Sport en AI: een winnende combinatie?

Hoi, leuk dat je weer luistert naar een nieuwe aflevering van AIToday Live. Met vandaag wel een heel bijzondere combinatie, namelijk AI en sport. Ik ben echt heel erg benieuwd, want AI, passie, sport, op zijn minst zeg maar een heel groot plezier. - Ook wel een passie voor mij. Ja toch? Nou heel erg leuk. Mijn naam Joop Snijder, CTO bij Aigency. - Mijn naam Niels Naglé, Area Lead Data & AI bij Info Support. - Ja en we hebben te gast Lotte. Lotte, zou je jezelf willen voorstellen aan de luisteraar? - Zeker. Hoi, ik ben Lotte Lintmeijer. Ik woon in Den Haag, ik ben 37 en tot voor kort werkte ik bij Sport Data Valley. Dat is een nationaal platform voor data en analyses op het gebied van sport en bewegen. En vanaf januari ben ik voor mezelf begonnen en werk ik als data scientist, data analist en in het onderwijs op het gebied van sport en bewegen en data. - Heel mooi. Want de sport is best wel heel breed. Waar hebben we het over? Hebben we het over de breedtesport? Hebben we het over topsport? Waar hebben we het over? - Goeie, daar wilde ik eigenlijk misschien een onderscheid zo meteen in mijn verhaal maken. Ik heb eigenlijk vooral in de topsport gezeten, maar ook wel een stukje breedtesport. En een deel van de onderzoeken en data-analyse die ik heb gedaan zijn voor de breedtesport geweest. Grootste deel voor de topsport. - Oh ja, leuk. En kan je iets vertellen over hoe ben je bij AI terechtgekomen en juist zeg maar in de sport? - Eigenlijk ben ik ooit begonnen met een onderzoeks of eigenlijk met een master psychologie, sociale en gezondheidspsychologie. Maar ik werkte best wel fanatiek of vrijwillig als coach in het roeien. En op een gegeven moment dacht ik ik wil eigenlijk mijn studie en later mijn werk gaan combineren met mijn passie en dat was dan coachen. En zodoende ben ik uiteindelijk bij de VU terechtgekomen en heb ik een PhD bij bewegingswetenschappen gedaan. Heb ik gekeken naar de biomechanica van het roeien. Dus die is heel anders dan psychologie. Er zat wel wat psychologie in in de vorm van feedback geven, real-time feedback geven aan roeiers. - Een biomechanica? - Dat is eigenlijk een beetje de natuurkunde van het bewegende lichaam. - Dus hoe wij gewoon bewegen, de armen, de benen, het lijf. - En waar wij naar keken in het onderzoek was hoe kunnen we het geleverde vermogen bepalen van een roeier. Dus om even een klein zij stapje. Als we nu naar het fietsen kijken, naar het wielrennen. Vroeger trainde men op hartslag en op gevoel. Maar eigenlijk zien we door alle nieuwe technieken dat er vooral in de topsport nog wordt getraind op vermogen. Dus wat levert iemand aan energie aan de fiets en hoe wordt dat omgezet in snelheid. Eigenlijk kun je dat zelf doen in het roeien, alleen het is wat ingewikkelder. Want de roeiboot die heeft geen constante snelheid, maar die gaat heet uit heen en weer. En wij hebben gekeken hoe we ondanks die complexiteit toch dat vermogen van de roeier, wat die geeft aan de boot, kunnen bepalen. En op die manier kwam ik dus met best wel veel meer soorten data in aanmerking. Met realtime data, met timeseries data, met sensor data. Dus data die wordt opgemeten. En kreeg ik steeds meer interesse in de dataanalyse en een stukje AI. Wat ik daar zijlings bij heb gepakt. En als we het dan hebben over die datapunten voor in het voorbeeld van roeien. Waar moet ik dan aan denken? In ieder geval vooruitgaan, maar wat voor sensoren waren er nog meer? Wat voor datapunten? Tot nog toe is het gebruikelijk, vooral in het roeien, om snelheid te bepalen. En iemands hartslag. Ook iemand het tempo waarop je roeit. Dus hoeveel slagen je per minuut maakt. Wat wij extra hebben gedaan is krachtsensoren op het stukje waar de riemen in zitten. Dat noem je de dol. En die sensoren meten druk of kracht. En daarmee kun je vermogen, kun je onder andere vermogen bepalen en nog veel meer doen. En we hebben ook het stukje biomechanica meegenomen. Dus we hebben gekeken hoe beweegt een roeier zich in de boot. Dus al zijn ledematen in de boot. En dat hebben we met IMU sensoren gedaan. Dus in dit geval was het een XSENS pak. Ik weet niet of jullie dat iets zegt? Nee, sorry. Wat zijn dat voor sensoren? Dat zijn sensoren die kunnen heel nauwkeurig de beweging van iets bepalen. Dus die kun je in dit geval, het is een pak van XSENS, die zet je, de sensoren zet je op elk lichaamsdeel. En doordat die in allerlei dimensies meet, kun je heel nauwkeurig de beweging van dat lichaamsdeel bepalen. Dus iemand zit echt in een pak, in die roeiboot. Het was een pak en nu zijn het losse sensoren die ook met wifi-signalen. En het was wel spannend, want we hadden uiteindelijk, we begonnen met een pak, maar dat was heel onhandig, want het was bedraad. Dus roeiers raakten verstrikt in de bedrading. Of de bedrading schoot los, waardoor we een deel van de data misten. Dus uiteindelijk hebben we, achteraf gezien, met best wel veel risico, hebben we een roeier in een skiff gezet. Dat is een eenmansbootje. Die zijn heel, als jij erin gaat zitten. Althans ben je roeier? Nee, maar ik heb het wel een keertje gedaan met een collega. Ik ben droog gebleven. Dat vind ik best knap. Je valt echt heel makkelijk om in het water. En wat wij hebben gedaan, is die roeier in de boot met die sensoren en dan op de boot een box gezet en daarin alle apparatuur, dus laptop en etc. En toen het water opgestuurd. Dat was af en toe wel een beetje billenknijpen eerlijk gezegd. Maar ook voor