Efficiënter koersen met AI? ‘Je zult van wielrenners echt geen robots maken’

Elke ploeg begint zaterdag aan de Omloop Het Nieuwsblad met een raceplan. Maar niet elk team heeft al een AI-strategie. Die kan een grote efficiëntiewinst opleveren, zegt Steven Latré van Imec.

In oktober 2024 kondigden de UAntwerpen, de UGent en Imec, een onderzoekscentrum voor digitale technologie, een nieuwe spin-off aan: Brailsports. Dat creëerde een AI-platform dat sporters en hun coaches ondersteunt om het optimale trainingsvolume te bepalen en trainingsschema’s bij te sturen. Het platform was al operationeel bij wielerploeg Lotto Dstny, dat hielp om het dashboard te ontwikkelen.

Ondanks de steile opgang van artificiële intelligentie (AI) is dat Belgische team volgens Steven Latré, hoofd AI van Imec en medeoprichter van Brailsports, een van de weinige wielerploegen op het hoogste niveau die al een doorgedreven AI-strategie toepassen. ‘De meest kapitaalkrachtige teams – zoals Visma-Lease a Bike, Lidl-Trek en UAE Emirates, dat een eigen “Anna”-systeem heeft ontwikkeld – doen wel al een beroep op AI.

En zelfs kleinere ploegen waarvan je het niet meteen zou verwachten, zoals Cofidis. Ze beschikken via allerhande trackers en meettoestellen over bijzonder veel data van hun renners. Die databank analyseren ze ook, soms via een simpele Exceltabel, soms via meer gesofisticeerde datasystemen. Maar dat is niet hetzelfde als wat doorgedreven artificiële intelligentie doet.’

Latré vergelijkt de langzame stap van een grote database naar praktische AI-toepassingen, op velerlei domeinen binnen het wielrennen, met de intrede van het internet dertig jaar geleden. ‘We wisten toen dat het heel belangrijk zou worden, zonder te weten waar we in 2025 zouden staan. De ontwikkeling van internet verliep in sommige sectoren sneller dan in andere. Dat zie je ook nu: terwijl in het voetbal artificiële intelligentie al ingeburgerd is, staan we in het wielrennen nog maar aan het begin van de AI-revolutie. Maar de trein is wel vertrokken.’

Topsport en technologie: ‘De training van het brein is het grootste onontgonnen gebied’

Waarom zetten sommige wielerteams niet sneller de stap?

Steven Latré: Omdat managers of coaches van de oudere generatie op basis van jarenlange routines werken. ‘We hebben het altijd zo gedaan. Waarom veranderen?’ Bovendien is AI implementeren een flinke investering. Wielerteams beschikken niet over de grote budgetten zoals voetbalteams die hebben. Sommige ploegen beseffen ook nog te weinig hoe groot de efficiëntiewinst via AI kan zijn, hoe dat méér waard is dan de investering. Daarnaast heb je andere profielen nodig: geen traditionele wielercoaches die alleen veel van fysiologie kennen, maar ook data-experts. In een ideaal geval een combinatie van de twee, maar dat hoeft niet per se.

Stel: u bent ceo van een kleinere ploeg, zou u dan een renner minder aanwerven, en dat geld in een data-analist investeren?

Latré: Ik zou niet besparen op een renner, maar een trainer minder in dienst nemen. De dataverwerking en het opstellen van race- en trainingsrapporten gebeuren nu vaak nog manueel, soms zelfs met pen en papier. Dat duurt úren. De hoeveelheid data is ook zo groot geworden dat je door het bos de bomen niet meer ziet. Met AI kan dat veel sneller én efficiënter. Dan trek je beter een data-analist aan, zodat coaches meer met hun corebusiness bezig kunnen zijn: hun renners mentaal begeleiden en met de bevindingen van AI ook concreet aan de slag gaan, bijvoorbeeld door naar de achterliggende redenen van een fysiek probleem te zoeken.

Begrijpt u de scepsis van de ‘conservatieve’ coaches tegenover AI?

