Generatywna AI dla biegaczy: do czego się nadaje, a do czego nie
Generatywna AI to narzędzie do tekstu: dobrze zamienia zdanie w ustrukturyzowany trening, słabo radzi sobie z tym, by mieć rację co do twojego ciała. Praktyczny, sceptyczny poradnik.
Dla sportowca wytrzymałościowego generatywna AI nie jest ani gadżetem, ani rewolucją. To narzędzie do tekstu. Świetnie zamienia luźny język w strukturę, a strukturę w czytelny tekst, i jest zawodna, gdy musi mieć rację co do twojego ciała albo liczb, których nikt jej nie podał. Gdy spojrzysz na nią w ten sposób, staje się jasne, gdzie oszczędza czas, a gdzie może zaszkodzić.
Dobra w: pisaniu treningu
Wpisywanie ustrukturyzowanego treningu do aplikacji zegarka jest żmudne. Opisanie go już nie. „20 minut spokojnie, potem 6 × 3 minuty mocno z 2 minutami truchtu, 10 minut schłodzenia” to dokładnie taki rodzaj zdania, z którym model językowy dobrze sobie radzi: dzieli je na kroki, rozpoznaje powtórzenia i, jeśli zna twoje strefy, nadaje każdemu krokowi cel. „Mocno” przez 3 minuty staje się twoim zakresem tempa VO2max, „trucht” tempem regeneracyjnym.
Zanim trening trafi na zegarek, warto sprawdzić dwie rzeczy: łączny czas trwania (modele czasem pomijają albo podwajają blok) i intensywność, jaką wybrał dla nieprecyzyjnych słów. „Mocno” dla jednej osoby oznacza próg, dla innej tempo na 5 km. Jeśli model wybrał źle, powiedz mu to albo następnym razem napisz „na progu”.
Dobra w: zamianie odczuć na dane
Po długim wybieganiu mało kto wypełni formularz z pięcioma suwakami. Powie raczej coś w stylu: „pierwsza godzina w porządku, potem dopadł mnie upał, ostatnie 5 km to była walka i spięła mi się prawa łydka”. Model językowy może zamienić to na ocenę wysiłku około 8 i notatkę: prawa łydka, napięcie, pod koniec biegu. Z tygodniami takie notatki stają się czymś, co trener może naprawdę filtrować.
To ważniejsze, niż się wydaje. Przegląd systematyczny Saw i współpracowników (2016) wykazał, że subiektywne, zgłaszane przez samego zawodnika miary lepiej odzwierciedlają obciążenie treningowe niż większość obiektywnych markerów. Wąskim gardłem zawsze było nakłonienie zawodników do ich zapisywania. Gdy wystarczy jedno zdanie albo wiadomość głosowa, to pomaga.
Dobra w: streszczaniu i przepisywaniu
Wklej notatki z czterech tygodni treningów i poproś o podsumowanie przed rozmową z trenerem: wyłowi powtarzające się wątki (ścięgno Achillesa, które odzywa się po podbiegach, czwartkowe treningi, które ciągle wypadają) szybciej niż ty. Może przepisać tydzień pod jakieś ograniczenie, na przykład wyjazd służbowy od wtorku do czwartku z samą hotelową bieżnią, i dać ci rozsądny szkic. Może przetłumaczyć plan, który trener napisał w innym języku. Za każdym razem dostajesz szkic do sprawdzenia, a nie polecenie do wykonania.
Przydatna z ostrożnością: wyjaśnianie
Zapytaj, czym trening progowy różni się od interwałów VO2max albo dlaczego tempo długiego wybiegania ma być odczuwalnie łatwe, a zwykle dostaniesz porządne wyjaśnienie. Ryzyko polega na tym, że doda pewnym tonem jakiś błędny szczegół albo zacytuje badanie, które nie istnieje. Modele językowe produkują płynny tekst, a nie sprawdzone fakty; badacze nazywają ten problem halucynacją (Ji i współpracownicy, 2023). Jeśli odpowiedź powołuje się na źródło, sprawdź je, zanim powtórzysz to dalej.
