salma-elshafey/my_dataset · Datasets at Hugging Face

ar stringlengths 1 490	en stringlengths 1 514
لذلك اكتشاف كل هذه العلاقات مع موقع النسبي و المطلق، مسافة، التوقيت، سرعات-- هذا هو حقا المفتاح علم النقاط المتحركة او كما نحب ان نسميه، التعرف على الانماط الزمانية المكانية، في الاكادمية العامية.	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.
لان اول شئ هو، يجب عليك ان تجعل الامر يبدو صعب-- لانه كذلك.	Because the first thing is, you have to make it sound hard -- because it is.
الشيئ الرئيسي لمدربين NBA هو ليس انهم لا يريدون معرفة اذا حدث "بيك اند رول" ام لم يحدث.	The key thing is, for NBA coaches, it's not that they want to know whether a pick-and-roll happened or not.
هو انهم يريدون معرفة كيف حدث.	It's that they want to know how it happened.
و لماذا هذا مهم لهم؟ اذا هذه معرفة بسيطة.	And why is it so important to them? So here's a little insight.
اتضح ان في كرة السلة الحديثة, ربما ال"بيك اند رول" اهم اللعب.	It turns out in modern basketball, this pick-and-roll is perhaps the most important play.
و معرفة كيفية ادارتها, و معرفة كيفية حمايتها, هو اساسا مفتاح الفوز و الخسارة في معظم المباريات.	And knowing how to run it, and knowing how to defend it, is basically a key to winning and losing most games.
اتضح ان هذه الرقصة لها عدد كبير من البدائل و تعريف هذه البدائل هو الامر المهم, و لهذا لماذا نحن نحتاج من ان ذلك يكون جيد جدا,	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.
اذن, هذا مثال.	So, here's an example.
هنلك لاعبين اثنين مهاجمين و لاعبين اثنين مدافعين, مستدعين ليقوموا رقصة ال"بيك اند رول".	There are two offensive and two defensive players, getting ready to do the pick-and-roll dance.
اذن الشخص مع الكرة يمكنه يأخذ او يمكنه يرفض	So the guy with ball can either take, or he can reject.
بامكان زملائه اما ان يفعلو ال"رول" او "بوب".	His teammate can either roll or pop.
الشخص الذي يحرس الكرة يمكنه اما ان يذهب من فوق او من تحت.	The guy guarding the ball can either go over or under.
زملائه يمكنهم اما الاظهار او اللعب حتى اللمس او اللعب بليونه و مع بعضهم اما يمكنهم التبديل او الهجوم و لم أعرف معظم هذه الاشياء عندما بدأت وسيكون من الرائع لو ان الجميع تحركوا وفقا لهذه الاسهم.	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.
سيجعل حياتنا اسهل بكثير, و لكن اتضح ان الحركات فوضوية جدا.	It would make our lives a lot easier, but it turns out movement is very messy.
الناس يهتزون كثيرا و تعريف هذه المتغيرات مع الدقة العالية, في كلا الدقة و الاسترداد صعب لان هذا ما يلزم لمدرب المحترف يصدقك.	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.
و بالرغم من الصعوبات المتعلقة بالملامح الزمانية و المكانية الصحيحة استطعنا القيام من ذلك.	And despite all the difficulties with the right spatiotemporal features we have been able to do that.
المدربين يؤمنون بقدرات آلتنا في تحديد هذه المتغيرات.	Coaches trust our ability of our machine to identify these variations.
نحن عند النقطة حيث ان كل منافس تقريبا لبطولة الNBA في هذا العام يستخدم برمجياتنا المبنية على الآلة التي تدرك النقاط المتحركة لكرة السلة.	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.
و ليس فقط ذلك، بل واعطينا النصائح التي غيرت استراتيجيات التي ساعدت الفرق في الفوز في مباريات مهمة، و هذا في غاية الاثارة لان لديك مدربين الذين كانوا في الدوري لمدة 30 عاما الذين هم مستعدين ﻹخذ نصائح من آلة.	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.
و هو مثير جدا، و اكثر بكثير من "بيك اند رول".	And it's very exciting, it's much more than the pick-and-roll.
حاسوبنا ابتدأ بالاشياء الصغيرة و تعلم المزيد و المجزيد من الاشياء المعقدة و الان يعرف اشياء كثيرة.	Our computer started out with simple things and learned more and more complex things and now it knows so many things.
بصراحة، انا لا افهم كثيرا بما يفعله و حينما انه ليس من المهم ان يكون اذكى مني، نحن كن نتسائل هل يمكن للآلة ان تعرف اكثر من المدرب؟	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?
هل يمكنها ان تعرف اكثر من الشخص؟	Can it know more than person could know?
و اتضح ان الجواب هو نعم.	And it turns out the answer is yes.
المدربين يريدون اللاعبين لاتخاذ ضربات جيدة.	The coaches want players to take good shots.
