Article
Hoe machine learning de prestaties van Team Visma | Lease a Bike optimaliseert
13/4/2022
Team Visma | Lease a Bike, Innovatie, AI
Article
Hoe machine learning de prestaties van Team Visma | Lease a Bike optimaliseert
Team Visma | Lease a Bike, Innovatie, AI
April 13, 2022
Hoe machine learning de prestaties van Team Visma | Lease a Bike optimaliseert
Team Visma | Lease a Bike, Innovatie, AI
13/4/2022
Article
Hoe machine learning de prestaties van Team Visma | Lease a Bike optimaliseert
Team Visma | Lease a Bike, Innovatie, AI
April 13, 2022
Article
Hoe machine learning de prestaties van Team Visma | Lease a Bike optimaliseert
Team Visma | Lease a Bike, Innovatie, AI
April 13, 2022
Het wielerseizoen is begonnen. Als sponsor van Team Visma | Lease a Bike moedigen we de wielrenners niet alleen aan, maar geven we hen ook ondersteuning achter de schermen. Of het nu gaat om het beklimmen van de steilste heuvel of het ontwikkelen van een geavanceerd algoritme, teamwork is essentieel. Het was dus een natuurlijke stap voor ons om metTeam Visma | Lease a Bikesamen te werken om hun prestaties te optimaliseren.
Onvoorziene factoren
In het verleden begonnen de coaches meer dan drie weken van tevoren met de voorbereiding van de calorie-inschattingen van de wielerploeg. Het doel was om er zeker van te zijn dat ze voldoende inschattingen per renner en etappe hadden. Met behulp van gegevens als het profiel van de etappe, de body-mass index van de fietsers, de hoogte en de totale afstand, kwamen ze dan handmatig tot hun berekeningen.
Maar in de wielerkoers hebben onvoorziene factoren bijna altijd invloed op de hoeveelheid energie die wielrenners verbruiken. Zo kan het weer de fietsers ertoe brengen zich meer in te spannen. Of mogelijk is het nodig om de tactiek van de ploeg door andere omstandigheden aan te passen.
We hebben gekeken naar hoe we het leven van zowel coaches als wielrenners kunnen vereenvoudigen
Dit betekende voorheen dat de coaches hun schattingen vaak vóór elke etappe van de wedstrijd moesten herzien. Dat kostte veel tijd. Daarom hebben we gekeken naar hoe we het leven van zowel coaches als wielrenners kunnen vereenvoudigen. Samen met het team begonnen we aan een reis om de voedingsberekening met behulp van automatisering te verbeteren.
De kracht van machine learning
De eerste stap was het verzamelen van de nodige gegevens. Een Garmin apparaat op de fiets geeft ons de actuals (zoals totale afstand en klimmeters) voor elke race. Een vermogensmeter op de crank verzamelt een nauwkeurige berekening van de verbrande calorieën. We hebben een TCX-bestand met GPS-coördinaten dat ons metriek verschaft over het profiel van de race (afstand, klimmeters, moeilijkheidsgraad, enzovoort).
We hebben ook informatie over het gewicht, de lengte en de rol van de renners (of ze een sprinter of een klimmer zijn, bijvoorbeeld). Tenslotte houden we rekening met de weersomstandigheden. Door de weersvoorspelling te combineren met GPS-informatie en de locatie van de renner kunnen we het windeffect berekenen – of het een rugwind of tegenwind is.
Het verzamelen en visualiseren van de gegevens wordt aangestuurd door Smartbase, een gegevensbeheer en -analyse platform voor atleten. De coaches gebruiken deze omgeving om de actuals in te voeren. Wij gebruiken deze gegevens dan om de voorspellingen voor te bereiden.
Een deel van het werk bestaat ook uit het voorbewerken van deze gegevens en het verwijderen van uitschieters. Een fietser kan bijvoorbeeld vergeten zijn Garmin toestel uit te zetten, dus moeten we de “ruis” uit de gegevensverzameling filteren. We maakten ook enkele variabelen relatief, zoals vermogen, energie en hoogte, om etappes en wedstrijden gemakkelijker te vergelijken.
Met behulp van trainingsvoorbeelden passen we supervised learning toe om ons algoritme de uitkomst van de calorievoorspellingen te leren. Dit is een regressieprobleem. We kozen random forest als het beste machine-learning algoritme om het op te lossen.
De resultaten
We hebben verschillende maatstaven gebruikt om de prestaties ervan te evalueren. We keken bijvoorbeeld naar de R-kwadraat van ons model en de handmatige voorspellingen die door coaches gedaan werden. De R-kwadraat meet de sterkte van het verband tussen het model en de afhankelijke variabele (calorieën) op een handige schaal van 0-100%.
Coaches krijgen in een fractie van een seconde de resultaten, wat de nauwkeurigheid ten goede komt en kostbare tijd bespaart
Het machine-learning model kreeg een score van 82%, terwijl de handmatige voorspellingen een score van 52% kregen. Dat betekent dat coaches nu in een fractie van een seconde de resultaten krijgen, wat de nauwkeurigheid ten goede komt en kostbare tijd bespaart.
