Umělá inteligence může rozhodovat o vítězích Tour de France. Jak AI mění profesionální cyklistiku
Pokročilé analytické nástroje pomáhají týmům na Tour de France překračovat hranice tradičních trenérských metod.
Údaje o výkonu kombinují s podmínkami prostředí a ukazateli regenerace, díky čemuž získávají komplexnější obraz o připravenosti jezdců a nacházejí další možnosti pro dosažení drobných výkonnostních zlepšení.
"Mám teorii, že je to celé jen kouřová clona. UAE Emirates XRG údajně používá umělou inteligenci už celá léta, Visma Lease a Bike spolupracuje se společností Mistral a Ineos si přizval Netcompany. Kromě jejich tiskových zpráv však vůbec netušíme, jak ji využívají. něco k prodeji.“
Takto reagoval Frank Overton, zakladatel společnosti FasCat Coaching, na otázku o využívání umělé inteligence mezi profesionály.
Overton má v oblasti práce s daty náskok. Jeho trenérská společnost již několik let nabízí podporu založenou na vlastním systému umělé inteligence.
Podrobnosti o tom, jak tyto technologie fungují v profesionální cyklistice, poskytl tým Picnic PostNL.
Přečtěte si také
Přesnější trénink, lepší výsledky
„Analýza dat a umělá inteligence hrají v týmu Picnic PostNL stále důležitější roli při optimalizaci výkonu i rozvoje jezdců,“ vysvětluje vedoucí vědeckého oddělení týmu Narelle Neumann.
„Každý jezdec denně nahrává tréninkové soubory s tisíci řádky údajů, mezi něž patří výkon, srdeční frekvence, kadence, rychlost a nadmořská výška, během jedné sezóny tak vzniknou miliony datových bodů.
„Tréninkové soubory následně zpracovávají analytické modely, které sledují například vývoj vztahu mezi výkonem a srdeční frekvencí. Modely zohledňují i vnější vlivy, jako jsou teplota a nadmořská výška, díky čemuž dokážeme lépe pochopit změny ve výkonnosti a fyziologickém stavu. Když odfiltrujeme vnější faktory, můžeme spolehlivěji rozpoznat trendy.
"Prostřednictvím deníku shromažďujeme i subjektivní údaje, například vnímanou úroveň regenerace, připravenosti a náročnosti úsilí RPE. Tým začal tyto informace systematicky sbírat a ukládat již v roce 2012, takže dnes máme mimořádně cennou databázi. Strojní učení a pokročilá analytika nám z takového množství údajů pomáhají.
Nizozemský tým nedávno posílil využívání těchto technologií a oznámil víceleté partnerství s nizozemskou technologickou společností IG&H. Spolupráce by mu mohla přinést důležité výsledky, neboť se objevují informace, podle kterých může Picnic bez nového investora zaniknout.
Přečtěte si také
Odjezd z TrainingPeaks k platformě Vekta
Ve stabilnější finanční situaci se nachází Decathlon CMA CGM Paula Seixase. Společně s týmy Lidl Trek, TotalEnergies a Jayco AlUla byl natolik přesvědčen, že trenérská platforma Vekta využívající umělou inteligenci dokáže zlepšit výkonnost jezdců, že opustil dlouholetou autoritu v oblasti výkonových dat TrainingPeaks. Proč?
„Vekta má několik možností využití a jednou z nich je přesnější nastavení tréninku,“ říká spoluzakladatel platformy Paul Antoine Girard.
"Jako příklad si vezměme intervalový trénink, protože moderní silniční cyklistika je postavena na intervalech. Představme si, že jezdec Lidl Trek dnes během čtyřhodinové jízdy absolvoval šest desetiminutových intervalů. Vekta okamžitě porovná výsledky s podobnými tréninky z minulosti, vyhodnotí, o kolik se jezdec zlepšil.
Vekta identifikuje nároky každého tréninku a hodnotí, jak přesně jednotka odpovídá stanovenému fyziologickému cíli. Může se jednat o vytrvalost, maximální spotřebu kyslíku VO2 max nebo sprinterský výkon.