لذلك اذا كنت وواقفا بجانب السلة و ليس هناك احد بجانبي، انها ضربة جيدة.	So if I'm standing near the basket and there's nobody near me, it's a good shot.
اذا كنت واقفا بعيدا و محاصر بالمدافعين ، تلك بشكل عام ضربة سيئة.	If I'm standing far away surrounded by defenders, that's generally a bad shot.
و لكننا لم نعرف كيف الجيد كان "جيدا" او كيف السيئ كان "سيئا" كميا.	But we never knew how good "good" was, or how bad "bad" was quantitatively.
حتى الان.	Until now.
اذا ما يمكننا فعله، مجددا، هو استخدام ميزات الزمانية و المكانية، نظرنا الى لقطة.	So what we can do, again, using spatiotemporal features, we looked at every shot.
بامكاننا ان نرى: اين اللقطة؟ أي زاوية الى السلة؟	We can see: Where is the shot? What's the angle to the basket?
اين المهاجمون واقفون؟ ما هي مسافاتهم؟	Where are the defenders standing? What are their distances?
ما هي زواياهم؟	What are their angles?
لعدة مهاجمين، يمكننا ان نرى كيف يتحرك اللاعبون و تنبؤ نوعية المحاولة.	For multiple defenders, we can look at how the player's moving and predict the shot type.
يمكننا ان نرى جميع سرعاتهم و يمكننا ان نبنى نموذج الذي يتوقع ما هو الاحتمال ان المحاولة ستسير وفق هذه الظروف؟	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?
اذن لماذا هذا مهم؟	So why is this important?
يمكننا اخذ شيئ كان يرمي، الذي كان شيئ واحد من قبل و تحويله الى شيئين: نوعية الرمية و نوعية الرامي.	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.
اذن هذا تخطيط فقاعي، لأنه ما هو TED من دون تخطيط فقاعي؟	So here's a bubble chart, because what's TED without a bubble chart?
هؤلاء لاعبين NBA	Those are NBA players.
الحجم هو حجم اللاعب و اللون هو الموقع.	The size is the size of the player and the color is the position.
على محور السيني لدينا احتمالات الرمية.	On the x-axis, we have the shot probability.
الاشخاص على اليسار يتخذون رميات صعبة، على اليمين، يتخذون رميات سهلة.	People on the left take difficult shots, on the right, they take easy shots.
على محور الصادي هي قدراتهم على الرماية.	On the [y-axis] is their shooting ability.
الاشخاص الجيدين في الاعلى، السيئين في الاسفل.	People who are good are at the top, bad at the bottom.
اذن على سبيل المثال، اذا كان هناك لاعب الذي عموما جعل 47 بالمئة من الرميات، هذا كل ما عرفتوه مسبقا.	So for example, if there was a player who generally made 47 percent of their shots, that's all you knew before.
لكن اليوم، يمكنني ان اقول لكم ان اللاعب الذي يتخذ رميات ان لاعب الNBA العادي يمكنه النجاح 49 بالمئة من الوقت، و هم 2 بالمئة اسوأ.	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.
و سبب اهميته لأن هناك كثيرين بهذا المستوى .	And the reason that's important is that there are lots of 47s out there.
و هذا امر مهم لمعرفته اذا قررت اعطائهم 100 مليون دولار من يرمي جيدا و يتخذ رميات جيد او من يرمي بسوء و يتخذ رميات جيدة.	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.
فهم الآلة ليس فقط تغير كيف ننظر الى اللاعبين، انها تغير نظرتنا الى المباراة.	Machine understanding doesn't just change how we look at players, it changes how we look at the game.
كانت هناك مباراة ممتعة جدا قبل بضعة سنين، في نهائيات الNBA.	So there was this very exciting game a couple of years ago, in the NBA finals.
كانت ميامي اقل بثلاث نقاط، و تبقى من 20 ثانية.	Miami was down by three, there was 20 seconds left.
كانوا على وشك خسارة البطولة.	They were about to lose the championship.
جاء رجل اسمه لابرون جيمس و اتخذ ثلاث للتعادل.	A gentleman named LeBron James came up and he took a three to tie.
لكنه اخفق.	He missed.
زميله كريس حصل على ارتداد، مرره الى زميله الاخر اسمه راي الان.	His teammate Chris Bosh got a rebound, passed it to another teammate named Ray Allen.
و اغرق ثلاث. فاتوا بالوقت الاضافي.	He sank a three. It went into overtime.
فازوا المباراة. فازوا البطولة.	They won the game. They won the championship.
كانت احد المباريات المثيرة جدا في كرة السلة.	It was one of the most exciting games in basketball.
و قدرتنا علي معرفة احتمالات محاولات لكل لاعب في كل ثانية، و احتمال حصولهم على ارتداد في كل ثانية يمكنه توضيح اللحظة بطريقة لم نستطع بها من قبل.	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.
اﻵن للاسف، لا يمكنني ان اريكم ذلك الفيديو.	Now unfortunately, I can't show you that video.
