L’intelligence artificielle (IA) dans le sport

L’intelligence artificielle (IA) devient rapidement l’un des concepts les plus référencés dans le sport de haut niveau. On en parle dans le recrutement, dans la planification de l’entraînement, dans la prise de décision tactique et, de plus en plus, dans la nutrition sportive. Cependant, bien que ce terme soit largement utilisé, la compréhension de ce qu’est l’IA, de son fonctionnement et des mécanismes sous-jacents est souvent limitée.

Pour les praticiens travaillant dans le domaine de la performance appliquée (entraîneurs, scientifiques du sport, nutritionnistes, physiologistes de l’exercice), l’intelligence artificielle peut paraître à la fois passionnante et intimidante. Il promet des perspectives sans précédent, mais il est également décrit dans un langage qui semble très éloigné de la réalité quotidienne du soutien aux athlètes.

Cette lacune dans la compréhension est importante. Si l’IA veut contribuer de manière significative à la performance, elle doit être plus qu’un simple mot à la mode ou une fonctionnalité marketing. Il doit être compris comme un ensemble d’outils fondés sur des principes clairs, soigneusement intégrés dans la pratique appliquée et interprétés par des personnes qui comprennent le sport et le contexte. Le but de cet article n’est pas d’exagérer l’IA ou de la transformer en simple battage médiatique, mais d’expliquer comment elle fonctionne, pourquoi elle se développe si rapidement et où elle a actuellement le plus de valeur dans le sport d’élite.

Bien que souvent présentée comme une invention récente, l’intelligence artificielle progresse depuis des décennies. Alan Turing a proposé le test de Turing dans les années 1950 pour évaluer si une machine pouvait imiter de manière convaincante l’intelligence humaine (1). En 1957, le premier perceptron a été développé, précurseur des réseaux de neurones à l’origine de l’apprentissage profond moderne (2,3). La plupart des théories qui sous-tendent l’intelligence artificielle actuelle existent depuis plus d’un demi-siècle.

Ce qui a changé, ce n’est pas le concept de base, mais l’environnement qui l’entoure. Deux développements ont libéré la puissance de l’IA d’aujourd’hui :

1. L’explosion de la collecte de données, notamment via les wearables, les appareils connectés, les compteurs d’énergie et les GPS.

2. Le cloud computing, qui fournit la puissance de traitement nécessaire pour entraîner des modèles sur de grands ensembles de données.

Le cyclisme en est un exemple évident. Le passage d’enregistrements d’entraînement historiques incohérents à des fichiers et formats de compteurs de puissance standardisés signifie que les coureurs ont désormais accès à une équipe qui dispose déjà d’une décennie ou plus de données de performance structurées. Lorsque ce volume de données rencontre la puissance de calcul du cloud, l’IA devient opérationnelle plutôt que théorique.

L’IA n’est pas devenue intelligente d’un coup, elle a finalement obtenu les ressources dont elle avait besoin : le Big Data et la puissance de calcul pour en tirer des leçons. Dans le sport, cette combinaison a commencé à transformer l’information en intelligence et la théorie en pratique.

L’IA n’est pas une technologie unique, mais plutôt un ensemble de méthodes qui ont évolué sur plusieurs décennies (voir figure ci-dessus). Dans les années 1950, l’intelligence artificielle faisait simplement référence à l’idée selon laquelle les machines pourraient imiter des éléments de l’intelligence humaine. Au fil du temps, de nouvelles branches ont émergé à mesure que les données et la puissance de calcul augmentaient.

C’est là que les systèmes d’IA commencent à apprendre directement à partir des données plutôt que de s’appuyer sur des règles codées en dur. Dans le sport, cela inclut des modèles prédictifs qui apprennent les relations entre la charge de travail, la récupération et la performance, aidant ainsi les entraîneurs à prédire les réponses à l’entraînement ou les résultats des courses. L’apprentissage automatique est particulièrement adapté aux données de séries chronologiques courantes dans les sciences du sport : puissance, fréquence cardiaque, GPS, température, etc.

L’apprentissage profond est un sous-ensemble de l’apprentissage automatique qui utilise des réseaux de neurones pour modéliser des modèles complexes et non linéaires, tels que ceux que l’on trouve dans les images ou les signaux continus. Il est utilisé dans l’analyse de mouvement, la modélisation des risques de blessures ou la détection automatique d’événements dans les images de course.

La nouvelle famille s’appuie sur l’apprentissage en profondeur pour créer de nouveaux contenus, textes, images et même des simulations de données. Les modèles d’IA génératifs, tels que les grands modèles de langage (LLM), peuvent résumer ou formuler rapidement du matériel, ce qui les rend utiles pour la gestion des connaissances, la revue de la littérature ou la communication. Cependant, sa fiabilité dépend entièrement de la cohérence des informations vérifiées.

L’IA générative est aujourd’hui la forme d’IA la plus visible, mais pour les sciences appliquées du sport, l’apprentissage automatique et l’apprentissage profond restent extrêmement utiles mais encore largement inexploités. Ils travaillent silencieusement en arrière-plan, transformant des années de données de performances en prévisions exploitables. Bref, l’IA dans le sport n’est pas une chose. Il s’agit d’un continuum, depuis les premiers systèmes basés sur des règles jusqu’à l’apprentissage automatique prédictif et désormais aux modèles génératifs, chaque étape ajoutant de nouvelles fonctionnalités construites sur les mêmes fondations. Plus de détails sur l’histoire de l’intelligence artificielle peuvent être trouvés dans « L’algorithme principal de Pedro Domingo » (4).