Latré: Ja, alleen is die scepsis onterecht. Degenen die er afkerig tegenover staan, denken dat ze veel kennis over AI nodig hebben. Voor de pure dataverwerking wel, maar niet voor de praktische toepassingen ervan. Als coach mag je artificiële intelligentie niet zien als een tool die je werk volledig overneemt. Wél zul je op termijn misschien vervangen worden door iemand die AI goed kan gebruiken, als je je er niet voor openstelt.

In het peloton waarschuwen sommigen voor de ‘robotisering’ van de renners, voor de te grote mentale belasting van veel data.

Latré: Niemand praat daarover als je met spitstechnologie een fiets aerodynamischer maakt. Maar als je met AI andere zaken verbetert, is dat ‘robotisering’. Je zult van renners echt geen robots maken. Elke renner is natuurlijk anders. De ene ligt niet wakker van de wetenschap achter de training en wil alleen weten wat hij of zij elke dag moet doen. De andere verdiept zich daar wel in. Zeker de jongeren staan er meer voor open, omdat ze ermee zijn opgegroeid. Terwijl veel dertigplussers tijdens hun jeugdjaren misschien niet eens met een vermogensmeter trainden. Als coach moet je dus goed inschatten hoeveel data je voorlegt aan je renner. Een minder goed cijfer van recuperatie of slaapkwaliteit zal sommigen misschien zo ongerust maken dat ze zich – puur psychologisch – slechter zullen voelen.

Waarin verschilt het algoritmisch model van Brailsports met sportapps die ook op AI zijn gebaseerd?

Latré: Het is een mix van AI-expertise die binnen Imec en UAntwerpen ontwikkeld werd met kennis uit de trainingsleer vanuit de UGent. We hebben intensief samengewerkt met sportfysiologen, en dat is de grote meerwaarde. Als apps en smartwatches de trainingsload van een sporter aangeven, baseren ze zich ook op de gemiddelden uit de wetenschappelijke literatuur of op één enkele inspanningsproef. Dat zijn momentopnamen waarvan de resultaten na een aantal weken training misschien al niet meer toepasbaar zijn. Ons model schat na elke training of race de vermoeidheid in aan de hand van een groot aantal datapunten. Zo kom je tot een gepersonaliseerd model en kun je trainingen accurater inschatten.

Via het dashboard van Brailsports konden de trainers bij Lotto Dstny zien dat Victor Campenaerts vermoeid begon te worden tijdens de Tour de France van vorig jaar. Hij kreeg de opdracht om zich enkele etappes kalm te houden, en won mede daardoor vervolgens een rit. Wat kon jullie AI-model opmerken wat coaches of ploegleiders vroeger niet zagen?

Latré: Het gaat vooral om efficiëntie. In de hectiek van de Tour hebben coaches niet de tijd om elke dag grondig een stortvloed van data van hun renners te analyseren. Ons platform werkt op basis van de subtiele relatie tussen slaap, hartslag – bij rust of de variabiliteit bij intensieve prikkels – en getrapte vermogens. Na een berekening van één minuut kunnen eenvoudige kleurcodes aangeven dat een renner vermoeid raakt, bijvoorbeeld omdat er onderhuids een infectie sluimert. Terwijl hij volhoudt dat dat niet zo is, en dat misschien nog niet blijkt uit zijn resultaten. Maar voor de coach kan het een signaal zijn om in te grijpen.

Kan AI naast de dagelijkse begeleiding helpen om jonge talenten op te sporen?

Latré: Ja, duizenden jeugdrenners plaatsen tegenwoordig de data van hun trainingen op het onlineplatform Strava, of op Zwift. AI kan daaruit berekenen of iemand het potentieel heeft om een goede sprinter of klimmer te worden. Op basis ook van veel verschillende parameters: die renner is op hoogte geboren, die renner traint sinds zijn zestiende al zo intensief. Of omgekeerd: die traint nog weinig, in lagehartslagzones, want dat zijn vaak de grootste verborgen parels. Je kunt dat allemaal manueel bekijken, maar met AI kun je het venster sneller en breder openzetten, om ook talenten uit niet-traditionele wielerlanden te ontdekken. Met die nuance dat AI niet kan zien of er ook een goeie ‘kop’ op een renner staat, of hij of zij responsief is voor feedback, graag traint of niet… Dat is uiteraard ook belangrijk.