degene denk ik in de boot. Ik weet niet of ze heel bewust waren hoeveel kapitaal erin ging. Nou geweldig. En wat was het moment, want dan heb je allerlei data en data kan je natuurlijk op heel veel verschillende manieren analyseren. Wat was het moment of de uitdaging die je had, dat je zei van hier moeten we misschien wat machine learning gaan inzetten? Heel eerlijk gezegd heb ik in mijn PhD nog geen machine learning ingezet. Maar we hebben op een gegeven moment een biomechanisch model gemaakt om het vermogensverlies, het maakt even niet zoveel uit wat het is, bij het blad te kunnen bepalen. Dat was best een natuurkundig model, maar wel ingewikkeld. En dat ging best goed. En toen op een gegeven moment was ik klaar met de PhD en toen dacht ik zou ik dit ook met een AI model kunnen doen. Dus zonder de wetmatigheid die erachter zit, dat er gewoon uit laten, maar gewoon naar de data te kijken. Of het model naar de data te laten kijken en kijken of dat model net zo goed die vermogensverlies kan bepalen als de natuurkundig wetmatig model. Ja dat ging net zo goed, maar dat is op zich ook wel logisch. Want? Omdat er een wetmatigheid in zit. Dus eigenlijk zeg je van het AI model, leren in die zin de patronen van de wetmatigheid van de natuurkunde. Ja, dat hoop ik denk ik. Ik heb niet gekeken hoe het model in elkaar zat, maar ik vermoed wel dat die patronen terugkomen. Dus eigenlijk ben ik ook wel voorstander van dat je eerst kijkt van kunnen we het niet oplossen met de wetmatigheid die we weten, dus met Newton laws bijvoorbeeld. Omdat we dan gewoon heel duidelijk begrijpen waarom een model werkt. En als we dat niet kunnen, dan de volgende stap een AI model waarin het meer black box is. Is mijn visie. Ja, AI modellen hoeven gelukkig niet altijd black box te zijn. Daar zijn wij dan weer in gespecialiseerd, maar dat is voor een andere keer. Maar als je nu, want je zegt van ik zou het eerst met die natuurkundige modellen willen oplossen. Wat zou dan het moment zijn dat je zegt van ja, maar dan moet ik het toch wel loslaten en dan ga ik met die AI modellen aan de slag? Op het moment dat er veel factoren zijn die meespelen in een bepaald proces en waarin ook die factoren met elkaar veel interactie en dynamiek hebben. Dus als we kijken naar bijvoorbeeld naar prestatie, maar ook een onderzoek wat ik eerder heb gedaan bij Sport Data Valley. Daar waren we nieuwsgierig in of we de fysieke fitheid van iemand konden linken aan het gedrag van mensen. Daar zit niet echt wetmatigheid in. Dus op dat moment denk ik van best wel veel factoren. Gedrag eventjes was wel gekaderd in de zin van het waren bewegingsfactoren en slaapfactoren en hoeveel je zit. Die wilden we linken aan fysieke fitheid. Om zo iets te kunnen zeggen van tegen mensen feedback te kunnen geven. Wij zien als jij meer gaat bewegen dat jij je op den duur fitter gaat voelen. Maar het kan ook zo zijn dat iemand teveel beweegt en dat we kunnen zeggen van hey misschien moet je een stapje terug zetten af en toe. Zodat je je op den duur weer fitter gaat voelen. Dat is een voorbeeld waar ik denk van hier kan de natuurkunde of een ander model niet in helpen. En dan kunnen we de stap naar AI maken. Daar hebben we overigens ook blackbox modellen ontrafeld met nieuwe methodes om precies te zien welke factoren van invloed zijn voor individu 1 en welke factoren belangrijk zijn voor individu 2. Ja precies want dat heb je ook nodig anders kan je uiteindelijk natuurlijk geen advies geven. En hebben we het hier over topsport, breedtesport. Dit was breedtesport. Dus wat we hadden gedaan is dit was eigenlijk puur voor misschien niet eens breedtesport maar gewoon voor iedereen. Dus we wilden zien dat steeds meer mensen een sporthorloge gaan dragen. Ik zit al naar jullie horloge te kijken. Ik heb hem niet meer om. En we hebben best wel veel Fitbit data en ik had best wel een gave open data bron met Fitbit data gevonden van mensen die aan het trainen waren voor een 5 kilometer run. Die data hebben een student van mij gecombineerd om te kijken van kunnen we nou patronen vinden die mensen gaan helpen om meer inzicht te geven in wat ze aan het doen zijn en wat voor een effect dat heeft op hun gezondheid. En voor gezondheid namen we rusthartslag. Dat zegt over het algemeen iets over hoe fit jij je op die dag op dat moment voelt. Ja ten opzichte van de inspanningshartslag. Nee we deden alleen echt rusthartslag. En daar zitten wel wat aannames hoor. Want wat het gave was van dit stukje onderzoek was dat, jij geeft al aan van ten opzichte van, is dat we rekening hielden aan de ene kant met het individu. Dus wat zijn de patronen van het individu. Maar aan de andere kant ook de informatie van de groep mee konden nemen. En patronen van de individu. Wat zijn dan patronen waar we aan kunnen denken? Als we kijken naar rusthartslag weten we bijvoorbeeld dat mannen over het algemeen een lagere rusthartslag hebben dan vrouwen. En dat de ene persoon ook fitter is dan de ander. Dus ten eerste keken we dus, dat is niet helemaal antwoord op je vraag, maar die verschillen namen we mee. En dan konden we dus de rusthartslag van een individu vergelijken van wat hij voorheen had gedaan, wat de trend was. En de patronen van het individu bedoel ik mee van het verloop van rusthartslag van het individu en wat met de relatie tot het gedrag wat hij deed, dat konden we meenemen. Maar ook het probleem op het moment dat je alleen naar één individu kijkt, dat je de data van één individu