Słaba w: diagnozowaniu
Wpisz „boli mnie zewnętrzna strona kolana po 20 km”, a dostaniesz schludną odpowiedź o pasmie biodrowo-piszczelowym, z rozciąganiem i planem powrotu do biegania. Może to prawda. Może to też być coś zupełnie innego, a model nie ma jak tego stwierdzić: nie może cię zbadać, zobaczyć, jak biegasz, ani nacisnąć bolącego miejsca. Wiarygodnie brzmiąca odpowiedź na pytanie medyczne jest gorsza niż żadna, bo opóźnia wizytę, która by sprawę wyjaśniła. Ból, który się utrzymuje, sprawia, że kulejesz, nasila się w trakcie biegu albo występuje w spoczynku, to sprawa dla fizjoterapeuty albo lekarza.
Słaba w: pełnych planach od zera
Düking i współpracownicy (2024) poprosili ChatGPT o sześciotygodniowe plany biegowe i dali je do oceny ekspertom od trenowania według 22 kryteriów. Przy niewielkiej ilości danych wejściowych plan wypadł poniżej środka skali w 19 z nich. Przy szczegółowych danych wypadł znacznie lepiej, ale autorzy i tak odradzają realizowanie takich planów bez doświadczonego trenera. Typowy błąd łatwo sobie wyobrazić: biegasz 30 km tygodniowo, prosisz o plan maratoński, a pierwszy tydzień ma 50 km, bo model uzupełnił twoją historię historią przeciętnego biegacza.
Słaba w: liczbach, których nie dostała
Zapytaj „ile przebiegłem we wrześniu?”, nie podając swoich danych, a model czatu może po prostu wymyślić wiarygodną liczbę. Nawet gdy wkleisz dane, sumowanie trzydziestu wierszy nie jest jego mocną stroną. Sumy, średnie i obliczenia obciążenia powinny pochodzić z oprogramowania, które je liczy, a model językowy powinien jedynie mówić o wyniku.
Jak dostać bardziej przydatne odpowiedzi
Daj mu kontekst: swoje strefy albo aktualne czasy z zawodów, tygodniową objętość z ostatnich czterech do sześciu tygodni, zawody i ich datę, dni, w które możesz trenować, i każdą obecną dolegliwość. Poproś, żeby podał swoje założenia, zanim cokolwiek napisze. Potem sprawdź wynik według kilku prostych zasad: bez dużego skoku tygodniowej objętości, bez większej liczby mocnych treningów, niż jesteś przyzwyczajony (dwa w tygodniu to dla większości biegaczy amatorów aż nadto), i spokojne dni, które naprawdę są spokojne.
W OpenAthlete
Funkcje AI w OpenAthlete pozostają po tekstowej stronie tej granicy. Piszą ustrukturyzowany trening z jednego zdania na podstawie twoich stref, zmieniają trening według krótkiego polecenia, zadają trzy czy cztery pytania po aktywności i zamieniają odpowiedzi na ocenę wysiłku i notatkę o bólu dla twojego trenera, a także dają krótkie omówienie każdej aktywności. Widzisz każdy trening, zanim trafi na zegarek. Nie stawiają żadnych diagnoz i działają tylko za twoją zgodą, na twoim własnym kluczu API albo w ramach limitu Supporter. Szczegóły znajdziesz na stronie o AI.
Źródła
- Saw AE, Main LC, Gastin PB (2016). Monitoring the athlete training response: subjective self-reported measures trump commonly used objective measures: a systematic review. British Journal of Sports Medicine, 50(5), 281–291. doi:10.1136/bjsports-2015-094758
- Ji Z et al. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12). doi:10.1145/3571730
- Düking P et al. (2024). ChatGPT generated training plans for runners are not rated optimal by coaching experts, but increase in quality with additional input information. Journal of Sports Science and Medicine, 23(1), 56–72. doi:10.52082/jssm.2024.56