At udvikle teknologi til at løse komplekse problemer er vores speciale. Uanset om det handler om at bestige de stejleste bakker eller udvikle avancerede algoritmer, er samarbejde afgørende. Det var derfor naturligt for os at samarbejde med Team Visma | Lease a Bike for at se, hvordan vi kunne optimere deres ydeevne.
Automatisering af kalorieberegningerne
Tidligere måtte trænere begynde kalorieestimeringer tre uger i forvejen for at sikre nøjagtighed pr. cykelrytter for hver etape. Ved brug af etappeprofiler, kropsmasseindeks, højde og distance kom de manuelt frem til beregningerne.
Uforudsete faktorer, som vejr, påvirker, hvor meget energi cykelrytterne forbruger. Dette krævede, at trænere reviderede deres estimeringer før hver etape, hvilket var tidskrævende. Vi ønskede at forenkle processen både for trænere og cykelryttere ved at forbedre beregningerne med automatisering.
“For at give den bedst mulige ernæring skal vi virkelig vide, hvad hver cykelrytter har brug for dagligt.”
– Martijn Redegeld, præstationsernæringsfysiolog
AI som redning
Første skridt var dataindsamling. En Garmin-enhed på cyklen giver faktiske data som total distance og klatrede meter. En kraftmåler giver en præcis kaloriforbrænding. En TCX-fil med GPS-koordinater giver os løbsprofilen.
Vi har også information om cykelrytternes vægt, højde og rolle (sprinter eller klatrer, for eksempel). Til sidst tager vi vejrbetingelser med. Ved at kombinere vejrudsigt med GPS og cykelrytternes placering kan vi beregne vindens effekt.
Dataindsamling og visualisering foretages via Smartbase, en datahåndteringsplatform for atleter. Trænere bruger denne til at registrere faktiske data. Dette anvendes da til at udarbejde prognoser.
For at optimere, forbehandler vi data og fjerner udstikkere for nøjagtighed. Vi gjorde nogle variabler relative, som kraft, energi og højde, for lettere at sammenligne etaper.
Ved at bruge træningsdata udføres vejledt læring for at lære algoritmen at forudsige kalorieestimeringer. Random forest blev valgt som den bedste maskinlæringsalgoritme til dette.
Resultater
Hvor nøjagtig er modellen? Vi har vurderet ydeevnen ved at se på R-squared, som viser styrken mellem modellen og kalorier. AI-modellen fik en nøjagtighedsgrad på 80-85%, mens manuelle estimeringer lå på omkring 50%. Dette gør, at trænerne får nøjagtige resultater på sekunder, sparer tid og forbedrer nøjagtigheden.
Med AI-understøttede kalorieestimeringer og en uges plan tager det få minutter at indtaste data, der giver trænere resultater på sekunder. Tidligere tog det mange timer manuelt. Rytterne får optimerede måltider direkte i Food Coach-appen, hvilket hjælper dem med at præstere.
“For mig som træner er det meget lettere med AI, og det er mere nøjagtigt.”
– Martijn Redegeld
Fremtidsperspektiver og konklusion
AI i cykelholdets ydeevneforbedring markerer et vendepunkt i teknologidrevet sportspræstation. Det giver hurtig og præcis behandling, som forbedrer strategier og leder til succes på lang sigt. I en sport, hvor sekunder tæller, giver AI-drevne kalorieestimeringer Team Visma | Lease a Bike en fordel.
Vismas støtte til innovation i sporten er afgørende for at bringe Team Visma | Lease a Bike til nye højder. Vi er ivrige efter at ligge i front med sådanne fremskridt. Kombinationen af teknologi og menneskelig udholdenhed fører til enestående præstationer – AI spiller en vigtig rolle i dette.
{{cta-1}}
Kilde: den originale artikel er publiceret på visma.com
.avif)
.avif)