hebt, dan kan het zijn dat er te weinig variatie in die data zit. Dus stel jij ligt 24/7 op de bank, dan zul je niet veel variatie in je beweeggedrag en in je zitgedrag zien. En dan zal er ook geen relatie te vinden zijn met je rusthartslag. En daarvoor probeerden we dus ook te kijken naar de informatie uit individuen die niet de hele dag op de bank zitten, maar een veel gevarieerder gedragspatroon vertoonden. En wat was de uitkomst eruit? Ik weet het niet meer precies. Er zijn een aantal algemene factoren die voor iedereen belangrijk waren. En wat ik een interessante vond, maar dat is wel weer een beetje technisch, is een factor die heel erg onder discussie is in de topsport en breedtesport. En dat is de acute chronic workload ratio. En dat betekent dat je dat is een ratio die aangeeft hoe snel jij verandert in intentie van je sport. Dus op het moment dat jij in je laatste week, in de afgelopen week, tien keer zoveel bent gaan sporten, ik zeg even overdrijvend, ten opzichte van de eerst vier weken, dan is er een vermoeden dat als je dat doet dat je dan sneller geblesseerd raakt. Dus het zegt iets over hoeveel jij afgelopen week hebt gesport ten opzichte van de afgelopen maand. En daar is heel veel discussie over, maar uit ons model kwam dat wel als een van de belangrijke factoren naar voren voor hoe fit iemand zich op dat moment voelt. En dat gold ook eigenlijk bijna voor iedereen. En die discussie hebben we het dan hier over de data die het aangeeft en het geloof die heerst, zeg maar, binnen een bepaalde groep? Ja, dat ook. Maar er is ook wel meer discussie over hoe statistisch verantwoord deze maat bijvoorbeeld is. En de discussie is met name om dat sommige mensen een bepaalde drempel zeggen. Dus de ratio mag niet hoger dan 0.3 zijn, want anders raak je sneller geblesseerd. En daar is heel veel discussie over of je dat überhaupt zeg maar per individu en per sport zo kan zo hard kan vastleggen. Daar kan ik me iets bij voorstellen. Loop je sowieso, misschien is het interessant om dan juist naar de topsporter kijken, loop je daar tegenaan hoe mensen die hier de impact van vinden, loop je daartegenaan tegen weerstand? Nemen ze zomaar de uitkomsten van modellen over? Nee. Ik wist waar ik naar vroeg natuurlijk. Nee, ik denk wel dat het steeds, ik denk dat de topsport steeds meer data-driven wordt. Maar ik denk dat er nog wel heel veel uitdagingen liggen. Ja, en waar ligt dat dan aan dat er wel of geen weerstand is? Heb je daar een idee van? Ja, ik zit even te denken waar ik ga beginnen. Want ik denk dat als er weerstand is, dat het aan de ene kant terecht is. En aan de andere kant dat het vrijwel altijd terecht is en dat er een aantal zaken spelen die het, naar mijn inzicht, voor nu het gebruik van AI, het wordt gebruikt in de topsport, maar het gebruik van AI uitdagend maakt. En een van de belangrijkste uitdagingen is denk ik de hoeveelheid data die we hebben voor de topsport. Dus veel AI-modellen, dan hoop ik dat jullie mij bevestigen, worden gedragen door de hoeveelheid data die erachter zit. Of die worden mogelijk gemaakt omdat je een hele hoop data kunt verzamelen. En die modellen zijn in het algemeen, en ik weet dat de technieken heel snel gaan, maar in het algemeen vooral interessant voor de massa, voor de grote populatie. Terwijl de topsporters eigenlijk een uitzonderlijke groep zijn, zouden eigenlijk de outliers in het model zijn. En daar hebben we ook, het is maar een heel klein groepje. Dus het verzamelen van voldoende data voor een accuraat model is best wel een uitdaging. - Dat begrijp ik wel. - En daarnaast speelt dan dus dat die beperkte data is problematisch. Daarnaast dat die beperkte data komt natuurlijk ook omdat topsporters niet zo graag een informatie met andere teams gaan uitdelen, uitwisselen. Dus het blijft beperkt vaak tot jouw team. En er zit echt wel een heel groot probleem in het stukje compliance. Dus het dragen van een horloge, dat is vrij easy. En je verzamelt de data gedurende hoe lang je dat horloge ook maar draagt. Dat kost je weinig inzet om dat te doen. Maar we weten ook in de topsport en überhaupt in de sport dat het stukje mentaal ook een hele belangrijke factor is voor presteren. En voor het mentale stukje hebben we nog geen oplossing om dat makkelijk te achterhalen. Dus op dit moment is het zo dat de topsporters die hier geïnteresseerd zijn vragenlijsten invullen. En die vragenlijsten kunnen heel simpel zijn en die kunnen maar vijf minuutjes tijd per dag kosten. Maar je ziet dat er maar echt een heel beperkt aantal topsporters zijn die zich daar jaren of misschien maanden aan kunnen committeren. Dus heel veel topsporters zijn een, twee maanden. En ik snap dat helemaal, dus geen verwijt. Na een, twee maanden zie je gewoon dat de compliance, dus hoe vaak ze het invullen, steeds minder en minder en minder wordt. En daar zit ook echt een grote uitdaging in. Dat is wel heel begrijpelijk. Ik zie wel natuurlijk, ik kijk graag voetbal, dat zeker de zelfs de voetballers tijdens de wedstrijden tegenwoordig van die van die hesjes dragen waar ze volgens mij ook helemaal de data uit kunnen halen. Inclusief zeg maar de beelden, wie, waar, loopt, welke intentie, dat soort dat soort zaken. Zie je daar een ontwikkeling in? Ik weet helemaal niet of je er überhaupt wat vanaf weet. Een beetje. En hoe is de sport ook, staat die hier ook verder voor open om hiermee aan de slag te gaan? Ja, dat denk ik wel. En ik denk dat voetbal, zeg maar laten we de