Een wereldwijde revolutie wordt het genoemd, het antwoord op elke vraag, het orakel van oneindige kennis: chatbots gebaseerd op kunstmatige intelligentie kunnen alles en weten alles. Kan AI dan ook een trainingsschema maken dat je richting die grote fietstocht in topvorm brengt? Het antwoord is positief, mits je speciaal daarvoor gemaakte apps gebruikt en niet een algemene chatbot.

Het lijkt de oplossing voor bijna alles. Vraag het gewoon aan je favoriete AI-orakel en je kunt weer een paar weken of maanden verder. Of het nou ChatGPT, Jasper of Google Gemini is, er rolt altijd wel iets uit. En om de ballon meteen maar door te prikken: dat is nou precies het probleem. Dat stellen Jim van den Berg van de wieler-trainingsapp JOIN en Jonatan Samoocha, die zich al sinds de jaren 90 bezighoudt met kunstmatige intelligentie. ChatGPT gebruiken voor trainingsplannen vinden ze een slecht idee. 

Dat wil ook niet weer zeggen dat je niets aan AI zou hebben. Het gebruik ervan, of liever gezegd machine learning, maakt de laatste jaren ongekend veel mogelijk. Niet alleen voor de prof, ook voor de amateursporter, die dankzij AI veel doelgerichter kan trainen. Daarover later meer. Eerst nog even mogelijke misverstanden uit de weg ruimen.

“Als je het vergelijkt met een handleiding voor een broodrooster, dan is dit een goed schema”, is het vernietigende maar heldere oordeel van bewegingswetenschapper en oud-prof Van den Berg over een in ChatGPT gefabriceerd schema, dat een kennis mij een aantal maanden geleden onder de neus drukte. “Het is een beetje alsof je aan je slager vraagt om een schema te maken. Je kunt toevallig een slager tegenkomen die er heel erg veel verstand van heeft, maar dat is dan puur toeval”, zo beoordeelt hij de trainerskunsten van de bekende AI-tool. 

Hij vervolgt: “AI is een containerbegrip. We zitten nu in een soort hausse waar iedereen het erover heeft. Maar die bierbrouwer die met ChatGPT nieuwe recepten bedenkt, doet iets heel anders dan wat ze bijvoorbeeld vijf jaar geleden al maakten met het Chinese bordspel Go. Dat deed echt dingen die nieuw waren, zoals bewust proberen de tegenstander op het verkeerde been te zetten en spelpatronen leren.”

Niet onder de indruk

Jonatan Samoocha is als wetenschapper al een kleine dertig jaar bezig met wat we nu kennen als kunstmatige intelligentie en is goed thuis in softwarematige toepassingen hiervan in de sport. Hij is niet onder de indruk van het sportieve potentieel van de ChatGPT. “Je kunt het, zoals Jim zegt, aan de slager vragen of een random zoekopdracht doen op Google en daar het beste resultaat van gebruiken. Dat zou toevallig een beetje bij een persoon kunnen passen, maar dan houdt het ook op. Zo’n model heeft namelijk geen toegang tot fysiologische data van iemand, nog niet tenminste.”

“ChatGPT weet überhaupt niet wat je gisteren hebt gedaan”, vult Jim kritisch aan. “Dan zou je het systeem elke dag moeten leren wat je hebt gedaan. En dan nog heb je het probleem welke variabelen je inlaadt, zodat het jouw schema kan maken. Dat weet een bewegingswetenschapper met specifieke kennis wel en die kennis heb je nodig. En je moet goede prompts kunnen invoeren om tot een zo’n optimaal mogelijke output te komen.”

“Zo’n model als ChatGPT snapt niets en weet absoluut niets van fysiologie”, vervolgt Jonatan. “Het heeft geleerd van internet hoe mensen praten over fysiologie en over trainen. Het kan mooi copy-pasten uit online gesprekken of adviezen van wat er aan tekst is gedeeld tussen mensen. Het heeft geen enkel begrip van de inhoud. Een anekdote van laatst, ging over het allernieuwste ChatGPT-model, waaraan iemand vroeg naar het recept van bepaalde koekjes. Eén van de waanzinnige ingrediënten in het recept was lijm. Er werd ook heel specifiek een merk genoemd en een speciaal type lijm. Het toont hoe dat soort modellen fragmentarisch kopiëren wat ze op het internet zijn tegengekomen, zonder iets te snappen van de inhoud.”

Naast de starheid van ChatGPT, is Van den Berg kritisch op het hele begrip ‘schema’. “Er is geen manier om te weten wat iemand over twee maanden zou moeten doen. Iemand wordt ziek, doet een training wat zwaarder of lichter. Er zijn zoveel parameters die van invloed zijn op wat er gaat gebeuren. Het is bijna als het weer. Je gebruikt wel een macro-planning, maar met de beroepsrenners die ik vandaag de dag train, heb ik bijna dagelijks contact over hoe het gaat. Neem Pascal Eenkhoorn, als die in de kopgroep zit in Dwars door Vlaanderen, dan is dat wel een andere inspanning dan wanneer hij in het peloton rijdt. Het hele idee van een schema is ooit bedacht omdat mensen printers hadden en koelkastdeuren om die dingen op te hangen”, geeft hij ietwat spottend aan. “Vandaag de dag hebben we daar veel betere tools voor.”

