Sportim

View Original

Artificiële intelligentie.

Neemt de computer het over?

De Tour de France en de Olympische Spelen zijn steeds weer de ideale gelegenheid voor wetenschappers maar vooral ook voor pseudo-wetenschappers om een stand van zaken in de begeleiding van topatleten te geven. Echter, de meeste van die zogenaamde nieuwe inzichten zijn niet meer dan een herverpakking van wat al heel lang geweten is. Volgens een recent overzicht van J. de Koning en C. Foster (2024) bestaan de 100 meest invloedrijke studies in verband met inspanningsfysiologie reeds meer dan 50 jaar! Slechts enkelen werden na 2000 gepubliceerd.
En nu is er dus Artificiële Intelligentie. Op het wetenschappelijk congres voorafgaand aan de start van de TDF 2024 werd er aandacht aan besteed en Lotto Dstny bracht de winst van Victor Campenaerts in de 18° etappe ermee in verband. Rond hetzelfde tijdstip maakte Ugent bekend dat zij de Olympische pisterenners optimaal konden laten presteren dankzij sensoren en, jawel, AI. De nieuwssite van VRT had al die commotie opgemerkt en blokletterde enige dagen later “Hoe artificiële intelligentie sporters naar een hoger niveau kan tillen.” De tekst verwees op zijn beurt naar een artikel dat eerder in het wetenschappelijk tijdschrift EOS was verschenen.

Zal AI werkelijk het denkvermogen van de mens overtreffen of wordt het een manier om onze verantwoordelijkheid als trainer te ontlopen? Tijd voor enkele bedenkingen.

Definities.

Enig opzoekwerk leert ons dat “AI de mogelijkheid van een machine is om mensachtige vaardigheden te vertonen zoals redeneren, leren, plannen en creativiteit”. De computer moet daarvoor via sensoren data ontvangen en op een bepaalde manier verwerken. Kunstmatige intelligentie zegt Google verder, is echter een overkoepelende term. Zo is Machine Learning  (ML) een vorm van kunstmatige intelligentie die gericht is op het bouwen van systemen die de verwerkte data kunnen gebruiken om beter te presteren. De meest indrukwekkende functie van machine learning zou het voorspellende vermogen zijn. 

De motoren voor machine learning zijn algoritmen. Vandaag de dag worden er globaal twee soorten algoritmen gebruikt: voor supervised learning en voor unsupervised learning.

Algoritmen voor supervised machine learning worden het vaakst gebruikt. Bij dit model fungeert een datawetenschapper als tussenpersoon die het algoritme 'leert' welke conclusies moeten worden getrokken.

Unsupervised machine learning verloopt op een meer onafhankelijke manier, waarbij een computer leert om complexe processen en patronen te identificeren zonder dat een mens direct en continu begeleiding biedt. 

Ook in de wielersport?

Voor zover we kunnen nagaan gaat het in de wielersport over supervised learning. Sommige professionele wielerploegen hebben inderdaad datawetenschappers in dienst genomen die er moeten voor zorgen dat de gegevens van diverse sensoren tot de juiste conclusies leiden. Wat moeten wij ons daar bij voorstellen? Niet veel zoals blijkt uit onderstaand voorbeeld. En toch… .

De ritwinst van Victor Campenaerts en de datawetenschappers van Lotto-Dstny.

Waar men vroeger de ochtendpols gebruikte om na te gaan of iemand al dan niet tekenen van latente vermoeidheid vertoonde, gebruikt men nu HRV of hartritmevariabiliteit. Door de registratie van de tijd tussen twee hartslagen in, krijgt men een indruk van de stress die op het lichaam van de sporter inwerkt. Of het een waterdichte methode is waar het resultaat altijd gerelateerd mag worden aan de fysieke conditie en onrechtstreeks dus ook aan de prestatie van de renner laten we even in het midden. Feit is: na bijna 14 dagen onafgebroken competitie en twee zware Pyreneeënritten waarschuwden de data van Victor dat hij oververmoeid was en recuperatie zich opdrong. De rustdag kwam dus net op tijd en in de daaropvolgende vlakke en heuvelachtige ritten moest en kon hij zich ook gedeisd houden. Resultaat: zijn HRV-waarden verbeterden en het team rond Victor kon dankzij ML concluderen dat de conditie van Victor beter was dan een aantal dagen voordien.

