Umelá inteligencia môže rozhodovať o víťazoch Tour de France. Ako AI mení profesionálnu cyklistiku
14. etapa Tour de France 2026. Foto: A.S.O./Charly López
Pokročilé analytické nástroje pomáhajú tímom na Tour de France prekračovať hranice tradičných trénerských metód.
Údaje o výkone kombinujú s podmienkami prostredia a ukazovateľmi regenerácie, vďaka čomu získavajú komplexnejší obraz o pripravenosti jazdcov a nachádzajú ďalšie možnosti na dosiahnutie drobných výkonnostných zlepšení.
„Mám teóriu, že je to celé len dymová clona. UAE Emirates XRG údajne používa umelú inteligenciu už celé roky, Visma Lease a Bike spolupracuje so spoločnosťou Mistral a Ineos si prizval Netcompany. Okrem ich tlačových správ však vôbec netušíme, ako ju využívajú. Je to zvláštne, pretože ľudia v cyklistike po prvé nedokážu veľmi dobre udržať tajomstvo a po druhé majú vždy niečo na predaj.“
Takto reagoval Frank Overton, zakladateľ spoločnosti FasCat Coaching, na otázku o využívaní umelej inteligencie medzi profesionálmi.
Overton má v oblasti práce s dátami náskok. Jeho trénerská spoločnosť už niekoľko rokov ponúka podporu založenú na vlastnom systéme umelej inteligencie.
Podrobnosti o tom, ako tieto technológie fungujú v profesionálnej cyklistike, poskytol tím Picnic PostNL.
Prečítajte si tiež
Presnejší tréning, lepšie výsledky
„Analýza dát a umelá inteligencia zohrávajú v tíme Picnic PostNL čoraz dôležitejšiu úlohu pri optimalizácii výkonu aj rozvoja jazdcov,“ vysvetľuje vedúca vedeckého oddelenia tímu Narelle Neumann.
„Každý jazdec denne nahráva tréningové súbory s tisíckami riadkov údajov, medzi ktoré patria výkon, srdcová frekvencia, kadencia, rýchlosť a nadmorská výška. Počas jednej sezóny tak vzniknú milióny dátových bodov.
„Tréningové súbory následne spracúvajú analytické modely, ktoré sledujú napríklad vývoj vzťahu medzi výkonom a srdcovou frekvenciou. Modely zohľadňujú aj vonkajšie vplyvy, ako sú teplota a nadmorská výška, vďaka čomu dokážeme lepšie pochopiť zmeny vo výkonnosti a fyziologickom stave. Keď odfiltrujeme vonkajšie faktory, môžeme spoľahlivejšie rozpoznať trendy vo výkone a regenerácii.“
„Prostredníctvom denníka zhromažďujeme aj subjektívne údaje, napríklad vnímanú úroveň regenerácie, pripravenosti a náročnosti úsilia RPE. Tím začal tieto informácie systematicky zbierať a ukladať už v roku 2012, takže dnes máme mimoriadne cennú databázu. Strojové učenie a pokročilá analytika nám z takého množstva údajov pomáhajú získavať zmysluplné poznatky a prijímať kvalifikovanejšie rozhodnutia.“
Holandský tím nedávno posilnil využívanie týchto technológií a oznámil viacročné partnerstvo s holandskou technologickou spoločnosťou IG&H. Spolupráca by mu mohla priniesť dôležité výsledky, pretože sa objavujú informácie, podľa ktorých môže Picnic bez nového investora zaniknúť.
Prečítajte si tiež
Odchod z TrainingPeaks k platforme Vekta
V stabilnejšej finančnej situácii sa nachádza Decathlon CMA CGM Paula Seixasa. Spoločne s tímami Lidl Trek, TotalEnergies a Jayco AlUla bol natoľko presvedčený, že trénerská platforma Vekta využívajúca umelú inteligenciu dokáže zlepšiť výkonnosť jazdcov, že opustil dlhoročnú autoritu v oblasti výkonových dát TrainingPeaks. Prečo?
„Vekta má viacero možností využitia a jednou z nich je presnejšie nastavenie tréningu,“ hovorí spoluzakladateľ platformy Paul Antoine Girard.
„Ako príklad si vezmime intervalový tréning, pretože moderná cestná cyklistika je postavená na intervaloch. Predstavme si, že jazdec Lidl Trek dnes počas štvorhodinovej jazdy absolvoval šesť desaťminútových intervalov. Vekta okamžite porovná výsledky s podobnými tréningami z minulosti, vyhodnotí, o koľko sa jazdec zlepšil, a ukáže, či treba daný interval upraviť.“
Vekta identifikuje nároky každého tréningu a hodnotí, ako presne jednotka zodpovedá stanovenému fyziologickému cieľu. Môže ísť o vytrvalosť, maximálnu spotrebu kyslíka VO2 max alebo šprintérsky výkon.