betaald voetbalorganisaties hebben, hier wel een andere plek denk ik dan topsport in het algemeen, omdat er gewoon veel meer geld in omgaat en er veel meer mogelijkheden zijn. En ik denk dat, zeg maar in de ervaringen van de afgelopen jaren bij verschillende bonden, denk ik iedereen staat ervoor open. Alleen de ingewikkeldheid is een stukje data en andere kant implementatie van modellen. Dus we zijn, denk ik, als sport nog niet ingericht om echt data-driven te kunnen werken, omdat we gewoon de capaciteit en de financiële middelen niet hebben om een beetje een beeld te geven, los van even de betaalde voetbalorganisaties. Ik moet ook heel eerlijk zeggen dat ik daar iets minder kijkje achter de deur heb, maar als we naar de andere bonden kijken, als in een roeibond, een zeilbond, een sportcentrum, Papendal, een tennisbond, dan heb je daar als personeel coaches, nou sommige hebben een fysioloog en een biomechanicus in dienst, uiteraard fysiotherapeuten, een beetje diëtist, een aantal diëtisten of voor een aantal uren diëtist en voor een aantal uren psycholoog. En dan heb je de embedded scientist. En de embedded scientist is eigenlijk de persoon die alles om trend, technologie en data op zich neemt. Dus de embedded scientist bij de roeibond, de zeilbond, bij een handbalbond, die is enerzijds bezig met de technologie klaarzetten en filmpjes maken en metingen doen. En anderzijds degene die de data verzamelt, soms analyseert en resultaten terugkoppelt. Maar dat is eigenlijk, die persoon is dus eigenlijk zowel degene die de data verzamelt als de data analyst, als de data scientist, als degene die een terugkoppeling moet geven aan de coaches. - Wow, oké. Is dat één rol of echt één persoon bij zo'n bond? - Dat is één persoon. - Of over meerdere bonden heen? - Soms over meerdere bonden heen. - Dat is zeker pittig. - Dus ik denk dat we op het moment dat we echt data-driven willen werken, en ik denk dat de bonden hier ook wel mee eens zijn, dan zul je naar een ander model moeten gaan. En zul je veel meer moeten gaan investeren in personeel op het stukje data, verwerking en data terugkoppeling. - En dit is echt een middelenkwestie? - Ja, middelen- en kenniskwestie denk ik. Ik denk dat, ja middelen sowieso, maar het is ook wel een stukje hoe ga je het organiseren. Dus niet perse kennis op het stukje data of AI, want dat kun je uiteraard met middelen oplossen. Maar ook wel het stukje hoe gaan we dit organiseren. Want ik zou zelf ook niet zo heel goed weten hoe je dit nu zo neerzet, dat je en data kan verzamelen en direct kan verwerken en direct kan terugkoppelen aan je coaches en je sporters. - Er zijn gewoon hele platformen voor beschikbaar waarin je dat kan inrichten, maar dat betekent wel dat je het moet gaan inrichten, de organisatie, de afnemers, de sporters ook daarmee mee moet gaan nemen. Dus het is wel ook een stuk cultuur. - Ja, cultuur en mindset. - Ja, dus eigenlijk heb ik je al gehoord, een klein beetje stapelen van data verzamelen is echt wel een punt. Gewoon puur middelen in de sport. En dan ook nog inderdaad het organiseren van kennis. - Ja, en ik wil er nog wel een stukje aan toevoegen, wat misschien minder in het bedrijfsleven speelt, is dat je zowel als topsporter als coach heb je vrij kort tijdsbestek om te presteren. Dus maximaal vier jaar, als we even naar de Olympische cyclus kijken. Maar voor heel veel coaches en topsporters geldt het maximaal een jaar, want je moet presteren op die wereldkampioenschappen. Dus je hebt niet zo heel veel tijd om een model toe te passen en te experimenteren of een nieuw model jou op weg gaat helpen. Dus het is ook wel een risico om een model te gaan volgen, terwijl je het eerder altijd anders hebt gedaan. Dus daar zit ook wel een spagaat. En het ontwikkelen van een model kost gewoon veel tijd en het verzamelen van data ook. Dus daar zit best wel een spagaat hoe je dit zeg maar... - Ja, die begrijp ik wel. Dat snap ik ook wel. Inderdaad, in het bedrijfsleven voel je ook wel een bepaald risico, maar vaak is dat gewoon een financieel risico. Maar die tijdsfactor vind ik wel heel erg interessant, want dat is natuurlijk inderdaad lastig. Je hebt al, wat je net zei, beperkte middelen. En dan moet je dan ook nog eens de keuze maken, ga ik dit doen en ga ik daarop vertrouwen? En is dat op tijd klaar dat het me ook iets toevoegt? - Ja, dus het zou minimale extra werk moeten kosten om toch de benefit langzaam te kunnen gaan voelen en dan langzaam meer te gebruiken kunnen maken. Dus als je mij vraagt, als ik het zo een beetje aanhoor, is het ook een kwestie van tijd als we hiermee gaan starten om dat te gaan doen. Afhankelijk van hoe je het organiseert, of je de data van jou is, van de sporter is, van de bond is, van de coaches die weer naar een nieuwe club gaan. Dus ook organisatie zal je denk ik wel bepalend zijn. Hoeveel waarde je daarna er weer aan hebt, na dat jaar ziek te zijn. - Zeker. Er wordt al wel echt heel veel data verzameld hoor, ook al vanaf een aantal jaar geleden. Dus ik denk dat daar heel veel bonden heel erg op weg zijn. Ik denk dat het vooral het stukje omzetten van de data naar inzichten, met behulp van een model en dat implementeren en dus ook toepassen en daar ook een soort van feedback loop in krijgen, dat dat het punt is waar we nu staan. - Oké. En zouden ze er voor openstaan? Ik heb geen idee wat ik nu zeg. Ik kan me voorstellen dat er een aantal fundamentele problemen zijn, waar iedere sporter, ieder team tegen