Na první pohled to nemusí vypadat výrazně odlišně od TrainingPeaks, podstatný rozdíl však spočívá v použitém tréninkovém modelu. Vekta neodvozuje tréninkové zóny od funkčního prahového výkonu FTP, ale soustřeďuje se na kritický výkon a hodnotu W prime.
Kritický výkon představuje nejvyšší výkon, který může jezdec udržovat bez postupného hromadění únavy. W prime označuje konečnou zásobu energie nad touto hranicí. Zjednodušeně jde o anaerobní baterii, ze které jezdec čerpá při zrychleních a sprintech.
„Podle nás poskytuje tento přístup komplexnější obraz o výkonnosti než FTP,“ říká Girard. „Dokážeme přesněji rozebrat fyziologickou cenu konkrétního úsilí, zjistit, jak hluboko jezdec sáhl do svých možností a jakou rezervu ještě má.“
Přečtěte si také
Vekta uvádí, že kombinace těchto podrobností a zpracování pomocí umělé inteligence umožňuje přesněji vyhodnotit vykonanou práci.
"Horská etapa s opakovanými krátkými stoupáními má zcela odlišnou fyziologickou cenu než dlouhá zvlněná etapa zakončená výjezdem na vrchol, přestože průměrné hodnoty výkonu mohou být podobné. Podle nás kritický výkon a W prime ukazují tento rozdíl mnohem zřetelněji," vysvětluje Girard.
"Vekta zároveň zvýrazňuje odolnost jezdce proti únavě. V současnosti jde v cyklistice o velmi často používaný pojem. Ukazuje, jak dobře si jezdec dokáže udržet výkonnost po mnoha hodinách závodění, "podotkl Girard.
Odolnost proti únavě patří mezi rozhodující vlastnosti elitních profesionálních cyklistů. Výzkum trenéra a sportovního vědce Jamese Spragga ukázal, že jezdci do 23 let dokáží v čerstvém stavu dosahovat podobných výkonů jako profesionálové. Největší rozdíl se projeví až po nahromadění výrazné únavy.
Nejlepší jezdci, především uchazeči o celková vítězství na závodech Grand Tour, dokáží produkovat vysoké výkony i po tisících kilojoulů vykonané práce.
Prokazují tak podstatně vyšší odolnost proti únavě. Její rozvoj je komplexním procesem, který zahrnuje výživu, funkční sílu, aerobní vytrvalostní trénink i vhodné genetické předpoklady.
"Vekta umožňuje analyzovat výkonové soubory při různých úrovních únavy od nuly do 50 kJ na kilogram. Před každým intervalem zároveň ukazuje, kolik kilojoulů už jezdec během tréninku vydal. Celý systém je postaven na maximálně přesném tréninku, "říká Girard.
Přečtěte si také
Křišťálová koule umělé inteligence
Girard dodává, že Vekta vedle přesnějšího tréninku pomáhá předpovědět i výkonnost: "Tímy nahrají profily GPX všech 21 etap Tour de France. Když je spojíme s individuálními výkonovými údaji jezdce, můžeme podle charakteru trasy odhadnout, čeho je schopen."
Pokud jde například o sprinterskou etapu ve zvlněném terénu, Vekta dokáže určit, kterým jezdcům by její profil mohl nejlépe vyhovovat. Během závodu lze průběžně aktualizovat i údaje o regeneraci ze zařízení Whoop nebo Oura.
Patří mezi ně variabilita srdeční frekvence, spánek i psychický stav zjišťovaný prostřednictvím dotazníku o aktuálním rozpoložení. Všechny informace vstupují do systému umělé inteligence, který trenérovi v reálném čase poskytne jasnější obraz o možnostech jezdce.
Prediktivní modelování samozřejmě není novinkou. Mnohé týmy již využívají například Best Bike Split, především při optimalizaci výběru vybavení a rozložení sil.
Zástupci Best Bike Split říkají, že při samotném modelování umělou inteligenci přímo nepoužívají, přestože při analýze dat pracují s některými prvky strojového učení. Nedávno přidali i generátor tréninků využívající AI, který je určen zejména rekreačním cyklistům.
