#BuenDiaCorredoresMañaneros
El título suena un poco pretencioso, pero, no lo es, la inteligencia artificial es sencilla de definir, una posible definición es la capacidad de una máquina para imitar el comportamiento humano inteligente; tradicionalmente se dice tener dos escuelas principales en este tema una que es simbólica deductiva y que se basa en el análisis estadístico del comportamiento humano ante diferentes situaciones. La segunda es la sub simbólica inductiva, la cual requiere un aprendizaje interactivo y comúnmente este aprendizaje se efectúa con datos empíricos.
Sin entrar en mayor tema técnico, en la primer línea de pensamiento, la simbólica deductiva, puede aplicarse perfectamente a cualquier deporte, en mi opinión con mayor logro principalmente a deportes de esfuerzo o largo desempeño; el triatlón es un caso de estos.
El uso de dispositivos que miden nuestros entrenos: pulsaciones, distancias, cadencia, velocidad, calorías, desplazamientos verticales y horizontales, brazadas y muchos más, nos facilita tener un razonamiento basado en evidencias, hace varias décadas existen los denominados sistemas expertos que basan en referencias previas los posibles escenarios conforme el contexto que se pueden ejecutar. Por otro lado también están los análisis basados en comportamientos, que facilita una retroalimentación para mejorar el desempeño del análisis resultado.
Ya sea porque ocupes un dispositivo electrónico donde guardas tus marcas de entrenos y competencias, puede hacerse con esto un estudio interesante, no sólo de tu evolución como deportista, pero también de los posibles escenarios de desempeño; de hecho si revisas algún dispositivo ya te hacen pronósticos de carrera y estado de VO2max.
En los deportes, ya se ocupa esto desde principios de la década de 2010, en tres áreas automatizadas: simuladores de autos, ciclismo y otros deportes que facilitan identificar y reaccionar a distintos estímulos; los ya viejos chatbots que cada vez se ven más hasta en Facebook, para responder las preguntas comunes de los aficionados o incluso dar respuesta a tweets; periodismo automatizado donde incrementaba y auto generaba reportajes para medios utilizando la historia de un jugador, juego o resultado (uno de los pioneros Fast Search and Transfer, que fue adquirida pro Microsoft) y finalmente, como algo aparte, la ropa técnica de medición, como los registradores de pulso, de pasos, escalada, surf, remo, carrera y demás en modalidad electrónico, banda o incluso camiseta o chamarra que tiene años de producirse y que en el medio lo conocen como parte del IoT (Internet of Things, internet de las Cosas), el principal valor de esta área es que adquiere una gran cantidad de datos que permiten a los otros tres inferir, deducir, inducir posibles resultados.
Los entrenadores, comúnmente hacen entrenamientos basados en los modelos aeróbicos, anaeróbicos (de capacidad o potencia) conforme ciertos parámetros de sus atletas (edad, peso, estatura, tamaño de pie y entrepierna, largo de brazos, nivel, rodada y tamaño de bicicleta, esfuerzo, volumen previo, cantidad de descanso y otros parámetros), y con ello generan los entrenamientos para ir mejorando el desempeño, en los deportistas de alto nivel es día a día; en los deportistas que además trabajamos, la situación es similar pero no con el mismo nivel de desempeño.
Desde hace tres años iniciamos un proyecto donde resguardamos datos de triatletas, particularmente los que daba el famoso reloj Garmin (ya fuera Fénix o Forerunner) y aunado a un seguimiento de peso y en algunos casos de sus cantidades de nutrición definidas por el nutriólogo en particular, cantidad de sueño y descanso, nos permitió generar algunos algoritmos, que de origen fueron bayesiano, pero evolucionaron a redes neuronales recurrentes para pronosticar el desempeño de varios de los atletas aficionados que tenemos.
El resultado ha sido bastante interesante sobre todo por la profundidad de la red creada (el origen de la red lo tomamos de lo propuesto por Sepp Hochreiter y Jürgen Schmidhuber, sólo adecuamos a las variables nuestras y ajustado conforme lo sugerido por Baccouche, Mamalet y otros en un documento que generaron llamado Aprendizaje Secuencial Profundo para la Acción Humana), permitiendo pronosticar y acertar con un nivel poco abajo de 3 sigmas (89.7%), una sorpresa para nosotros para ser francos.
Si bien la ventaja que tenemos es la cantidad de datos (un promedio de 810 eventos multideportivo por atleta analizado) nos ha facilitado el pronostico de cada uno de estos, actualmente se están integrando otras variables al modelo, temperatura, altitud, humedad; con la finalidad de mejorar el modelo; lo relevante es que está probado en atletas no profesionales, ni de alto rendimiento.
Una ventaja a favor del modelo creado es que al considerar la edad, ha generado curvas de resultados interesantes y atípicos a lo que los cursos “tradicionales” de entrenamiento dicen, sobre todo en carrera, y con interesantes nos referimos a aplanar los entrenamientos y cargas para evitar lesionar al deportista, pero que esté próximo a su marca pronosticada (el error que manejamos del pronóstico es de más menos 7%).
Estaremos sacando al publico esta aplicación, de manera gratuita próximamente, para que puedan meter sus datos y hacer sus cálculos, no sustituye a un entrenador ni a un nutriólogo, es una herramienta más que a un atleta con poco conocimiento del desempeño deportivo le pueda ayudar a saber como es que puede desempeñarse, sin embargo se necesitan al menos un tamaño de muestra de al menos 200 medidas (con variables definidas para los deportes comentados) para que sea significativo el resultado.
En paralelo estamos haciendo un modelo paralelo, que modela con base en datos similares, para que, si no tenemos todos tus datos, sí pueda hacer un pronóstico, con base en el desempeño de otras atletas similares.
Todo el modelo está hecho en R, las salidas programadas como gráficos sencillos de interpretar. Si estás interesado contáctanos vía email y podemos compartir ciertos datos para que mejore tu investigación, obviamente no los modelos, dado que llevan más de tres años de investigación a conciencia, no vaya a ser que un notable aviador del S.N.I. quiera robárselo, sin dar crédito y paga.
Si eres entrenador o deportista, espera un poco a que lo liberemos y tendrás acceso gratuito por un tiempo o volumen de atletas. Sí aclaro que esto inició como un ejercicio técnico y de probar unos temas de algoritmos aplicados, pese a los resultados obtenidos, los vemos aún como una herramienta base de apoyo para un entrenador, de hecho algunos de los que hicimos este aplicativo tenemos formación básica de entrenador y otros son entrenadores de tiempo completo, pero en algunos temas ha sesgado la herramienta entrenos que “profesionales” o “educadores” del triatlón publican o pregonan al vender sus planes vía web principalmente, en otras palabras, esperamos muchas crítica, cuestionamientos y sugerencias una vez liberado.
Este semestre 2018-2 este modelo lo iba a dar de clase en la Fac. de Ciencias UNAM, como ejemplo práctico de uso y aplicación de la inteligencia artificial y deep learning, sin embargo al ser académico de asignatura no me fue brindada la oportunidad por el H coordinador en turno. Por cierto, los modelos los desarrollamos de forma colaborativa: ingenieros, actuarios y un estudiante de matemáticas.
¿Cuántos kilómetros corriste hoy?