لكن لكم، نحن صوغنا تلك اللحظة في مبارتنا لكرة السلة قبل حوالي ثلاثة اسابيع.	But for you, we recreated that moment at our weekly basketball game about 3 weeks ago.
و صوغنا التتابع الذي الى ادى المشاهد.	And we recreated the tracking that led to the insights.
اذن، ها هنا نحن. هذا الحي الصيني في لوس انجلوس، منتزه نلعب فيه كل اسبوع، و ها نحن نصوغ لحظة راي الان و كل التتابع المرتبط بتلك باللحظة.	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.
اذن، هذه هي الرمية.	So, here's the shot.
سوف اريكم تلك اللحظة و كل المشاهد من تلك اللحظة.	I'm going to show you that moment and all the insights of that moment.
الاختلاف الوحيد هو، انه نحن بدلا من لاعبين محترفين، و انا بدلا من معلّق محترف، انا المعلّق.	The only difference is, instead of the professional players, it's us, and instead of a professional announcer, it's me.
اذن، تحملوا معي.	So, bear with me.
ميامي	Miami.
خاسرين بثلاث نقاط.	Down three.
عشرون ثانية باقية.	Twenty seconds left.
جيف يحضر الكرة.	Jeff brings up the ball.
جوش يلتقطها، و يسدد بثلاث نقاط!	Josh catches, puts up a three!
[حساب احتمالات الرمية] [جودة الرمية ] [ احتمال الارتداد] لن يحدث!	[Calculating shot probability] [Shot quality] [Rebound probability] Won't go!
[ احتمال الارتداد] ارتداد، نويل.	[Rebound probability] Rebound, Noel.
نرجع الى داريا.	Back to Daria.
[ جودة الرمية ] رميتها الثلاثية --بانج!	[Shot quality] Her three-pointer -- bang!
تعادل المباراة مع خمسة ثواني متبقيات.	Tie game with five seconds left.
الجمهور يقفز.	The crowd goes wild.
و هذا تقريبا كيف حدث.	That's roughly how it happened.
تقريبا.	Roughly.
كانت فرصة حدوث تلك الحظة حوالي 9 بالمئة في NBA و نحن نعرف ذلك و أشياء كثيرة عظيمة اخرى.	That moment had about a nine percent chance of happening in the NBA and we know that and a great many other things.
لن اقول لكم كم مرة استغرقنا من تحقيق ذلك.	I'm not going to tell you how many times it took us to make that happen.
حسنا، سوف اقول! اربعة مرات.	Okay, I will! It was four.
احسنت يا داريا.	Way to go, Daria.
لكن الامر المهم عن ذلك الفيديو و رؤيات التي لدينا لكل ثانية لكل لعبة NBA -- ليس ذلك.	But the important thing about that video and the insights we have for every second of every NBA game -- it's not that.
هي الحقيقة انه ليس من الضروري ان تكون فريقا محترفا لتتابع الحركات.	It's the fact you don't have to be a professional team to track movement.
ليس من الضروري ان تكون لاعبا محترفا للحصول على رؤيات الحركات.	You do not have to be a professional player to get insights about movement.
في الحقيقة، ليس من الضروري من ان تكون عن الرياضة لانه نحن نتحرك في كل مكان.	In fact, it doesn't even have to be about sports because we're moving everywhere.
نحن نتحرك في بيوتنا، في مكاتبنا، كما نحن نتسوق و نسافر عبر مدننا و حول العالم.	We're moving in our homes, in our offices, as we shop and we travel throughout our cities and around our world.
ما الذي سنعرفه؟ ما الذي سنتعلمه؟	What will we know? What will we learn?
ربكا بدلا من تعريف "بيك اند رولز"، اﻵلة يمكنها ان تعرف اللحظة و تعلمني بها عندما تتخطى ابنتي خطواتها الاولى.	Perhaps, instead of identifying pick-and-rolls, a machine can identify the moment and let me know when my daughter takes her first steps.
التي يمكن ان تحدث في اي لحظة.	Which could literally be happening any second now.
ربما يمكننا التعلم لاستخدام افضل لمبانينا، تخطيط افضل لمدننا.	Perhaps we can learn to better use our buildings, better plan our cities.
انا اؤمن ان مع تطور علم النقاط المتحركة، سوف نتحرك افضل، سوف نتحرك بذكاء، سوف نتحرك للامام.	I believe that with the development of the science of moving dots, we will move better, we will move smarter, we will move forward.
شكرا جزيلا.	Thank you very much.
سأبدأ اليوم بمشاركة قصيدة كتبتها صديقتي من مالاوي إلين بيري	I'll begin today by sharing a poem written by my friend from Malawi, Eileen Piri.
إلين عمرها 13 سنة فقط ولكن عندما كنا نمر على المجموعة الشعرية التي كتبناها وجدت قصيدتها مهمة جدا ومحفزة جدا	Eileen is only 13 years old, but when we were going through the collection of poetry that we wrote, I found her poem so interesting, so motivating.
لهذا سأقرؤها لكم	So I'll read it to you.
عنونت قصيدتها "سأتزوج عندما أريد"	She entitled her poem "I'll Marry When I Want."