Přečtěte si také
Analýza královské etapy
Overton patří mezi velké zastánce využívání umělé inteligence při modelování. Jako příklad uvádí 20. etapu letošní Tour de France. Královský den může rozhodnout o celkovém vítězi, pokud si Taděj Pogačar do té doby nezajistí rekordní pátý titul.
Etapa měří 171 kilometrů a vede z Bourg d'Oisans do cíle na Alpe d'Huez, kde skončí druhý den za sebou.
Mimořádně náročná trasa zahrnuje stoupání Croix de Fer, Télégraphe, Galibier a Col de Sarenne. Když favorité celkové klasifikace dorazí pod závěrečné Alpe d'Huez, budou mít v nohou přibližně 4500 výškových metrů a zároveň přes 3000 kilometrů závodění od začátku Tour.
"Jak můžeme pomocí umělé inteligence analyzovat výkon a trénink potřebný k vítězství? Musíme postupovat ve vrstvách. První vrstvou je maximální výkon na Alpe d'Huez." říká Overton.
Podle Overtona jde o zřejmý výchozí bod: "Jaký výkon se předpokládá u každého uchazeče o celkové pořadí v závěrečném stoupání? Odpověď získáme modelováním nejlepších výkonů každého jezdce v délce 30 až 45 minut a jejich přepočtem na watty na kilogram podle jeho hmotnosti v daný den."
"Druhou vrstvou je výkon pod vlivem únavy. Právě zde přestává první vrstva u většiny startovního pole fungovat. Podstatnou otázkou není, jaký výkon dokáže jezdec udržet na Alpe d'Huez s čerstvýma nohama. Potřebujeme vědět, co zvládne po 19 etapách a čtyřech."
To je otázka odolnosti proti únavě. Jaký výkon dokáže jezdec udržovat na prahové úrovni a nad ní poté, co během etapy vydá 3000, 3500 nebo 4000 kilojoulů?
Do výpočtu následně vstupuje regenerace. Jaké hodnoty musí jezdec dosahovat během prvních dvou týdnů, aby podal špičkový výkon ve třetím týdnu? Někteří téměř neztrácejí výkonnost, u jiných se prahový výkon sníží o 10 až 15 procent. Právě tento rozdíl může rozhodnout o vítězství nebo prohře na Tour de France.
Overton tvrdí, že lze provést historickou analýzu údajů každého kandidáta na celkové vítězství, především z jeho předchozích účastí na Tour de France.
Následně se dá přesně vyčíslit, jak jeho výkon klesá s přibývajícími kilojouly během etapy. Výsledkem je předpověď výkonu v závěrečném stoupání upravená podle únavy, nikoli nereálná představa založená na čerstvých nohou.
"Třetí vrstvou je modelování celkové klasifikace. V této fázi spojíme první a druhou vrstvu. Podle situace v celkovém pořadí před etapou můžeme vypočítat, jaký výkon musí jezdec udržet na Alpe d'Huez, aby smazal konkrétní časovou ztrátu nebo ubránil určitý náskok."
Model musí posoudit pravděpodobný vývoj souboje o celkové pořadí na předchozích čtyřech stoupáních, energetickou cenu těchto úseků i historický profil únavy konkrétního jezdce. Po vložení všech údajů lze zjistit, jestli se podle výpočtů dá náskok ubránit nebo ztráta smazat.
Přečtěte si také
Iluze, že nástroje jako ChatGPT a Claude poskytují kvalitní tréninkové rady
Od výsledku závisí i další otázky. Pokud jezdec vede, jaký výkon musí produkovat a jak dlouho ho potřebuje udržet? Ztrácí-li, jak daleko před vrcholem musí zaútočit a jaký výkon následně potřebuje držet? Jak se tím změní taktika týmu?
Pokud model ukáže, že jezdec nedokáže smazat ztrátu v celkové klasifikaci, jedná se o informaci, kterou chtějí sportovní ředitel a výkonnostní tým znát ještě před startem etapy.