Pionier

Als data-wetenschapper mét een sportieve achtergrond, is Jonatan Samoocha één van de pioniers in het ontwikkelen van slimme toepassingen voor sportieve doeleinden, wat uiteindelijk leidde tot een van die ‘betere tools’, die effectief en flexibel trainen ook voor amateursporters mogelijk maakt. “Bij mijn laatste werkgever konden we één dag in de week aan onze hobbyprojecten werken om daarmee nieuwe dingen te leren. Ik heb toen mijn eigen Strava-data gedownload en ben ik het experiment ook op fietsen gaan richten. Zoals een model dat wegritjes en mountainbikeritjes van elkaar kan onderscheiden, want veel mensen doen dat allebei. Als je data analyseert, wil je geen appels met peren vergelijken. Ik kan een hele berg data in huis hebben, maar als van de honderd fietsritjes er dertig op de mountainbike zijn, dan kun je het al niet meer vergelijken, als je progressie wilt meten. Zo ben ik langzaamaan begonnen om daarmee te spelen.” 

Ook Jim van den Berg ging vanuit zijn achtergrond als trainer met AI en machine learning aan de slag. 

Hij trainde ooit sprinter Dylan Groenewegen en werkt nog altijd met renners als Taco van der Hoorn en Pascal Eenkhoorn. Van den Berg ontwikkelde JOIN, een inmiddels populaire app onder wieleramateurs. “JOIN is niets anders dan een model dat wij gebouwd en getraind hebben. Doel is om je met de UX (User Experience red.) te voorzien van jouw training van morgen. En in tegenstelling tot ChatGPT, dus niet om een grote tekst-output te maken. Je kunt in ChatGPT geen .gpx- of een .fit-bestand uploaden. JOIN is daar wel voor gemaakt. Stel, je doet morgen een specifieke VO2Max-training. Je kunt vervolgens die training in de wind slaan, het komt niet uit of je doet het anders: dan krijg je hem gewoon op een ander moment. En als je een goede duurtraining doet, dan laat JOIN dat ook zien. Dat is alleen maar goed voor je schema, want daar denkt JOIN ook in mee. Ik denk dat het grote verschil uiteindelijk zit in de manier waarop JOIN jouw training van morgen voorspelt. Daar zit heel veel machine learning in.”

Jonatan zet met zijn app Vortza de voordelen in voor breedtesporters die hiermee profiteren van de kennis van topsporters- en coaches. “Het is heel veel werk om als coach één persoon te begeleiden. Dan moet je twee, drie maanden vooruit plannen, dan moet je gaan schuiven en kijken van: als ik deze training een tikje zwaarder maak, wat is dan de impact verderop in het schema? Dat is een hoop rekenwerk. Met bepaalde technieken en toepassingen uit AI kun je dat rekenwerk uit handen nemen en het dynamischer maken. En dat is goed voor de breedtesport, waarbij mensen niet zes of zeven dagen in de week beschikbaar zijn en om persoonlijke redenen een heel flexibel schema willen hebben. Wat ik bijvoorbeeld programmeer, is dat er een proces is dat na elke activiteit voor jou de recente data verzamelt en daarmee een nieuwe versie van het model traint. Dat wordt hiermee geüpdatet en weet dan wat jouw huidige stand van zaken is.”

Zelfvervuilend effect

Met specifieke apps, gebaseerd op modellen die getraind zijn door deskundigen, is AI kortom een absolute aanwinst waar het gaat om het verbeteren van de kwaliteit van trainingen, van het toegankelijk maken van hoogwaardige kennis voor breedtesporters, die ook nog eens mooi flexibel naar hun doel kunnen trainen.

Toch zijn er wat zowel Van den Berg als Samoocha betreft wel degelijk mogelijkheden voor AI-toepassingen als ChatGPT. “Waar het erg goed voor is, is dat je heel veel kunt leren over inspanningsfysiologie. Je kunt de hele tijd vragen blijven stellen”, ziet Van den Berg. “Dat vind ik een betere manier dan constant googlen. Maar ik sta niet in voor de kennis die erin zit. Want heel veel wetenschappelijke heeft het helemaal geen toegang toe, even voor de duidelijkheid. En in de toekomst krijg je ook een zelfvervuilend effect van onjuiste informatie die ChatGPT weer publiceert.” 

En ja, ook bij JOIN gebruiken ze het wel degelijk. “Maar dan wel in textuele context. De uitleg van een workout, of een e-mail als je een bepaalde progressie hebt gemaakt, of wat je moet doen om je volgende tool te selecteren. Dan kan het een hele mooie tekst samenstellen op basis van bepaalde input. Het kan je op het spoor zetten van publicaties en kennis. Hoe zou een lange duurtraining er uit moeten zien? Wat is daarover te vinden in de wetenschappelijke literatuur? Als je dat interessant vindt, kun je ChatGPT gebruiken om dingen te leren. Maar niet om te vertellen over wat je over drie weken zou moeten trainen.”

Hoe werkt ChatGPT?
ChatGPT maakt gebruik van zogenaamde Large Language Models (LLM’s). Het is getraind door enorme hoeveelheden teksten te lezen en daarin patronen te herkennen. Door middel van een prompt (een instructie of vraag) geef je het model een startpunt.

In plaats van informatie letterlijk op te zoeken zoals een zoekmachine, genereert ChatGPT een antwoord door steeds het meest logische volgende tekstfragment te voorspellen. Het kijkt naar de kansberekening: welk woord volgt er meestal op de voorgaande woorden in deze context? Omdat ChatGPT patronen volgt en niet echt ‘begrijpt’ wat het zegt, kan het fouten maken of heel overtuigend informatie verzinnen die niet klopt (hallucineren).

Dit verhaal was eerder te lezen in de RIDE Wintergids 2024.