aanlopen. Je had het net al over het voorkomen van blessures. Dat dat misschien niet zo erg is om daar data van elkaar te delen, al zou het anoniem zijn. - Ja, dat zou ik hopen. - Maar ligt dat gevoelig? - Ik ben bang van wel. - Oké. Vanwege de competitie en dat je dat gewoon... - De een staat er wel anders in dan de ander. De een zegt van waarom laten we het delen, want daar kunnen we alleen maar met z'n allen beter van worden. Eigenlijk zegt iedereen dat wel. Maar als het puntje bij het paaltje komt, merk je toch dat het opeens toch wel moeilijk is om data met elkaar te gaan delen. Ik kan niet vinger opleggen waarom dat precies is, maar het zal toch wel misschien te maken hebben met de angst dat je misschien jouw schat weggeeft. - Ja. - Maar dat is invulling, hè? - Ja, dat is een aanname. - Ik kan me er iets bij voorstellen. - Ik kan me er iets bij voorstellen, inderdaad. Als de middelen al beperkt zijn en dan geef je ook nog je goud weg om de volgende toekomst van je middelen weer niet veilig te kunnen stellen, dan begrijp ik het wel. - En nog even over dat stukje tijdsfactor. Wat ik ook wel soms denk en hoor, veel topsporters verzamelen dan al best wel een tijdje data. Maar het ontwikkelen van een model, het krijgen van inzichten, kost gewoon... heb je heel veel data voor nodig en kost dus tijd. Dus op een gegeven moment, na 1, 2, 3 jaar data verzamelen en weinig terugkoppeling krijgen, gaan mensen ook wel denken, ja, waar doe ik dit voor? Dus eigenlijk doe je het misschien wel niet helemaal deze generatie, niet helemaal meer voor zichzelf, maar voor de volgende generatie die eraan komt. En de vraag is of je dat... - Dat is wel onbaatzuchtig. - Ja. - Oké. En als we het nu doortrekken naar de breedtesport. Ik neem aan dat daar het delen misschien wat minder moeizaam is, minder competitief. - Nou, de competitie-element zit er niet in, maar ik denk dat daar meer de structuur mee is. Dus als we kijken... nou, we zien, er is een trend dat in het sporten dat mensen steeds meer gewoon individueel gaan sporten en niet bij een vereniging of een organisatie gaan zitten. Dus daar is meer de vraag, hoe ga je die mensen vinden en zorgen dat de data bij elkaar komt? Omdat er geen verenigingsstructuur of organisatie boven zit. - Oh ja. - En dat is ook, zeg maar, om even terug te gaan naar Sport Data Valley. Dat is eigenlijk ook een van de missies van Sport Data Valley, is om inderdaad ook die individuele sporter, wat er heel veel zijn, te kunnen benaderen. En de data van elk individu wat nu op Strava staat en misschien met je sportvrienden wordt gedeeld en verder niet zoveel mee wordt gedaan. Misschien Strava zelf wel, maar... - Strava is de hardlopen app, toch? - Ja, hardlopen, fietsen, nog wel meer sport. - Dat is jouw ding, hè? - Ja. - Om die data, zeg maar, anoniem bij elkaar te krijgen. Dat je een gigantische dataset kan krijgen en dat je daar patronen kan creëren voor dat onderzoekers een toegang krijgen op een enorme anonieme dataset. Daar interessante inzichten uit kunnen halen met AI en die terug kunnen koppelen aan de praktijk. - Hoe kijk jij aan tegen, want je zat al een beetje stiekem te kijken naar onze horloges, hè? Ik heb een Apple Watch. - Een Garmin. - Een Garmin. Hoe kijk jij tegen de ontwikkeling van dit soort middelen aan? - Ik vind het heel interessant. En ik denk dat we daar ook heel veel uit kunnen halen. Dat hebben we ook geprobeerd met dat Fitbit-model. Ik moet zeggen, ik heb ook best wel lang een Fitbit gedragen. Bij mij ging die gewoon op een gegeven moment kapot. En toen dacht ik, ik vind het eigenlijk wel lekker om geen data te verzamelen. Maar ja, ik ben eigenlijk wel voorstander. En wil je er nog iets meer over? - Nou ja, kijk, nu kunnen ze wat basiszaken, hè? Hoe snel ik loop. Ik kijk even naar mezelf. Ik ben meer een stevige wandelaar. Dus ik heb afstand, hardslag, rust, hardslag, actief, dat soort dingen. Die van mij, er zit nog geen, hoe noem je dat? - Saturatie. - Saturatie. Dus zuurstof in je bloed zit er nog niet in. Denk bij jou misschien wel. - Volgens mij wel, ja. - Maar we gaan natuurlijk straks veel meer krijgen. Misschien wel bloeddruk, misschien wel bloedsuiker, allemaal dat soort zaken. Ik kan me voorstellen dat dat heel erg helpt voor het bepalen van je fitheid. En dat het zou kunnen helpen bij die, waar je het net had over, in de breedtesport, de fitheid meten van mensen. Dat dat makkelijker gaat maken. - Ja, ik zie het sowieso als een, misschien een mogelijkheid om meer te gaan naar preventie. Gezondheidspreventie in plaats van het ziek worden en dan symptoombestrijding te gaan doen. En mensen daar meer inzicht op te geven. En hopelijk ook dat dat soort inzichten leiden tot gedragsverandering. Mijn enige zorg is, en dat is wel al van een aantal jaar geleden, dan haal ik ook even een anekdote van mijn zwager aan. Die is cardioloog. En die zegt dus dat hij af en toe, toen de tijd, ik weet niet of het nu nog zit, hij zei dan vrouwen, in zijn helemaal overstuur in het ziekenhuis kreeg. Omdat een horloge aangaf dat hun hartslag helemaal to the roof was. Terwijl er was helemaal niks aan de hand. Alleen het horloge was kapot. - Oh zo, door de onderkeurigheid. - Ja, dus mijn enige zorg is de onderkeurigheid. Want ook, heel veel mensen zijn al bezig, hebben ook een temperatuurmeter van een horloge. En daar zit wel verwarring in. Dat mensen heel vaak denken dat dat de kerntemperatuur is van je lichaam wat wordt gemeten. Maar dat is je huidoppervlak. - Dus