"Přesně na takové otázky dokáží správně vytrénované modely umělé inteligence odpovědět velmi dobře av reálném čase. Analýza maximálního výkonu je však jednoduchou částí. Skutečné tajemství spočívá v tom, abychom jezdci 11 měsíců předem předepsali přesný trénink potřebný ke zvládnutí těchto nároků," dodává Overton.
"Jde o rozvoj odolnosti proti únavě, správné vyvážení tréninkového a závodního objemu a zohlednění individuální rychlosti regenerace. Právě takový drobný rozdíl může odhalit budoucího vítěze Tour de France."
Overton proto zdůrazňuje, že systém umělé inteligence může být pouze tak kvalitní jako údaje, kterými jej uživatel zásobuje.
"Vzniká iluze, že nástroje jako ChatGPT a Claude poskytují kvalitní tréninkové rady. Nejsou však vytrénovány na konkrétních trenérských datech, takže neodpovídají jako trenér nebo umělá inteligence pracující s relevantní databází. Čerpají informace ze všeobecného internetu bez účinného filtru. Dostávají se k nim údaje z Redditu, diskusí.
Přečtěte si také
Data jsou pro umělou inteligenci raketovým palivem
Overton vysvětluje, že jeho aplikace AI CoachCat vznikla na základě dlouholeté vlastní práce, během níž do systému nahrával tréninková data jezdců, své články, podcasty a tréninkové plány.
"Data jsou pro umělou inteligenci raketovým palivem. Čím více jich máte, tím více poznatků může systém přinést a tím je kvalitnější. Musí to však být správné údaje."
Pokud tedy systému neposkytnete správné suroviny, výsledný recept může skončit katastrofou. Tým Picnic PostNL proto spolupracuje se společností IG&H na vývoji aplikace, která má podporovat plánování výživy během tréninků i závodů.
„Aplikace pomocí datových modelů předpovídá energetický výdej jezdců během závodu podle informací o trase, například převýšení a vzdálenosti,“ vysvětluje Neumann.
"Podobné modely odhadují energetický výdej během tréninků na základě popisu jednotlivých jednotek. Aplikace pak pomáhá výživovým poradcům a kuchařům plánovat strategie i každodenní jídla, aby příjem energie odpovídal nárokům tréninku, závodů a regenerace."
Podobný systém již několik let využívá Visma- Lease a Bike. Výživový tým před Tour de France analyzuje trasu a vytvoří pro každou etapu sérii výživových předpovědí podle sestavy týmu a fyziologických vlastností jezdců.
Při každé etapě zohlední pravděpodobnou úlohu a cíl konkrétního závodníka, následně odhadne jeho výkon a intenzitu úsilí. Z toho dokáže vypočítat energetický výdej i spotřebu sacharidů.
Po zapojení umělé inteligence, která přihlíží i k povětrnostním podmínkám, se podle Vismy přesnost výživových předpovědí pohybuje od průměrných 52 procent až po výborných 82 procent.
Přečtěte si také
Vyhledávání talentů a virtuální modely jezdců
Umělá inteligence nemusí sloužit pouze k maximalizování aktuálního výkonu. Velký potenciál má také při hledání budoucích jezdců, jako jsou Paul Seixas nebo Mads Pedersen.
"Později v tomto měsíci spustíme akademii s jedním z týmů WorldTour. Při vyhledávání talentů budeme pracovat s velkým objemem údajů a pokusíme se předpovědět, jaké úrovně mohou jezdci dosáhnout za dva nebo tři roky," říká Girard.
Vekta není jedinou společností, která chce pomocí umělé inteligence upřesnit vyhledávání talentů. Ineos Grenadiers, který dnes působí pod názvem Netcompany Ineos, začátkem roku oznámil spolupráci se Swansea University.
Společně zkoumají, jak mohou datová věda a umělá inteligence změnit identifikaci talentovaných jezdců. Jádrem projektu je vývoj digitálních dvojčat, tedy datových profilů jezdců vytvořených kombinací interních výkonnostních údajů týmu a veřejně dostupných výsledků ze závodu.