لذلك اكتشاف كل هذه العلاقات مع موقع النسبي و المطلق، مسافة، التوقيت، سرعات-- هذا هو حقا المفتاح علم النقاط المتحركة او كما نحب ان نسميه، التعرف على الانماط الزمانية المكانية، في الاكادمية العامية.

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.

لان اول شئ هو، يجب عليك ان تجعل الامر يبدو صعب-- لانه كذلك.

Because the first thing is, you have to make it sound hard -- because it is.

الشيئ الرئيسي لمدربين NBA هو ليس انهم لا يريدون معرفة اذا حدث "بيك اند رول" ام لم يحدث.

The key thing is, for NBA coaches, it's not that they want to know whether a pick-and-roll happened or not.

هو انهم يريدون معرفة كيف حدث.

It's that they want to know how it happened.

و لماذا هذا مهم لهم؟ اذا هذه معرفة بسيطة.

And why is it so important to them? So here's a little insight.

اتضح ان في كرة السلة الحديثة, ربما ال"بيك اند رول" اهم اللعب.

It turns out in modern basketball, this pick-and-roll is perhaps the most important play.

و معرفة كيفية ادارتها, و معرفة كيفية حمايتها, هو اساسا مفتاح الفوز و الخسارة في معظم المباريات.

And knowing how to run it, and knowing how to defend it, is basically a key to winning and losing most games.

اتضح ان هذه الرقصة لها عدد كبير من البدائل و تعريف هذه البدائل هو الامر المهم, و لهذا لماذا نحن نحتاج من ان ذلك يكون جيد جدا,

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.

اذن, هذا مثال.

So, here's an example.

هنلك لاعبين اثنين مهاجمين و لاعبين اثنين مدافعين, مستدعين ليقوموا رقصة ال"بيك اند رول".

There are two offensive and two defensive players, getting ready to do the pick-and-roll dance.

اذن الشخص مع الكرة يمكنه يأخذ او يمكنه يرفض

So the guy with ball can either take, or he can reject.

بامكان زملائه اما ان يفعلو ال"رول" او "بوب".