als je in de zon zit, wordt je huid warm. - Precies. En dan krijg je zo meteen, zijn ze bang dat ze koorts krijgen. Want hun huid warm is gewoon. Dat is een beetje overdreven, maar daar is mijn enige zorg. Van hoe accuraat zijn de horloges. Maar ik vind het ook een heel interessant iets om mee te gaan werken met bewegen en met preventie. - Ja, ik denk dat die accuratesse is natuurlijk heel erg belangrijk uiteindelijk. Mensen vertrouwen erop. Je kan nu inderdaad horloges krijgen, ook met bloeddruk. Waarbij het ook allemaal maar zo is. - Het zijn allemaal afgeleiden. - Het is een indicator. Hoe je het gebruikt, denk ik, educatie hier ook weer belangrijk is. Wat zegt het wel, wat zegt het niet. Iedere horloge werkt weer anders. Hiervoor had ik weer een, volgens mij een tomtom was het. Het gaat maar meer om het patroon van, ik heb hem gebruikt. En als ik volgende keer gebruik, wat is de verschil ten opzichte van mijn vorige gebruik? En zie ik daar een verandering, een patroon in? Dan is die accuratesse dan even net tot minder belangrijk. Maar als je de grote datapunten gaat gebruiken, is dat wel weer van belang. Dus ik denk dat educatie er ook een heel belangrijk onderdeel van is inderdaad. - Maar dan spreek je eigenlijk over datageletterdheid. En de vraag is, weet je, als je dat horloge om doet bij mensen die dat niet hebben, je ziet gewoon temperatuur. Het is hetzelfde temperatuur als van je thermometer. - Ja, daarom zeg ik educatie. En wat zegt het wel en wat zegt het niet op het scherm? En als je het niet goed kunt uitleggen, toon het dan niet op het scherm, want anders ga je alleen maar verwarring veroorzaken. - Maar jouw horloge, je hebt een Garmin hè? Jij hebt nog allerlei afgeleiden. Kijk je daar ook naar? - Niet heel, nee. Als ik aan het sporten en aan het trainen ben voor een evenement, dan kijk ik wat meer naar. Maar nu, ja, slaap en dat soort zaken. En ik ben net ziek geweest, nou had ik kunnen zien aankomen dat ik me eigenlijk niet zo goed voelde. - En waar zie je dat dan? - Nou ja, minder beweging, hogere hartslag en temperatuur. En vooral als ik slaap, dat mijn hartslag hoger is. En daar merk ik het meest aan. En daar zie je het aan terug. Dan zie je, ja, oké, klopt. - Ja, mijn moeder zegt ook. Ik kan aan mijn horloge zien dat ik ziek word. - Ik zie het meest al achteraf, want dan kijk ik vast naar de data. Maar ik zou het dan ook kunnen merken. - De grap, en dan gaan we straks naar Aisha, die heeft ook een vraag voor je. Maar een andere is dat ik wel eens in het ziekenhuis gelegen heb, waarbij ik echt aan het zweten was van de koorts. Dus als je gewoon naar mij had gekeken, had je gezegd, nou, die is stevig ook. En dan krijg je zo'n oorthermometer in je oren. - 37,5. - En die werkte bij mij zo slecht, dat er gewoon 36,9 stond. En dan zeggen ze, want dat is ook, 36,9, nee hoor meneer, u heeft geen koorts. Ja, maar doe dat ding nou eens aan de kant. Kijk eens. - De hand op het voorhoofd. - Kijk eens naar me. - We moeten altijd wel een beetje uitkijken. - We hebben ook een virtuele co-host. Zij wil ook graag een vraag aan je stellen. Aangenaam kennis te maken, ik ben Aisha. De AI-assistent van deze podcast, mag ik je een vraag stellen? Zeker. Hoe kan AI ingezet worden om gelijkheid en zelfbeschikking voor iedereen te vergroten? Zo, een hele brede vraag. In de sport gerelateerd aan… Ja, laten we dat doen. Toch? Laten we de sport nemen. Ja, dat vind ik wel best wel een moeilijke vraag. Ik las toevallig van de week een artikel over dat AI misschien in de sport juist leidt tot ongelijkheid. Ik chargeer me even, omdat de modellen op dit moment vooral zijn gebaseerd op data uit Westerse landen en toegepast worden, voor zover ze worden toegepast, in Westerse landen en nog niet voor andere culturen. Dus dat er een ontzettende bias zit in de AI-modellen die nu in de sport worden gebruikt. Ja, ik kan me daar wel een voorstelling bij maken. Uiteindelijk hebben we dat met de taalmodellen zoals ChatGPT natuurlijk ook. Dat is allemaal op Westerse data, of allemaal, maar heel veel op Westerse data geënt. En uiteindelijk hebben we gewoon verschillen. Ja. Nou, dat is eigenlijk ook wel een beetje, maar dat is een heel ander verhaal. Toen ik psychologie studeerde, waren heel veel onderzoeken gebaseerd op populaties, of vooral studenten, uit Westerse landen. En we nemen aan dat alle resultaten die uitkomen uit het onderzoek gegeneraliseerd kunnen worden naar de hele wereldbevolking, zonder überhaupt culturele effecten mee te nemen, überhaupt die mensen mee te nemen inderdaad in de onderzoeken. En dat gebeurt nu natuurlijk ook een beetje in die AI-modellen. Ja, ik kan me alles bij voorstellen. Zeker. Je boeiende reactie heeft veel nieuwe inzichten gebracht. Hartelijk dank! Kijk aan. Mooie woorden. Mooi compliment, toch? Dank je wel. Ja, want ik denk dat dat best wel, je raakt er eigenlijk wel wat, die culturele verschillen. Zie je ook culturele verschillen als je het tussen aanhalingstekens mag zetten, tussen de verschillende sporten? Ja, ja, absoluut. De ene sport is conservatiever als het gaat om gebruik van data dan de andere sport. En ik denk dat bijvoorbeeld een aantal betaald voetbalorganisaties, ook binnen sporten zie je trouwens verschillen, maar een aantal betaald voetbalorganisaties lopen echt voorop. Dat is een kwestie van cultuur en een kwestie van financiële middelen. In andere sporten zie je weer veel meer terughoudendheid naar het gebruik van data. Ja, kan