Cílem je vybudovat automatizovaný systém schopný sledovat juniorské jezdce a upozorňovat na výjimečné výkony. Britskému týmu by tak mohl pomoci objevit budoucí hvězdy.
Akademickou část projektu vede výzkumné centrum A STEM ze Swansea, které má zkušenosti se spoluprací s elitními sportovními organizacemi včetně fotbalového klubu Swansea City a ragbyového týmu Ospreys. Přímo s cyklistickým týmem pracuje i doktorand věnovaný tomuto projektu.
Virtuální modely jezdců vytvořené z jejich reálných údajů se stále častěji využívají nejen k vyhledávání talentů, ale také při výběru nejvhodnějšího vybavení.
Týmy už nemusí ve větrném tunelu používat figuríny jezdců. Namísto nich mohou vytvořit počítačový model založený na tělesných rozměrech, stylu jízdy, výkonu, flexibilitě a aerodynamických vlastnostech konkrétního závodníka.
Umělá inteligence pak dokáže simulovat rozličné přilby, výšky ráfků, jezdecké pozice i povětrnostní podmínky ještě předtím, než jezdec vyjede na silnici.
Přečtěte si také
Umělá inteligence a Tour de France Femmes
Girard tvrdí, že umělá inteligence může výrazně změnit i ženskou Tour de France Femmes: "Spolupracujeme s týmem FDJ United Suez a Demi Vollering, abychom lépe pochopili využití umělé inteligence u žen. Zkoumáme například vliv menstruačního cyklu na výkon a regeneraci. Výsledky pomohou jezdkyním i jejich tré.
Vlivu umělé inteligence a zpětné vazby přizpůsobené ženskému tělu velmi dobře rozumí olympijská vítězka ze silničního závodu z roku 2024 Kristen Faulkner. Závodníka EF Education Oatly studovala informatiku na Harvardově univerzitě a své akademické vzdělání využila při vytvoření vlastního systému umělé inteligence.
Programováním trávila až deset hodin denně a zpracovala údaje z devíti let, které představovaly přibližně 4440 hodin tréninkové historie. Mezi biometrické údaje patřily srdeční frekvence, její variabilita, spánek, hmotnost, výkon, teplota, tréninkové zatížení, fáze menstruačního cyklu, výsledky krevních testů a vyšetření DEXA.
Přečtěte si také
"Každý model je vytrénován na mém těle. Každé zjištění vychází z mé vlastní historie a každý výsledek lze prakticky využít. Není jen zajímavý," napsala Faulkner na své webové stránce.
Fungovalo to? „Systém mi pomohl při přípravě na Panamerické mistrovství, na kterých jsem letos získala tři zlaté medaile, jednu na cestě a dvě na dráze,“ říká Faulkner.
"Dnes jsem s tréninkovou pomocí této aplikace dosáhla svého historicky nejlepšího dvacetiminutového výkonu. Umělá inteligence změní výzkum ženské výkonnosti od samotných základů a já chci být jeho součástí."
Vzhledem k její soustředěnosti a důslednosti při hledání i těch nejmenších zlepšení v každé oblasti výkonu by nebylo překvapením, kdyby Američanka za dva roky v Los Angeles obhájila olympijský titul.
Umělá inteligence má celkově potenciál výrazně urychlit vývoj cyklistiky, tedy sportu, ve kterém už dnes vládnou data.
Schopnost AI rychle analyzovat každý vytvořený ukazatel může trenérem ve WorldTour zjednodušit práci a zároveň zvýšit její účinnost.
Dokáže vytvářet konkrétní tréninkové jednotky a plány, přesnější předpovědi průběhu závodu i individuální výživová doporučení.
Overton na závěr dodává: "Sir Dave Brailsford řekl, že umělá inteligence pomůže do pěti let vyhrát Tour de France. Podle mě to budou dva roky nebo ještě méně. Do 24 měsíců bude mít každý tým WorldTour vlastní program umělé inteligence. Týmy, které si ho vybudují kvalitně, budou vyhrávat závody. Ostatní odpadnou."