Na prvý pohľad to nemusí vyzerať výrazne odlišne od TrainingPeaks, podstatný rozdiel však spočíva v použitom tréningovom modeli. Vekta neodvodzuje tréningové zóny od funkčného prahového výkonu FTP, ale sústreďuje sa na kritický výkon a hodnotu W prime.
Kritický výkon predstavuje najvyšší výkon, ktorý môže jazdec udržiavať bez postupného hromadenia únavy. W prime označuje konečnú zásobu energie nad touto hranicou. Zjednodušene ide o anaeróbnu batériu, z ktorej jazdec čerpá pri zrýchleniach a šprintoch.
„Podľa nás poskytuje tento prístup komplexnejší obraz o výkonnosti ako FTP,“ hovorí Girard. „Dokážeme presnejšie rozobrať fyziologickú cenu konkrétneho úsilia, zistiť, ako hlboko jazdec siahol do svojich možností a akú rezervu ešte má.“
Prečítajte si tiež
Vekta uvádza, že kombinácia týchto podrobností a spracovania pomocou umelej inteligencie umožňuje presnejšie vyhodnotiť vykonanú prácu.
„Horská etapa s opakovanými krátkymi stúpaniami má úplne odlišnú fyziologickú cenu ako dlhá zvlnená etapa zakončená výjazdom na vrchol, hoci priemerné hodnoty výkonu môžu byť podobné. Podľa nás kritický výkon a W prime ukazujú tento rozdiel oveľa zreteľnejšie,“ vysvetľuje Girard.
„Vekta zároveň zvýrazňuje odolnosť jazdca proti únave. V súčasnosti ide v cyklistike o veľmi často používaný pojem. Ukazuje, ako dobre si jazdec dokáže udržať výkonnosť po mnohých hodinách pretekania,“ podotkol Girard.
Odolnosť proti únave patrí medzi rozhodujúce vlastnosti elitných profesionálnych cyklistov. Výskum trénera a športového vedca Jamesa Spragga ukázal, že jazdci do 23 rokov dokážu v čerstvom stave dosahovať podobné výkony ako profesionáli. Najväčší rozdiel sa prejaví až po nahromadení výraznej únavy.
Najlepší jazdci, predovšetkým uchádzači o celkové víťazstvá na pretekoch Grand Tour, dokážu produkovať vysoké výkony aj po tisícoch kilojoulov vykonanej práce.
Preukazujú tak podstatne vyššiu odolnosť proti únave. Jej rozvoj je komplexným procesom, ktorý zahŕňa výživu, funkčnú silu, aeróbny vytrvalostný tréning aj vhodné genetické predpoklady.
„Vekta umožňuje analyzovať výkonové súbory pri rôznych úrovniach únavy od nuly do 50 kJ na kilogram. Pred každým intervalom zároveň ukazuje, koľko kilojoulov už jazdec počas tréningu vydal. Celý systém je postavený na maximálne presnom tréningu,“ hovorí Girard.
Prečítajte si tiež
Krištáľová guľa umelej inteligencie
Girard dodáva, že Vekta popri presnejšom tréningu pomáha predpovedať aj výkonnosť: „Tímy nahrajú profily GPX všetkých 21 etáp Tour de France. Keď ich spojíme s individuálnymi výkonovými údajmi jazdca, môžeme podľa charakteru trasy odhadnúť, čoho je schopný.“
Ak ide napríklad o šprintérsku etapu vo zvlnenom teréne, Vekta dokáže určiť, ktorým jazdcom by jej profil mohol najviac vyhovovať. Počas pretekov možno priebežne aktualizovať aj údaje o regenerácii zo zariadení Whoop alebo Oura.
Patria medzi ne variabilita srdcovej frekvencie, spánok aj psychický stav zisťovaný prostredníctvom dotazníka o aktuálnom rozpoložení. Všetky informácie vstupujú do systému umelej inteligencie, ktorý trénerovi v reálnom čase poskytne jasnejší obraz o možnostiach jazdca.
Prediktívne modelovanie samozrejme nie je novinkou. Mnohé tímy už využívajú napríklad Best Bike Split, predovšetkým pri optimalizácii výberu vybavenia a rozloženia síl.