me er iets bij voorstellen. En dat is ook een beetje van hoe makkelijk zijn dingen te meten. Kijk, in het wielrennen is eigenlijk gewoon een heel erg makkelijke sport, en dan gaan alle wielrenners gewoon naar de auto. Maar qua data, qua data. Maar qua data, een makkelijke sport om dingen te meten en modellen toe te passen om beter te gaan fietsen. In het roeien is het al een stukje moeilijker, omdat je bijvoorbeeld met z'n vier of z'n acht al in een boot zit en het niet een individuele sport is. Nou gaan alle fietsers zitten, ja maar wij rijden in een peloton. Dus tuurlijk zitten daar ook ingewikkelde omgevingsfactoren in. Bij judo is het al een stuk ingewikkelder, omdat het een hele technische sport is, met ook heel veel kracht, maar veel complexer dan een stukje fietsen. De dynamiek is anders en waar je mee moet acteren. Dus je counterpart, of je tegenspeler, of waar je mee te maken hebt. De omstandigheden zijn heel dynamisch. En als je zou mogen dromen, we zijn een aantal jaren verder, waar staan we dan met AI in de sport? Nou, je had het al aangehaald, wat mij echt heel gaaf lijkt, is als we de data van verschillende topsporters bij elkaar zetten. Dus een grote database kunnen bouwen en bepaalde generieke problematiek kunnen gaan oplossen met modellen. En dan hebben we het inderdaad over het voorspellen van blessures. En dan zou ik met name willen zeggen, we kunnen blessures natuurlijk in heel veel verschillende blessures onderscheiden. Je hebt acute blessures die ontstaan in één keer, je hebt mergonische blessures. Mij lijkt het heel interessant om met behulp van data van alle Nederlandse topsporters, misschien wel Europees, misschien nog veel breder, om te gaan kijken naar kunnen we overtraindheid beter voorspellen, beter in kaart brengen. En zou je dat, als we toch in de sport zitten, de analogie kunnen gebruiken van in de Formule 1 worden de meest innovatieve dingen gebruikt, die uiteindelijk zeg maar doordruppelen in ons dagelijks gebruik van de auto's. Zou dat kunnen helpen met het model wat jij nu schetst, dat dat straks mij als niet-topsporter ook zou kunnen helpen in het voorkomen van blessures? Ja, dat denk ik zeker. Sterker nog, als we specifiek naar overtraindheid kijken, ik begeef me hier wel een beetje op glad ijs, want ik weet er niet helemaal van, maar ik weet wel een klein beetje dat de symptomen van overtraindheid en burn-out kunnen best wel op elkaar lijken. Dus als we nou een model kunnen maken wat meer inzicht kan geven in overtraindheid en hoe we dat kunnen voorkomen, kunnen we dat dan ook doorvertalen naar het bedrijfsleven en meer gaan kijken naar burn-out. Dat zou het wel zijn. Dat je een soort indicatie hebt. Zou je zeggen, ik sport niet, maar ik heb wel dezelfde klachten of symptomen, dan moet ik hier aan gaan denken. Dat zou ik interessant vinden. Dat is een hele mooie droom. Ik weet niet of je het weet, maar zijn er initiatieven waar ik mijn persoonlijke data zou kunnen doneren? Sport Data Valley. Sport Data Valley, daar kan je het ook gewoon echt delen? Bij Sport Data Valley kun je een koppeling maken met Garmin of Strava of Fitbit of Polar. Je kan er dan voor kiezen om je data anoniem openbaar te zetten. Ze zijn heel hard aan de achterkant bezig om met die anonieme data echt anoniem te krijgen. Want daar zit nog wel echt een uitdaging. Mijn loopronde is toch niet ver van mijn huis vandaan. En die is toch wel vaak een beetje hetzelfde. Precies, daar ga je. Dat is dus volgens mij een van de meest ingewikkelde uitdagingen. Om wel je informatie te behouden, maar het wel anoniem te maken. Volgens mij kan het wel. Misschien weten jullie daar meer van dan ik. Er zijn methodes voor. Dus daar zijn ze aan de achterkant wel mee bezig. En dat is dus een platform om inderdaad te zeggen, ik geef mijn data om meer onderzoek te doen. We zullen de link in de show note zetten. Is er een vraag, want jij hebt misschien dit gesprek voorbereid, is er een vraag die wij niet gesteld hebben die je wel verwacht had? Ja, een klein beetje. Maar misschien heb ik het zelf nog niet een volledig antwoord gegeven. Wat mij triggert is de toepasbaarheid van modellen in de sport. En dan heb ik het even alleen over modellen om prestatie te verbeteren of blessures te voorkomen. Stel dat we zo'n model kunnen bouwen. We hebben genoeg data. We weten welke factoren we mee willen nemen om prestatie te voorspellen of blessures te voorkomen. We weten ook hoe we prestatie gaan meten, welke factoren we daar mee nemen en blessures. En dit is gewoon een vraag die mij triggert. Ik vraag me af hoe duurzaam zijn die modellen? Op het moment dat we zo'n model kunnen bouwen, kunnen implementeren. Sporters, roeiers, tennis, maakt niet uit, die gaan handelen naar dat model. Dan zit er een soort van feedback loop in je model en je gedrag. Hoe duurzaam gaat dat model zijn? Of zijn we al heel snel de waarde van het model kwijt omdat mensen hun gedrag gaan veranderen? Ik kan er wel een antwoord op geven. Als je het model als iets statisch ziet, dat je zegt "we trainen dat, we zetten dat in, we kijken er niet meer naar om", dan is het heel snel over. Maar dat geldt eigenlijk voor ieder machine learning model of AI model. Want in principe wil je een verandering terwege brengen. Anders hoef je niks te doen. Dus het is een kwestie van hoe ga je met de feedback om? Hoe krijg je die terug in het model? Hoe zorg je dat je blijft leren? Maar dus vooral heel goed nadenken over welke functionele metingen