Nu de calorieramingen door machine learning worden aangedreven, hoeven coaches alleen maar de calorieën van renners in te voeren in een app die geoptimaliseerde verhoudingen voor elke maaltijd teruggeeft. Dit is een belangrijke stap om onze wielersterren te helpen doen waar ze het beste in zijn: hard fietsen en winnen.
Over deze aflevering
Het wielerseizoen is begonnen. Als sponsor van Team Visma | Lease a Bike moedigen we de wielrenners niet alleen aan, maar geven we hen ook ondersteuning achter de schermen. Of het nu gaat om het beklimmen van de steilste heuvel of het ontwikkelen van een geavanceerd algoritme, teamwork is essentieel. Het was dus een natuurlijke stap voor ons om metTeam Visma | Lease a Bikesamen te werken om hun prestaties te optimaliseren.
Onvoorziene factoren
In het verleden begonnen de coaches meer dan drie weken van tevoren met de voorbereiding van de calorie-inschattingen van de wielerploeg. Het doel was om er zeker van te zijn dat ze voldoende inschattingen per renner en etappe hadden. Met behulp van gegevens als het profiel van de etappe, de body-mass index van de fietsers, de hoogte en de totale afstand, kwamen ze dan handmatig tot hun berekeningen.
Maar in de wielerkoers hebben onvoorziene factoren bijna altijd invloed op de hoeveelheid energie die wielrenners verbruiken. Zo kan het weer de fietsers ertoe brengen zich meer in te spannen. Of mogelijk is het nodig om de tactiek van de ploeg door andere omstandigheden aan te passen.
We hebben gekeken naar hoe we het leven van zowel coaches als wielrenners kunnen vereenvoudigen
Dit betekende voorheen dat de coaches hun schattingen vaak vóór elke etappe van de wedstrijd moesten herzien. Dat kostte veel tijd. Daarom hebben we gekeken naar hoe we het leven van zowel coaches als wielrenners kunnen vereenvoudigen. Samen met het team begonnen we aan een reis om de voedingsberekening met behulp van automatisering te verbeteren.
De kracht van machine learning
De eerste stap was het verzamelen van de nodige gegevens. Een Garmin apparaat op de fiets geeft ons de actuals (zoals totale afstand en klimmeters) voor elke race. Een vermogensmeter op de crank verzamelt een nauwkeurige berekening van de verbrande calorieën. We hebben een TCX-bestand met GPS-coördinaten dat ons metriek verschaft over het profiel van de race (afstand, klimmeters, moeilijkheidsgraad, enzovoort).
We hebben ook informatie over het gewicht, de lengte en de rol van de renners (of ze een sprinter of een klimmer zijn, bijvoorbeeld). Tenslotte houden we rekening met de weersomstandigheden. Door de weersvoorspelling te combineren met GPS-informatie en de locatie van de renner kunnen we het windeffect berekenen – of het een rugwind of tegenwind is.
Het verzamelen en visualiseren van de gegevens wordt aangestuurd door Smartbase, een gegevensbeheer en -analyse platform voor atleten. De coaches gebruiken deze omgeving om de actuals in te voeren. Wij gebruiken deze gegevens dan om de voorspellingen voor te bereiden.
Een deel van het werk bestaat ook uit het voorbewerken van deze gegevens en het verwijderen van uitschieters. Een fietser kan bijvoorbeeld vergeten zijn Garmin toestel uit te zetten, dus moeten we de “ruis” uit de gegevensverzameling filteren. We maakten ook enkele variabelen relatief, zoals vermogen, energie en hoogte, om etappes en wedstrijden gemakkelijker te vergelijken.
Met behulp van trainingsvoorbeelden passen we supervised learning toe om ons algoritme de uitkomst van de calorievoorspellingen te leren. Dit is een regressieprobleem. We kozen random forest als het beste machine-learning algoritme om het op te lossen.
De resultaten
We hebben verschillende maatstaven gebruikt om de prestaties ervan te evalueren. We keken bijvoorbeeld naar de R-kwadraat van ons model en de handmatige voorspellingen die door coaches gedaan werden. De R-kwadraat meet de sterkte van het verband tussen het model en de afhankelijke variabele (calorieën) op een handige schaal van 0-100%.
Coaches krijgen in een fractie van een seconde de resultaten, wat de nauwkeurigheid ten goede komt en kostbare tijd bespaart
Het machine-learning model kreeg een score van 82%, terwijl de handmatige voorspellingen een score van 52% kregen. Dat betekent dat coaches nu in een fractie van een seconde de resultaten krijgen, wat de nauwkeurigheid ten goede komt en kostbare tijd bespaart.
Nu de calorieramingen door machine learning worden aangedreven, hoeven coaches alleen maar de calorieën van renners in te voeren in een app die geoptimaliseerde verhoudingen voor elke maaltijd teruggeeft. Dit is een belangrijke stap om onze wielersterren te helpen doen waar ze het beste in zijn: hard fietsen en winnen.
Koplopers
Duik in de digitale wereld met "Koplopers, powered by Visma" waar journalist Sander Hulsman en CISO bij Visma Cindy Wubben het altijd veranderende landschap van cybersecurity ontrafelen.