Gaan we in het wielrennen naar scouting zoals in de bekende film Moneyball, waarin Billy Bean, vertolkt door acteur Brad Pitt, op basis van geavanceerde statistieken met succes spelers aantrok voor het baseballteam Oakland Athletics?

Latré: Dat staat nu nog in zijn kinderschoenen, maar ik vind dat wielerploegen dat, naast de traditionele scouting, meer zouden moeten doen. In andere sporten, zoals voetbal en basketbal, hebben clubs al via doorgedreven datarekrutering gepaste spelers gevonden.

Hoe voetbalclub Union met AI naar spelers zoekt

Kan AI ook helpen bij teamselecties voor bijvoorbeeld de Tour? Zodat je de acht beste renners kiest op basis van de match tussen hun fysiologisch profiel, hun specifieke taak en het parcours over 21 ritten?

Latré: Zeker. PACE, het AI-model dat Jan Boone (hoofddocent aan de vakgroep bewegings-en sportwetenschappen van de UGent, nvdr) heeft ontworpen, kan daar onder meer voor dienen. Dat schat in waarvoor de ‘batterij’ van een renner het meest geschikt is. Om op kop van het peloton te rijden, om de sprint aan te trekken, om korte hellingen op te knallen of om bergop lang mee te gaan. Zo kun je de beste combinatie van renners vinden voor een homogeen team. Dat valt relatief eenvoudig te berekenen, maar het wordt nog weinig toegepast. Ook op dat vlak zie je het old-schooleffect. Met ook hier de nuance dat je rekening moet houden met karakters. Met acht egoïsten die alleen fysiek goed bij elkaar passen, kom je nergens.

Volgens UAE Team Emirates heeft hun Anna-systeem ritten in de Tour gesimuleerd met 3D-renners en met de wattages die Tadej Pogacar heeft getrapt. Daaruit zouden ze veel ‘nieuwe inzichten’ hebben gehaald over het raceverloop. Ze zouden aan ‘Anna’ ook hebben gevraagd hoe je Milaan-Sanremo moet winnen. Is dat mogelijk?

Latré: De beste racestrategie inschatten is vele malen moeilijker dan een puur fysieke prestatie via AI interpreteren. Hoe simuleer je bijvoorbeeld wie wanneer zal demarreren? Niet altijd wint de sterkste in een koers, wel de slimste, op basis van koersinzicht. Dat in een AI-model gieten is niet zo makkelijk. Wél kun je uitrekenen hoe je op de snelste manier een helling zoals de Poggio kunt oprijden. Of zelfs in real time tijdens de koers: hoeveel voorsprong je een vluchtersgroep mag geven aan de hand van de fysieke profielen van de renners in die groep en het parcours.

Hoe groot is het braakliggend terrein van AI in het wielrennen?

Latré: We kunnen veel gegevens, afzonderlijk van elkaar, meten: wattages, hartslag, hartslagvariabiliteit, lactaat, slaapkwaliteit, verbruikte calorieën. Subjectiever zijn de data over hoe iemand zich voelt, wat de concrete impact is van voedsel op glucose in het bloed of op de trainingsintensiteit. Vele tientallen variabelen spelen op elkaar in. Bovendien in steeds wijzigende omstandigheden, qua parcours, hoogte, temperatuur. Je kunt in een lab, in een vast protocol, wel dingen meten maar de praktijk is telkens anders. De invloed van al die parameters op elkaar vormt een gigantische knoop. Die ontwarren en van daaruit een volledig geautomatiseerd trainingsschema met AI opstellen, daar zijn we nog niet.

Wie wint de Ronde? Artificiële intelligentie geeft het antwoord