hang je aan zo'n model dat je weet dat hij goed blijft presteren. Er wordt heel vaak gesproken over nauwkeurigheid. Maar nauwkeurigheid is meestal niet de meest handige manier om dat te meten. Ik weet niet zo goed hoe dat met zo'n sportmodel zou zijn, maar dat zijn wel de dingen waar je dan heel erg op let. Dus welke data breng je terug? Het is ook niet zomaar alle data. Welke data breng je terug? Wat is de kwaliteit van die data? En blijft het model gelijk met de wereld waarin hij uiteindelijk voorspellingen moet geven? Stel in het geval van blessures. We hebben een model dat vrij goed blessures kan gaan voorspellen. Dus op een gegeven moment zijn de coaches en die zeggen nou je moet nu echt even een tandje terug in je trainingslood. En daardoor vallen bijna alle blessures weg. Dan hebben we zo meteen 1-2 jaar aan data zonder blessures. Ik probeer het even zeg maar uit te vergroten. Dan is onze informatie op een gegeven moment uit het model kwijt, omdat er geen blessures meer zijn. In zo'n extreem geval klopt dat. Maar dan heb je je doel ook bereikt. Ja, dan heb je je doel bereikt. Maar de kans dat dat gebeurt is natuurlijk minimaal. Ja, maar anders hoef je geen model te bouwen. Nee, maar als dat goed is, krijg je dus data waarvan je zegt dat in deze gevallen heeft het inderdaad voor gezorgd. Dus dat iemand blessurevrij blijft. Dus je weet welke acties je hebt genomen. En misschien gaat blessuregevoeligheid naar beneden. Ik denk ook niet dat het wel geen blessuremodel is. Mag ik daar heel even op aanhaken? Zeker. Want ik heb een beetje zitten zoeken. Ik ben op dit moment nog een beetje sceptisch over de modellen die nu in de sport worden gebruikt om blessures te voorkomen. Ik vraag me ook af of het echt wordt toegepast. Ik las een review en die hadden gekeken naar zoveel mogelijk modellen die sportblessures moeten voorspellen. De gepubliceerde modellen. Ze hadden er 30 gevonden. En daarvan hadden ze allemaal de dataset opgedeeld in een trainingsset en een testset. Maar 0% van de modellen was gevalideerd. Dus met andere woorden, het was alleen toepasbaar voor die 300 mensen die mee hadden gedaan aan dat model en niet generaliseerbaar. En zo zaten er in al die modellen extreem veel bijzen waardoor het eigenlijk niet bruikbaar is voor een grotere groep sporters. Ik hoor wat je zegt en dat heeft denk ik te maken met wat je al aangaf over de hoeveelheid data. Misschien zijn de onderzoeken ook niet zo heel goed uitgevoerd. Dat stond er ook in, klopt. Even denken hoor. Ik ben hem al kwijt. Je triggered hem al wat. Ik zei net, je gaat waarschijnlijk geen wel/niet blessure uit zo'n model halen, maar het risico op. En die zie je op een gegeven moment stijgen. En dan zou je met interventies moeten zien dat je risico daalt. En dat is denk ik waar je naartoe gaat. Dat de modellen steeds beter dat risico kunnen inschatten, waardoor je weet welke actie je zou moeten uitvoeren. Want ik denk dat dat namelijk ook een deel is van je model. Je kan wel zeggen van je moet minder doen, maar dat wil niet zeggen dat dat je blessure naar beneden haalt. Dus je moet ook heel goed weten wat de redenatie is van het model. Als je deze handeling uitvoert of ermee stopt, dan gaat je risico met zoveel procent naar beneden. Dus je krijgt weer nieuwe datapunten, namelijk je interventies en het effect van interventies op de datastroom die je al hebt. En dat zal continu een beweging zijn die zal gestuurd kunnen worden. Maar je groep moet wel groot genoeg zijn voor die wat jij zegt generalisatie, dus dat het voor meerdere personen uiteindelijk geldt. Ja, en je zal ook, want ik heb zelf een student begeleid die blessures ging voorspellen in een groep basketballers. En waar hij ook wel tegenaan liep was dat sommige basketballers heel vaak geblesseerd waren en sommigen nooit. En dat gaf ook een bepaalde bias aan het model. Ja, en misschien moet je dat als factor meenemen. Je zal heel goed moeten uitpluizen van waar zit nou een verband tussen het ene en het ander. Dus misschien is de blessuregevoeligheid wel een factor die je in je model mee moet nemen. Dat voor heel blessuregevoelige sporters je uiteindelijk een ander advies krijgt dan voor niet blessuregevoelig. Ik zie het toch wel een beetje als bijvoorbeeld kans op hart- en vaatziekten die wordt berekend. Dat je cholesterol, bloed, levensstijl, dat soort dingen. En die modellen zijn best wel heel erg redelijk. Dus je zou haast zeggen, als het daar kan, daar heb je ook mensen die in een categorie vallen waarvan je weet, die hebben een hele grote kans op hart- en vaatziekten. Terwijl een ander dat misschien weer niet heeft. Ik denk dat je voor de breedtesporter eerder komt dan voor de topsporter. Dat denk ik ook. En dat is wel relevant hoor, want een groot deel van de kosten zijn breedtesporters die opeens drie, vier keer per week gaan hardlopen en geblesseerd raken. Ja, en zeker in het bedrijfsleven. Leuk naar het weekend voetballen of tennissen. Of draaien knieën. Ja, dat soort dingen. Super bedankt voor al je inzichten. Ik denk dat wij een heel mooi kijkje hebben gekregen over hoe dat werkt in de topsporter en AI. Ik was daar zelf echt heel erg benieuwd naar, gezien mijn interesse in de sport. Dankjewel voor de komst naar de studio. Dankjewel voor de uitnodiging. En jullie weer bedankt voor het luisteren. Tot de volgende aflevering. Zorg dat je je natuurlijk eventjes abonneert via je favoriete podcast app. Dan mis je geen aflevering. Dankjewel. [Muziek]