His teammate can either roll or pop.

الشخص الذي يحرس الكرة يمكنه اما ان يذهب من فوق او من تحت.

The guy guarding the ball can either go over or under.

زملائه يمكنهم اما الاظهار او اللعب حتى اللمس او اللعب بليونه و مع بعضهم اما يمكنهم التبديل او الهجوم و لم أعرف معظم هذه الاشياء عندما بدأت وسيكون من الرائع لو ان الجميع تحركوا وفقا لهذه الاسهم.

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.

سيجعل حياتنا اسهل بكثير, و لكن اتضح ان الحركات فوضوية جدا.

It would make our lives a lot easier, but it turns out movement is very messy.

الناس يهتزون كثيرا و تعريف هذه المتغيرات مع الدقة العالية, في كلا الدقة و الاسترداد صعب لان هذا ما يلزم لمدرب المحترف يصدقك.

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.

و بالرغم من الصعوبات المتعلقة بالملامح الزمانية و المكانية الصحيحة استطعنا القيام من ذلك.

And despite all the difficulties with the right spatiotemporal features we have been able to do that.

المدربين يؤمنون بقدرات آلتنا في تحديد هذه المتغيرات.

Coaches trust our ability of our machine to identify these variations.

نحن عند النقطة حيث ان كل منافس تقريبا لبطولة الNBA في هذا العام يستخدم برمجياتنا المبنية على الآلة التي تدرك النقاط المتحركة لكرة السلة.

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.

و ليس فقط ذلك، بل واعطينا النصائح التي غيرت استراتيجيات التي ساعدت الفرق في الفوز في مباريات مهمة، و هذا في غاية الاثارة لان لديك مدربين الذين كانوا في الدوري لمدة 30 عاما الذين هم مستعدين ﻹخذ نصائح من آلة.

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.

و هو مثير جدا، و اكثر بكثير من "بيك اند رول".

And it's very exciting, it's much more than the pick-and-roll.

حاسوبنا ابتدأ بالاشياء الصغيرة و تعلم المزيد و المجزيد من الاشياء المعقدة و الان يعرف اشياء كثيرة.

Our computer started out with simple things and learned more and more complex things and now it knows so many things.

بصراحة، انا لا افهم كثيرا بما يفعله و حينما انه ليس من المهم ان يكون اذكى مني، نحن كن نتسائل هل يمكن للآلة ان تعرف اكثر من المدرب؟

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?

هل يمكنها ان تعرف اكثر من الشخص؟

Can it know more than person could know?

و اتضح ان الجواب هو نعم.

And it turns out the answer is yes.

المدربين يريدون اللاعبين لاتخاذ ضربات جيدة.

The coaches want players to take good shots.

لذلك اذا كنت وواقفا بجانب السلة و ليس هناك احد بجانبي، انها ضربة جيدة.

So if I'm standing near the basket and there's nobody near me, it's a good shot.

اذا كنت واقفا بعيدا و محاصر بالمدافعين ، تلك بشكل عام ضربة سيئة.

If I'm standing far away surrounded by defenders, that's generally a bad shot.

و لكننا لم نعرف كيف الجيد كان "جيدا" او كيف السيئ كان "سيئا" كميا.

But we never knew how good "good" was, or how bad "bad" was quantitatively.

حتى الان.

Until now.

اذا ما يمكننا فعله، مجددا، هو استخدام ميزات الزمانية و المكانية، نظرنا الى لقطة.

So what we can do, again, using spatiotemporal features, we looked at every shot.

بامكاننا ان نرى: اين اللقطة؟ أي زاوية الى السلة؟

We can see: Where is the shot? What's the angle to the basket?

اين المهاجمون واقفون؟ ما هي مسافاتهم؟

Where are the defenders standing? What are their distances?

ما هي زواياهم؟

What are their angles?

لعدة مهاجمين، يمكننا ان نرى كيف يتحرك اللاعبون و تنبؤ نوعية المحاولة.

For multiple defenders, we can look at how the player's moving and predict the shot type.

يمكننا ان نرى جميع سرعاتهم و يمكننا ان نبنى نموذج الذي يتوقع ما هو الاحتمال ان المحاولة ستسير وفق هذه الظروف؟

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?

اذن لماذا هذا مهم؟

So why is this important?