De l’extérieur, il peut sembler que l’IA ne fait que produire les réponses. En réalité, la construction d’un modèle auquel les praticiens peuvent faire confiance est lente, laborieuse et hautement technique.

Le flux de travail d’un projet typique d’IA de performance sportive ressemble à ceci :

1. Définissez précisément le problème.

2. Collectez de grandes quantités de données pertinentes.

3. Préparer et nettoyer les données, supprimer les erreurs et combler les lacunes.

4. Fonctionnalités d’ingénieur significatives (mesures de performances, résumés de charge de travail, etc.).

5. Divisez l’ensemble de données en un ensemble d’entraînement et un ensemble de test.

6. Entraînez plusieurs modèles et comparez les performances.

7. Définissez le meilleur modèle.

8. Il a testé le modèle sur des données qu’il n’avait jamais vues auparavant.

9. Publier le modèle sous une forme accessible aux praticiens.

C’est au cours de ce processus qu’émerge le principe le plus important de l’IA : la qualité du modèle dépend de la qualité des données utilisées pour le créer.

Si les algorithmes utilisés en IA sont souvent très complexes, le travail d’un data scientist consiste rarement à inventer de nouveaux algorithmes. Dans la plupart des contextes appliqués, y compris le sport, la tâche consiste à sélectionner, adapter et affiner les modèles existants à l’aide de données spécifiques au domaine.

C’est pour cette raison que la qualité des données devient un facteur décisif. Plus les données sont complètes, cohérentes et contextuellement précises, plus les prédictions du modèle sont significatives. Dans tous les secteurs, les recherches montrent systématiquement que 60 à 70 % de l’effort total dans les projets d’IA est consacré à la collecte, au nettoyage et à la préparation des données, et non au développement d’algorithmes (5).

L’IA ne peut pas réparer les données fragmentées, incohérentes ou de mauvaise qualité ; Cela amplifie cela. Et dans le sport, où les données de performance sont souvent bruitées et hétérogènes, la plus grande valeur ne vient pas de la création de nouveaux algorithmes, mais de la construction de meilleures bases de données pour alimenter celles dont nous disposons déjà.

L’exemple le plus clair de la valeur de l’IA dans le sport d’élite est peut-être l’identification des talents dans le cyclisme. Historiquement, le dépistage était limité par la géographie, le recrutement et les opportunités : le directeur sportif assistait à quelques courses locales et recommandait des jockeys prometteurs. Le nombre d’athlètes évalués était faible et les cavaliers internationaux étaient souvent négligés.

Cependant, lorsque les athlètes ont volontairement partagé leurs fichiers de performances via des plateformes comme TrainingPeaks, des possibilités entièrement nouvelles ont émergé. Un système basé sur le cloud est conçu pour automatiquement :

• Standardisez les données de tous les athlètes.

• Calculez les scores de performance pertinents pour différents rôles de course.

• Mettez à jour la progression avec chaque nouveau fichier de formation.

• Classez des centaines d’athlètes en temps réel.

Le résultat n’est pas que l’algorithme ait remplacé l’exploration. Au lieu de cela, l’algorithme a découvert des athlètes dont les performances auraient autrement pu passer inaperçues. La leçon n’est pas que l’IA soit magique. L’IA fonctionne lorsqu’elle combine des données de haute qualité avec une interprétation humaine. Les entraîneurs et le personnel chargé de la performance continuent d’examiner les données d’un œil critique et de prendre les décisions finales ; Le modèle a simplement élargi leur champ de vision.

Au-delà de la puissance de calcul brute, le sport est devenu un terrain fertile pour l’intelligence artificielle car il inclut :

• Collecte de données à haute fréquence.

• Cycles de décision répétés.

• Des conséquences claires sur les performances.

• Avantage concurrentiel pour les premiers utilisateurs.

Le sport récompense les petites améliorations et punit l’inefficacité. Si une organisation peut contrôler 500 passagers au lieu de 50, créer des plans nutritionnels sur place plutôt que manuellement, ou identifier les changements de « préparation » avant l’apparition des symptômes, l’avantage s’accroît saison après saison. Cela explique l’élan et l’anxiété autour de l’intelligence artificielle. La question n’est plus de savoir si l’IA peut influencer les performances, mais plutôt de savoir comment les praticiens peuvent garantir que cette influence est fiable et éthique.

Vous souhaitez en savoir plus ? Regardez le fil surL’intelligence artificielle dans les sciences du sport et la nutritionAvec Kevin Yven et le professeur Asker Jeukendrup de mysportscience academy.

1. Turing, Alain. (Octobre 1950) « Machines informatiques et intelligence » M ind LIX 236 433-460.

2. Rosenblatt, Frank (janvier 1957). «Le Perceptron – Un robot perceptif et reconnaissant.» Laboratoire aéronautique de Cornell. est ce que je:10.1093/mind/LIX.236.433.

3. Rosenblatt, F. (1958). « Perception sensorielle : un modèle probabiliste de stockage et d’organisation de l’information dans le cerveau ». Revue psychologique. 65 (6) : 386-408. est ce que je:10.1037/h0042519. ISSN1939-1471. PMID 13602029.

4. Domingues, Pedro. L’algorithme maître : comment la recherche de la machine d’apprentissage ultime va remodeler notre monde. (septembre 2015).

5. Dr Scully, Gary Holt, Daniel Golovin, Eugene Davidoff, Todd Phillips, Dietmar Ebner, Vinay Choudhury, Michael Young, Jean-François Crespo, Dan Dennison. La dette technique cachée dans les systèmes d’apprentissage automatique progresse dans les systèmes de traitement de l’information neuronale28 (NIPS 2015).