Denne artikel blev først udgivet i 2021 og er blevet opdateret.
Verdens største cykelløb er i gang, og som sponsor for Team Jumbo-Visma er vi naturligvis begejstrede over at stå bag de forsvarende vindere af den gule trøje, mens de kæmper sig over målstregen endnu en gang. Men vidste du, at vi i Visma har taget vores rolle som sponsor et skridt videre ved at hjælpe holdet til at kunne præstere bedst muligt under løbene?
At udvikle software, der løser komplekse problemer, er det, vi er bedst til. Og uanset om det handler om at bestige den stejleste bakke eller udvikle en avanceret algoritme, er samarbejde afgørende. Så det var oplagt for os at gå sammen med Team Jumbo-Visma og udvikle en løsning til at optimere deres præstationer.
Brændstof til målstregen
Tidligere ville Team Jumbo-Vismas trænere gå i gang med at forberede deres ernæringsberegninger mere end tre uger i forvejen for at sikre tilstrækkelige vurderinger per rytter per etape. Med information om etapens profil, rytternes BMI, etapens stigningsprocent og den samlede distance kunne de manuelt nå frem til en beregning. Men ude på ruten vil uforudsete faktorer næsten altid påvirke, hvor meget energi rytterne brugte. Vejret kan f.eks. få rytterne til at yde mere, eller måske skal holdets taktik ændres på grund af andre omstændigheder.
Det betød, at trænerne ofte måtte revurdere deres estimater inden hver etape, og det var forståeligt nok en meget tidskrævende øvelse. Så vi besluttede i samarbejde med Team Jumbo-Visma at se, hvordan vi kunne forenkle både trænernes og rytternes liv og optimere beregningerne for rytternes ernæringsindtag ved hjælp af kunstig intelligens.
“Hvis vi vil sikre den bedst mulige ernæring, har vi brug for at vide præcis, hvad den enkelte rytter har brug for på en given dag.”
Martijn Redegeld, Performance Nutritionist hos Team Jumbo-Visma
Maskinlæring til undsætning
Det første skridt var at indsamle de nødvendige data. En Garmin-enhed på cyklen giver os de faktiske data (som samlet distance og stigningsmeter) for hvert løb. En krankbaseret watt-måler giver os også en præcis beregning af de forbrændte kalorier. Vi har en TCX-fil med GPS-koordinater, som giver os metrikker om løbets profil (distance, stigningsmeter, sværhedsgrad osv.).
Vi har også oplysninger om rytternes vægt, højde og rolle (om de er sprintere eller bjergryttere, f.eks.). Endelig tager vi hensyn til vejret. Ved at kombinere vejrudsigt med GPS-oplysninger og rytternes placering kan vi beregne vindens virkning – om det er medvind eller modvind.
Indsamling og visualisering af data drives af Smartbase, en datamanagement- og analyseplatform for atleter. Trænerne bruger denne platform til at indtaste de faktiske data. Vi bruger derefter disse data til at forberede prognoserne. En del af arbejdet indebærer også forbehandling af disse data og fjernelse af outliers. For eksempel kan en rytter glemme at slukke sin Garmin-enhed, så vi skal udelukke “støj” fra datasættet. Vi har også gjort nogle forhold relative, som f.eks. effekt, energi og højdeforskel, for at gøre det nemmere at sammenligne etaper og løb.
Ved hjælp af træningseksempler anvender vi supervised learning for at lære vores algoritme resultatet af kalorieforudsigelserne. Dette er et regressionsproblem, hvilket med andre ord betyder, at svaret eller værdien er kontinuær, og for at løse det, bruger vi Random Forest, hvilket er den bedste maskinlæringsalgoritme til formålet.
Resultaterne
Så hvor præcis er resultatet af maskinlæringsmodellen? Vi har brugt forskellige metrikker til at evaluere dens præstation. For eksempel kiggede vi på R-kvadrat for vores model og de manuelle forudsigelser, der blev foretaget af trænerne. R-kvadrat måler styrken af forholdet mellem modellen og den afhængige variabel (kalorier) på en praktisk 0-100% skala.
Maskinlæringsmodellen fik en score på 82%, mens de manuelle forudsigelser fik en score på 52%. Det betyder, at trænerne nu får resultaterne på et splitsekund, hvilket forbedrer nøjagtigheden og sparer værdifuld tid. Med beregninger baseret på maskinlæring skal trænerne nu bare indtaste rytternes kalorier i en app, der udregner de optimale proportioner for hvert måltid – et vigtigt skridt i at hjælpe vores cykelstjerner med at gøre det, de er bedst til: at yde deres bedste og opnå succes.
“For mig som træner er arbejdet blevet meget lettere og mere præcist. Maskinlæringsmodellen fik en score på 82%, mens de manuelle forudsigelser fik en score på 52%.”
Martin Redegeld