Wat is in dit geval de toegevoegde waarde van ML? Mag je hier stellen dat ”artificiële intelligentie de renner beter maakt”? Was de simpele intelligentie van de trainer of een eenvoudig gesprek met de renner niet voldoende om te achterhalen of die minder vermoeid was?
Het was Campenaerts zelf die de dag van zijn prestatie vaststelde dat hij goede benen had. Hij tankte zelfvertrouwen, liet zijn ervaring spelen, schatte de tegenstand goed in en won. Het was Victor zelf die bewees over een gezonde dosis intelligentie te beschikken.

De doordachte input van gegevens blijft cruciaal.

De conclusies zoals hierboven aangehaald zouden ons pas echt met verstomming slaan, moest aan de hand van Machine Learning de relatie kunnen gelegd worden tussen de grootte van de respectieve daling/stijging ten opzichte van de baseline van de individuele HRV waarden en de grootte van de belasting van de verschillende fysiologische parameters om op die manier de belasting te sturen richting topvorm of overtraining te voorspellen.
Hiervoor moet echter de belasting in detail worden becijferd en de klassieke Training Stress Score is daarvoor niet het meest aangewezen instrument. Wel de drie inspanningsscores zoals ze berekend worden door het programma “Typhoon” van C. Dauwe D. Sc.  TSS is namelijk een soort algemene score waar niet uit op te maken valt in welke mate de betrokken stelsels worden aangesproken. De drie scores uit het programma van professor Dauwe becijferen daarentegen heel exact het aandeel van de aerobe en anaerobe energiesystemen en leren ons bovendien met welke intensiteit de anaerobe energiereserve wordt ingezet. Dit laatste is een belangrijk gegeven omdat er een verband is met de intensiteit van een inspanning en het progressief gebruik van de verschillende soorten spiervezels. Nieuwe inzichten in het begrip recuperatie leren ons bovendien dat de rode spiervezels veel sneller recupereren dan de witte, dit zowel bij acute als chronische inspanningen.

Het geesteskind van Charles is het resultaat van het jarenlang analyseren van honderden power files van trainingen en wedstrijden van zowel prof- als amateurwielrenners. Het programma dat enkel en alleen op basis van oordeelkundig gekozen tijdsintervallen en de overeenkomstige individuele vermogenswaarden de gedetailleerde fysiologische belasting berekent, is nu ook geïmplementeerd in de fietsapplicatie SuperCycle. Vooral de live-weergave van de inspanningsscores, de visualisering van het uitputten en terug aanvullen van de anaerobe energiereserve en de procentuele weergave van het gebruik van de VO2max is een prachtig voorbeeld van wat er wel al mogelijk is met Machine Learning.

Het leveren van een prestatie is uiteraard meer dan fysiologie maar zelfs op zuiver fysiologisch gebied is het leveren van een topprestatie dan wel een ondermaatse prestatie nog altijd niet te voorspellen omdat de belasting aanpassen aan de belastbaarheid van de atleet in kwestie nog steeds voor een groot deel giswerk is.
Als HRV en in de toekomst andere slimme meetapparatuur zoals bijvoorbeeld Lactaatsensoren aan Typhoon en SuperCycle kunnen gekoppeld worden, kan daar echter snel verandering in komen. Toch is het onbegrijpelijk dat dit intelligente programma nu al niet door de grote ploegen omarmd wordt.

Voor alle details verwijzen we naar de website www.typhooncycling.org of naar het e-boek “De toekomst van trainen en racen met een vermogensmeter”, naar andere bijdragen op deze blog en naar www.sportim.be