Zástupcovia Best Bike Split hovoria, že pri samotnom modelovaní umelú inteligenciu priamo nepoužívajú, hoci pri analýze dát pracujú s niektorými prvkami strojového učenia. Nedávno pridali aj generátor tréningov využívajúci AI, ktorý je určený najmä rekreačným cyklistom.
Prečítajte si tiež
- Eddy Merckx jedol šunku, syr a steaky. Ako vyzerajú raňajky cyklistov na Tour de France v roku 2026?
Analýza kráľovskej etapy
Overton patrí medzi veľkých zástancov využívania umelej inteligencie pri modelovaní. Ako príklad uvádza 20. etapu tohtoročnej Tour de France. Kráľovský deň môže rozhodnúť o celkovom víťazovi, pokiaľ si Tadej Pogačar dovtedy nezaistí rekordný piaty titul.
Etapa meria 171 kilometrov a vedie z Bourg d’Oisans do cieľa na Alpe d’Huez, kde sa skončí už druhý deň za sebou.
Mimoriadne náročná trasa zahŕňa stúpania Croix de Fer, Télégraphe, Galibier a Col de Sarenne. Keď favoriti celkovej klasifikácie dorazia pod záverečné Alpe d’Huez, budú mať v nohách približne 4500 výškových metrov a zároveň cez 3000 kilometrov pretekania od začiatku Tour.
„Ako môžeme pomocou umelej inteligencie analyzovať výkon a tréning potrebný na víťazstvo? Musíme postupovať vo vrstvách. Prvou vrstvou je maximálny výkon na Alpe d’Huez.“ hovorí Overton.
Podľa Overtona ide o zrejmý východiskový bod: „Aký výkon sa predpokladá pri každom uchádzačovi o celkové poradie v záverečnom stúpaní? Odpoveď získame modelovaním najlepších výkonov každého jazdca v dĺžke 30 až 45 minút a ich prepočtom na watty na kilogram podľa jeho hmotnosti v daný deň.“
„Druhou vrstvou je výkon pod vplyvom únavy. Práve tu prestáva prvá vrstva pri väčšine štartového poľa fungovať. Podstatnou otázkou nie je, aký výkon dokáže jazdec udržať na Alpe d’Huez s čerstvými nohami. Potrebujeme vedieť, čo zvládne po 19 etapách a štyroch náročných stúpaniach absolvovaných v ten istý deň.“
To je otázka odolnosti proti únave. Aký výkon dokáže jazdec udržiavať na prahovej úrovni a nad ňou po tom, ako počas etapy vydá 3000, 3500 alebo 4000 kilojoulov?
Do výpočtu následne vstupuje regenerácia. Aké hodnoty musí jazdec dosahovať počas prvých dvoch týždňov, aby podal špičkový výkon v treťom týždni? Niektorí takmer nestrácajú výkonnosť, pri iných sa prahový výkon zníži o 10 až 15 percent. Práve tento rozdiel môže rozhodnúť o víťazstve alebo prehre na Tour de France.
Overton tvrdí, že možno vykonať historickú analýzu údajov každého kandidáta na celkové víťazstvo, predovšetkým z jeho predchádzajúcich účastí na Tour de France.
Následne sa dá presne vyčísliť, ako jeho výkon klesá s pribúdajúcimi kilojoulmi počas etapy. Výsledkom je predpoveď výkonu v záverečnom stúpaní upravená podľa únavy, nie nereálna predstava založená na čerstvých nohách.
„Treťou vrstvou je modelovanie celkovej klasifikácie. V tejto fáze spojíme prvú a druhú vrstvu. Podľa situácie v celkovom poradí pred etapou môžeme vypočítať, aký výkon musí jazdec udržať na Alpe d’Huez, aby zmazal konkrétnu časovú stratu alebo ubránil určitý náskok.“
Model musí posúdiť pravdepodobný vývoj súboja o celkové poradie na predchádzajúcich štyroch stúpaniach, energetickú cenu týchto úsekov aj historický profil únavy konkrétneho jazdca. Po vložení všetkých údajov možno zistiť, či sa podľa výpočtov dá náskok ubrániť alebo strata zmazať.
Prečítajte si tiež
Ilúzia, že nástroje ako ChatGPT a Claude poskytujú kvalitné tréningové rady
Od výsledku závisia aj ďalšie otázky. Ak jazdec vedie, aký výkon musí produkovať a ako dlho ho potrebuje udržať? Ak stráca, ako ďaleko pred vrcholom musí zaútočiť a aký výkon následne potrebuje držať? Ako sa tým zmení taktika tímu?
