacen tiros difíciles, a la derecha, hacen tiros fáciles. En el eje Y, es la capacidad de disparo. Las personas que disparan bien van arriba, las que disparan mal abajo. Por ejemplo, si había un jugador que generalmente encestaba el 47 % de los tiros, eso es lo que se sabía antes. Pero hoy, puedo decir que el jugadorhace disparos que un jugador medio NBA convertiría el 49 % del tiempo, y que ellos son un 2 % peores. Y es importante porquehay muchos con 47 % por allí. Y por eso es muy importante saber si el 47 % al que están evaluandopagarle USD 100 millones es un buen tirador que hace malos tiros o un mal tirador que hace buenos tiros. La comprensión de máquina no cambiala forma de ver a los jugadores, cambia la forma de ver el juego. Hace unos años hubo un juegomuy apasionante en la final de la NBA. Miami estaba tres puntos abajo,quedaban 20 segundos. Estaban a punto de perder el campeonato. Un caballero de nombre LeBron Jamestiró de tres para empatar. Falló. Su compañero Chris Boshconsiguió un rebote, hizo un pase a otro compañerollamado Ray Allen. Clavó un triple.Fue en tiempo suplementario. Ganaron el juego.Ganaron el campeonato. Fue uno de los juegos de baloncestomás emocionantes. Y nuestra capacidad de conocerla probabilidad del tiro de cada jugador a cada segundo, y la probabilidad de conseguirun rebote a cada segundo puede iluminar este momentocomo nunca antes. Desafortunadamente, no puedomostrarles ese video. Pero lo hemos recreado en nuestro juego semanal de baloncesto hace 3 semanas. (Risas) Y recreamos el seguimientodel que extrajimos las ideas. Aquí estamos. Esto es Chinatownen Los Ángeles, un parque en el quejugamos todas las semanas, y allí estamos recreandoel momento Ray Allen y todo el seguimiento asociado. Este es el disparo. Les mostraré ese momento y lo que aprendimos de ese momento. La única diferencia es que en vez dejugadores profesionales, somos nosotros, y en vez de un locutor profesional,soy yo. Así que tengan paciencia conmigo. Miami. Tres puntos abajo. Quedan 20 segundos. Jeff trae la pelota. Josh la atrapa, ¡marca un triple! [Calculando probabilidad de tiro: 33 %] [Calidad del tiro: JOSH 33 %] [Probabilidad de rebote: NOEL 12 %] ¡No entrará! [Probabilidad de rebote: NOEL 37 %] Rebote, Noel. Vuelve a Daria. [Calidad del tiro: DARIA 37 %] Su triple... ¡bang! Empate y quedan 5 segundos. La multitud enloquece. (Risas) Es más o menos lo que pasó. (Aplausos) Más o menos. (Aplausos) Ese momento tenía un 9 % deprobabilidad de ocurrir en la NBA; sabemos eso y muchas otras cosas. No les diré las veces que intentamoshasta que ocurrió. (Risas) Bien, ¡se los diré!Fueron cuatro. (Risas) Así se hace, Daria. Pero lo importante de ese video y las ideas obtenidas en cada segundode un juego de la NBA, no es eso. Es que no hay que ser un equipoprofesional para seguir el movimiento. No hay que ser jugador profesionalpara aprender sobre el movimiento. De hecho, no se trata del deporteporque nos movemos por doquier. Nos movemos en nuestras casas, en nuestras oficinas, mientras compramos y viajamos por las ciudades y alrededor del mundo. ¿Qué conoceremos?¿Qué aprenderemos? Quizá en vez de identificarbloqueos y continuación, una máquina pueda identificarel momento y me avise cuando mi hija dé el primer paso. Algo que podría ocurriren cualquier momento próximo. Quizá podamos aprender a usar mejor los edificios, planificar mejor las ciudades. Creo que con el desarrollo de laciencia de los puntos móviles, nos moveremos mejor, con más inteligencia, nos moveremos hacia adelante. Muchas gracias. (Aplausos)