Als sponsor van de renners van Team Visma | Lease a Bike is de naam van Visma al een aantal jaren goed zichtbaar in het peloton. Achter de schermen gaat Visma nog een stapje verder om het team te helpen optimaal te presteren: voor, tijdens en na wedstrijden. Dat doen we met behulp van technologie die complexe problemen oplost.
Zo heeft Visma in de Tour van 2024 een innovatieve Control Room gelanceerd. Deze hypermoderne mobiele bus, uitgerust met de nieuwste technologieën en apparatuur, fungeert als een centrale hub voor realtime gegevensverzameling en -analyse, waardoor Team Visma | Lease a Bike elke race op de voet kan volgen dankzij de snelle beschikbaarheid van openbare data. Ook hebben we een AI-oplossing ontwikkeld die Team Visma | Lease a Bike helpt om betere voorspellingen te doen over hoeveel voeding renners op welk moment precies nodig hebben. In dit artikel leg ik uit hoe deze oplossing de nauwkeurigheid van deze voorspellingen flink heeft verbeterd.
Voeding voor de finish
Voorheen begonnen coaches meer dan drie weken van tevoren met het inschatten van de benodigde calorieën voor elke renner en elke etappe. Ze baseerden zich daarbij op informatie zoals het etappeprofiel, de body-mass index van de renners, de hoogte en de totale afstand. Deze berekeningen werden handmatig uitgevoerd.
Op het parcours spelen echter onvoorziene factoren een grote rol in de energiebehoefte van de renners. Het weer kan bijvoorbeeld extra inspanning vereisen, of de teamstrategie moet worden aangepast aan veranderende omstandigheden. Dit maakte het noodzakelijk om de schattingen voor elke etappe voortdurend te herzien, wat veel tijd kostte. Daarom besloten we te onderzoeken hoe we het werk van zowel coaches als renners konden vereenvoudigen door de voedingsberekeningen te automatiseren.
Want om de best mogelijke voeding te kunnen bieden, moeten we precies weten wat elke renner op een specifieke dag nodig heeft.
AI als oplossing
De eerste stap was het verzamelen van de benodigde gegevens. Een Garmin-apparaat op de fiets levert actuele gegevens zoals totale afstand en hoogtemeters voor elke race. Een crank-gebaseerde vermogensmeter geeft een nauwkeurige berekening van de verbrande calorieën. We maken gebruik van een TCX-bestand met GPS-coördinaten dat statistieken geeft over het raceprofiel, inclusief afstand, hoogtemeters, moeilijkheidsgraad en andere relevante informatie.
We verzamelen ook informatie over het gewicht, de lengte en de rol van de renners (bijvoorbeeld sprinter of klimmer) en houden rekening met de weersomstandigheden. Door de weersvoorspelling te combineren met GPS-informatie en de locatie van de renner, kunnen we het effect van de wind berekenen, zoals rugwind of tegenwind.
Het verzamelen en visualiseren van gegevens wordt mogelijk gemaakt door Smartbase, een gegevensbeheer- en analyseplatform voor sporters. Coaches voeren de actuele gegevens in deze omgeving in, waarna wij deze gegevens gebruiken voor onze prognoses. Voorbewerking van de gegevens en het verwijderen van uitschieters zijn cruciaal. Zo kan een fietser bijvoorbeeld vergeten zijn Garmin-apparaat uit te zetten, waardoor we de “ruis” uit de dataset moeten verwijderen. We normaliseren variabelen zoals vermogen, energie en hoogte om etappes en wedstrijden beter te kunnen vergelijken.
We passen supervised learning toe met behulp van trainingsvoorbeelden om ons algoritme te trainen in het voorspellen van calorieverbruik. Dit betreft een regressieprobleem en na evaluatie hebben we random forest geselecteerd als het meest geschikte algoritme voor deze taak.
Veel hogere nauwkeurigheid van voorspellingen
Hoe nauwkeurig is het resulterende model? We hebben verschillende maatstaven gebruikt om de prestaties te evalueren, zoals de R-kwadraat. Deze maatstaf meet de mate van de relatie tussen het model en de afhankelijke variabele (calorieën) op een schaal van 0-100%.
Het AI-model behaalde een nauwkeurigheidsscore van 80-85%, terwijl de handmatige voorspellingen rond de 50% scoorden. Dit betekent dat coaches de resultaten nu in een fractie van een seconde krijgen, wat niet alleen de nauwkeurigheid verbetert maar ook kostbare tijd bespaart.
Dankzij de door AI aangedreven calorieramingen duurt het invullen nu slechts enkele minuten voor een hele week aan wedstrijden. Het model voert zijn berekeningen uit en de coach ontvangt de resultaten binnen enkele seconden. Voorheen nam dit proces uren in beslag. Renners krijgen hun individuele en geoptimaliseerde voedingsadviezen voor elke maaltijd direct in de Food Coach app, wat cruciaal is om onze wielrenners te helpen excelleren.