Ak model ukáže, že jazdec nedokáže zmazať stratu v celkovej klasifikácii, ide o informáciu, ktorú chcú športový riaditeľ a výkonnostný tím poznať ešte pred štartom etapy.
„Presne na takéto otázky dokážu správne vytrénované modely umelej inteligencie odpovedať veľmi dobre a v reálnom čase. Analýza maximálneho výkonu je však jednoduchou časťou. Skutočné tajomstvo spočíva v tom, aby sme jazdcovi 11 mesiacov vopred predpísali presný tréning potrebný na zvládnutie týchto nárokov,“ dodáva Overton.
„Ide o rozvoj odolnosti proti únave, správne vyváženie tréningového a pretekového objemu a zohľadnenie individuálnej rýchlosti regenerácie. Práve takýto drobný rozdiel môže odhaliť budúceho víťaza Tour de France.“
Overton preto zdôrazňuje, že systém umelej inteligencie môže byť iba taký kvalitný ako údaje, ktorými ho používateľ zásobuje.
„Vzniká ilúzia, že nástroje ako ChatGPT a Claude poskytujú kvalitné tréningové rady. Nie sú však vytrénované na konkrétnych trénerských dátach, takže neodpovedajú ako tréner alebo umelá inteligencia pracujúca s relevantnou databázou. Čerpajú informácie zo všeobecného internetu bez účinného filtra. Dostávajú sa k nim údaje z Redditu, diskusných fór a množstva ďalších zdrojov. Chýba tam odborné vedenie.“
Prečítajte si tiež
Dáta sú pre umelú inteligenciu raketovým palivom
Overton vysvetľuje, že jeho aplikácia AI CoachCat vznikla na základe dlhoročnej vlastnej práce, počas ktorej do systému nahrával tréningové údaje jazdcov, svoje články, podcasty a tréningové plány.
„Dáta sú pre umelú inteligenciu raketovým palivom. Čím viac ich máte, tým viac poznatkov môže systém priniesť a tým je kvalitnejší. Musia to však byť správne údaje.“
Ak teda systému neposkytnete správne suroviny, výsledný recept sa môže skončiť katastrofou. Tím Picnic PostNL preto spolupracuje so spoločnosťou IG&H na vývoji aplikácie, ktorá má podporovať plánovanie výživy počas tréningov aj pretekov.
„Aplikácia pomocou dátových modelov predpovedá energetický výdaj jazdcov počas pretekov podľa informácií o trase, napríklad prevýšenia a vzdialenosti,“ vysvetľuje Neumann.
„Podobné modely odhadujú energetický výdaj počas tréningov na základe opisu jednotlivých jednotiek. Aplikácia potom pomáha výživovým poradcom a kuchárom plánovať stratégie aj každodenné jedlá, aby príjem energie zodpovedal nárokom tréningu, pretekov a regenerácie.“
Podobný systém už niekoľko rokov využíva Visma-Lease a Bike. Výživový tím pred Tour de France analyzuje trasu a vytvorí pre každú etapu sériu výživových predpovedí podľa zostavy tímu a fyziologických vlastností jazdcov.
Pri každej etape zohľadní pravdepodobnú úlohu a cieľ konkrétneho pretekára, následne odhadne jeho výkon a intenzitu úsilia. Z toho dokáže vypočítať energetický výdaj aj spotrebu sacharidov.
Po zapojení umelej inteligencie, ktorá prihliada aj na poveternostné podmienky, sa podľa Vismy presnosť výživových predpovedí pohybuje od priemerných 52 percent až po výborných 82 percent.
Prečítajte si tiež
Vyhľadávanie talentov a virtuálne modely jazdcov
Umelá inteligencia nemusí slúžiť iba na maximalizovanie aktuálneho výkonu. Veľký potenciál má aj pri hľadaní budúcich jazdcov, akými sú Paul Seixas alebo Mads Pedersen.
„Neskôr v tomto mesiaci spustíme akadémiu s jedným z tímov WorldTour. Pri vyhľadávaní talentov budeme pracovať s veľkým objemom údajov a pokúsime sa predpovedať, akú úroveň môžu jazdci dosiahnuť o dva alebo tri roky,“ hovorí Girard.
Vekta nie je jedinou spoločnosťou, ktorá chce pomocou umelej inteligencie spresniť vyhľadávanie talentov. Ineos Grenadiers, ktorý dnes pôsobí pod názvom Netcompany Ineos, začiatkom roka oznámil spoluprácu so Swansea University.