يمكننا اخذ شيئ كان يرمي، الذي كان شيئ واحد من قبل و تحويله الى شيئين: نوعية الرمية و نوعية الرامي.

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.

اذن هذا تخطيط فقاعي، لأنه ما هو TED من دون تخطيط فقاعي؟

So here's a bubble chart, because what's TED without a bubble chart?

هؤلاء لاعبين NBA

Those are NBA players.

الحجم هو حجم اللاعب و اللون هو الموقع.

The size is the size of the player and the color is the position.

على محور السيني لدينا احتمالات الرمية.

On the x-axis, we have the shot probability.

الاشخاص على اليسار يتخذون رميات صعبة، على اليمين، يتخذون رميات سهلة.

People on the left take difficult shots, on the right, they take easy shots.

على محور الصادي هي قدراتهم على الرماية.

On the [y-axis] is their shooting ability.

الاشخاص الجيدين في الاعلى، السيئين في الاسفل.

People who are good are at the top, bad at the bottom.

اذن على سبيل المثال، اذا كان هناك لاعب الذي عموما جعل 47 بالمئة من الرميات، هذا كل ما عرفتوه مسبقا.

So for example, if there was a player who generally made 47 percent of their shots, that's all you knew before.

لكن اليوم، يمكنني ان اقول لكم ان اللاعب الذي يتخذ رميات ان لاعب الNBA العادي يمكنه النجاح 49 بالمئة من الوقت، و هم 2 بالمئة اسوأ.

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.

و سبب اهميته لأن هناك كثيرين بهذا المستوى .

And the reason that's important is that there are lots of 47s out there.

و هذا امر مهم لمعرفته اذا قررت اعطائهم 100 مليون دولار من يرمي جيدا و يتخذ رميات جيد او من يرمي بسوء و يتخذ رميات جيدة.

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.

فهم الآلة ليس فقط تغير كيف ننظر الى اللاعبين، انها تغير نظرتنا الى المباراة.

Machine understanding doesn't just change how we look at players, it changes how we look at the game.

كانت هناك مباراة ممتعة جدا قبل بضعة سنين، في نهائيات الNBA.

So there was this very exciting game a couple of years ago, in the NBA finals.

كانت ميامي اقل بثلاث نقاط، و تبقى من 20 ثانية.

Miami was down by three, there was 20 seconds left.

كانوا على وشك خسارة البطولة.

They were about to lose the championship.

جاء رجل اسمه لابرون جيمس و اتخذ ثلاث للتعادل.

A gentleman named LeBron James came up and he took a three to tie.

لكنه اخفق.

He missed.

زميله كريس حصل على ارتداد، مرره الى زميله الاخر اسمه راي الان.

His teammate Chris Bosh got a rebound, passed it to another teammate named Ray Allen.

و اغرق ثلاث. فاتوا بالوقت الاضافي.

He sank a three. It went into overtime.

فازوا المباراة. فازوا البطولة.

They won the game. They won the championship.

كانت احد المباريات المثيرة جدا في كرة السلة.

It was one of the most exciting games in basketball.

و قدرتنا علي معرفة احتمالات محاولات لكل لاعب في كل ثانية، و احتمال حصولهم على ارتداد في كل ثانية يمكنه توضيح اللحظة بطريقة لم نستطع بها من قبل.

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.

اﻵن للاسف، لا يمكنني ان اريكم ذلك الفيديو.

Now unfortunately, I can't show you that video.

لكن لكم، نحن صوغنا تلك اللحظة في مبارتنا لكرة السلة قبل حوالي ثلاثة اسابيع.

But for you, we recreated that moment at our weekly basketball game about 3 weeks ago.

و صوغنا التتابع الذي الى ادى المشاهد.

And we recreated the tracking that led to the insights.

اذن، ها هنا نحن. هذا الحي الصيني في لوس انجلوس، منتزه نلعب فيه كل اسبوع، و ها نحن نصوغ لحظة راي الان و كل التتابع المرتبط بتلك باللحظة.

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.

اذن، هذه هي الرمية.

So, here's the shot.

سوف اريكم تلك اللحظة و كل المشاهد من تلك اللحظة.

I'm going to show you that moment and all the insights of that moment.

الاختلاف الوحيد هو، انه نحن بدلا من لاعبين محترفين، و انا بدلا من معلّق محترف، انا المعلّق.