Spoločne skúmajú, ako môžu dátová veda a umelá inteligencia zmeniť identifikáciu talentovaných jazdcov. Jadrom projektu je vývoj digitálnych dvojčiat, teda dátových profilov jazdcov vytvorených kombináciou interných výkonnostných údajov tímu a verejne dostupných výsledkov z pretekov.
Cieľom je vybudovať automatizovaný systém schopný sledovať juniorských jazdcov a upozorňovať na výnimočné výkony. Britskému tímu by tak mohol pomôcť objaviť budúce hviezdy.
Akademickú časť projektu vedie výskumné centrum A STEM zo Swansea, ktoré má skúsenosti so spoluprácou s elitnými športovými organizáciami vrátane futbalového klubu Swansea City a ragbyového tímu Ospreys. Priamo s cyklistickým tímom pracuje aj doktorand venovaný tomuto projektu.
Virtuálne modely jazdcov vytvorené z ich reálnych údajov sa čoraz častejšie využívajú nielen na vyhľadávanie talentov, ale aj pri výbere najvhodnejšieho vybavenia.
Tímy už nemusia vo veternom tuneli používať figuríny jazdcov. Namiesto nich môžu vytvoriť počítačový model založený na telesných rozmeroch, štýle jazdy, výkone, flexibilite a aerodynamických vlastnostiach konkrétneho pretekára.
Umelá inteligencia potom dokáže simulovať rozličné prilby, výšky ráfikov, jazdecké pozície aj poveternostné podmienky ešte predtým, ako jazdec vyjde na cestu.
Prečítajte si tiež
Umelá inteligencia a Tour de France Femmes
Girard tvrdí, že umelá inteligencia môže výrazne zmeniť aj ženskú Tour de France Femmes: „Spolupracujeme s tímom FDJ United Suez a Demi Vollering, aby sme lepšie pochopili využitie umelej inteligencie pri ženách. Skúmame napríklad vplyv menštruačného cyklu na výkon a regeneráciu. Výsledky pomôžu jazdkyniam aj ich trénerom.“
Vplyvu umelej inteligencie a spätnej väzby prispôsobenej ženskému telu veľmi dobre rozumie olympijská víťazka z cestných pretekov z roku 2024 Kristen Faulkner. Pretekárka EF Education Oatly študovala informatiku na Harvardovej univerzite a svoje akademické vzdelanie využila pri vytvorení vlastného systému umelej inteligencie.
Programovaním trávila až desať hodín denne a spracovala údaje z deviatich rokov, ktoré predstavovali približne 4440 hodín tréningovej histórie. Medzi biometrické údaje patrili srdcová frekvencia, jej variabilita, spánok, hmotnosť, výkon, teplota, tréningové zaťaženie, fázy menštruačného cyklu, výsledky krvných testov a vyšetrenia DEXA.
Prečítajte si tiež
„Každý model je vytrénovaný na mojom tele. Každé zistenie vychádza z mojej vlastnej histórie a každý výsledok sa dá prakticky využiť. Nie je iba zaujímavý,“ napísala Faulkner na svojej webovej stránke.
Fungovalo to? „Systém mi pomohol pri príprave na Panamerické majstrovstvá, na ktorých som tento rok získala tri zlaté medaily, jednu na ceste a dve na dráhe,“ hovorí Faulkner.
„Dnes som s tréningovou pomocou tejto aplikácie dosiahla svoj historicky najlepší dvadsaťminútový výkon. Umelá inteligencia zmení výskum ženskej výkonnosti od samotných základov a ja chcem byť jeho súčasťou.“
Vzhľadom na jej sústredenosť a dôslednosť pri hľadaní aj tých najmenších zlepšení v každej oblasti výkonu by nebolo prekvapením, keby Američanka o dva roky v Los Angeles obhájila olympijský titul.
Umelá inteligencia má celkovo potenciál výrazne urýchliť vývoj cyklistiky, teda športu, v ktorom už dnes vládnu dáta.
Schopnosť AI rýchlo analyzovať každý vytvorený ukazovateľ môže trénerom vo WorldTour zjednodušiť prácu a zároveň zvýšiť jej účinnosť.
Dokáže vytvárať konkrétne tréningové jednotky a plány, presnejšie predpovede priebehu pretekov aj individuálne výživové odporúčania.
Overton na záver dodáva: „Sir Dave Brailsford povedal, že umelá inteligencia pomôže do piatich rokov vyhrať Tour de France. Podľa mňa to budú dva roky alebo ešte menej. Do 24 mesiacov bude mať každý tím WorldTour vlastný program umelej inteligencie. Tímy, ktoré si ho vybudujú kvalitne, budú vyhrávať preteky. Ostatné odpadnú.“