The only difference is, instead of the professional players, it's us, and instead of a professional announcer, it's me.

اذن، تحملوا معي.

So, bear with me.

ميامي

Miami.

خاسرين بثلاث نقاط.

Down three.

عشرون ثانية باقية.

Twenty seconds left.

جيف يحضر الكرة.

Jeff brings up the ball.

جوش يلتقطها، و يسدد بثلاث نقاط!

Josh catches, puts up a three!

[حساب احتمالات الرمية] [جودة الرمية ] [ احتمال الارتداد] لن يحدث!

[Calculating shot probability] [Shot quality] [Rebound probability] Won't go!

[ احتمال الارتداد] ارتداد، نويل.

[Rebound probability] Rebound, Noel.

نرجع الى داريا.

Back to Daria.

[ جودة الرمية ] رميتها الثلاثية --بانج!

[Shot quality] Her three-pointer -- bang!

تعادل المباراة مع خمسة ثواني متبقيات.

Tie game with five seconds left.

الجمهور يقفز.

The crowd goes wild.

و هذا تقريبا كيف حدث.

That's roughly how it happened.

تقريبا.

Roughly.

كانت فرصة حدوث تلك الحظة حوالي 9 بالمئة في NBA و نحن نعرف ذلك و أشياء كثيرة عظيمة اخرى.

That moment had about a nine percent chance of happening in the NBA and we know that and a great many other things.

لن اقول لكم كم مرة استغرقنا من تحقيق ذلك.

I'm not going to tell you how many times it took us to make that happen.

حسنا، سوف اقول! اربعة مرات.

Okay, I will! It was four.

احسنت يا داريا.

Way to go, Daria.

لكن الامر المهم عن ذلك الفيديو و رؤيات التي لدينا لكل ثانية لكل لعبة NBA -- ليس ذلك.

But the important thing about that video and the insights we have for every second of every NBA game -- it's not that.

هي الحقيقة انه ليس من الضروري ان تكون فريقا محترفا لتتابع الحركات.

It's the fact you don't have to be a professional team to track movement.

ليس من الضروري ان تكون لاعبا محترفا للحصول على رؤيات الحركات.

You do not have to be a professional player to get insights about movement.

في الحقيقة، ليس من الضروري من ان تكون عن الرياضة لانه نحن نتحرك في كل مكان.

In fact, it doesn't even have to be about sports because we're moving everywhere.

نحن نتحرك في بيوتنا، في مكاتبنا، كما نحن نتسوق و نسافر عبر مدننا و حول العالم.

We're moving in our homes, in our offices, as we shop and we travel throughout our cities and around our world.

ما الذي سنعرفه؟ ما الذي سنتعلمه؟

What will we know? What will we learn?

ربكا بدلا من تعريف "بيك اند رولز"، اﻵلة يمكنها ان تعرف اللحظة و تعلمني بها عندما تتخطى ابنتي خطواتها الاولى.

Perhaps, instead of identifying pick-and-rolls, a machine can identify the moment and let me know when my daughter takes her first steps.

التي يمكن ان تحدث في اي لحظة.

Which could literally be happening any second now.

ربما يمكننا التعلم لاستخدام افضل لمبانينا، تخطيط افضل لمدننا.

Perhaps we can learn to better use our buildings, better plan our cities.

انا اؤمن ان مع تطور علم النقاط المتحركة، سوف نتحرك افضل، سوف نتحرك بذكاء، سوف نتحرك للامام.

I believe that with the development of the science of moving dots, we will move better, we will move smarter, we will move forward.

شكرا جزيلا.

Thank you very much.

سأبدأ اليوم بمشاركة قصيدة كتبتها صديقتي من مالاوي إلين بيري

I'll begin today by sharing a poem written by my friend from Malawi, Eileen Piri.

إلين عمرها 13 سنة فقط ولكن عندما كنا نمر على المجموعة الشعرية التي كتبناها وجدت قصيدتها مهمة جدا ومحفزة جدا

Eileen is only 13 years old, but when we were going through the collection of poetry that we wrote, I found her poem so interesting, so motivating.

لهذا سأقرؤها لكم

So I'll read it to you.

عنونت قصيدتها "سأتزوج عندما أريد"

She entitled her poem "I'll Marry When I Want."