Les technologies dites d’Intelligence Artificielle (IA) ont toujours suscité de l’intérêt et encore plus depuis une année (cf. Tendances Google), en particulier via le récent avènement des techniques d’apprentissage profond.
Mais qu’est-ce au juste que cette IA ? C’est tout simplement un programme informatique qui analyse des données et en prédit quelque chose qui a – normalement – du bon sens. Ce quelque chose peut être divers et varié et n’a de limite que l’imagination. Des exemples simples qui viennent immédiatement à l’esprit sont la « prédiction de la météo » pour un service météo, la « prédiction qu’une photo contienne monsieur X » pour un post Facebook… Il faut insister sur le terme prédiction car il n’y a pas de magie, le programme ne pourra pas annoncer quelque chose de certain à 100%. Néanmoins, si la prédiction a plus de 50% de chances de se réaliser, elle est théoriquement meilleure que du pile ou face ; et si elle dépasse 90-95% de chances de se réaliser, elle est à prendre comme une très sérieuse éventualité. Certes, le programme n’est pas plus intelligent qu’un humain, loin s’en faut, mais il a la capacité à traiter méthodiquement, statistiquement et hyper rapidement un nombre souvent gigantesque de données pour réaliser sa prédiction… encore faut-il que toutes les bonnes données aient été prises en compte. Sinon la prédiction peut se planter complètement, typiquement en l’absence de prise en compte d’une donnée de bon sens qui n’était habituellement pas importante. Il faut alors essayer de récolter cette donnée et mettre à jour le programme pour que la prédiction soit meilleure la prochaine fois ; pour les machines aussi « les erreurs, cela reste un processus normal dans l’apprentissage ».
A noter qu’un des top gourous mondiaux de l’IA est français : Yann Le Cun. Il faut le voir comme un sportif de haut niveau hors-norme dans le monde de la recherche. Il a été en particulier un pionnier dans la branche des réseaux neuronaux convolutifs (ConvNet), une technique essentielle pour disséquer les images et les vidéos. Il est aujourd’hui directeur de de la recherche en IA d’un certain Facebook mais intervient aussi régulièrement pour propager son savoir. Il n’est bien-sûr pas le seul français à travailler dans ce domaine.
Pour en revenir au triathlon, laissons-nous aller à faire un peu de science fiction sur ce que pourrait apporter l’IA.
Comme dans tous les sports, la prédiction y existe déjà. Voici quelques exemples que vous connaissez certainement si vous lisez régulièrement Trimes :
- La prédiction du chrono des pros sur longue distance : https://www.trirating.com
- La prédiction du temps vélo : https://www.bestbikesplit.com qui se base sur plusieurs données telles que la puissance et le poids du cycliste, le type et le poids du vélo, le type de route, la météo prévue pour le jour-J…
- La prédiction des pics de forme : https://trainingpeaks.com qui se base sur la fatigue/forme/caisse découlants des semaines avant une compet’.
Alors qu’est-ce-que l’IA pourrait aider à prédire de plus ? Eh bien, il y a certainement matière à améliorer encore plus les estimations de chrono que mettra un athlète sur une épreuve (en fonction de son historique personnel mais aussi de l’historique anonymisé d’autres athlètes), à estimer la probabilité de surentraînement et de blessure et donc de proposer des plans d’entraînements encore plus personnalisés pour chaque athlète… mais tout cela reste somme toute dans la continuité de ce qu’on voit déjà.
En revanche, une nouveauté plus inattendue semble pointer le bout de son nez, dans le domaine de l’étude posturale. En effet, à survoler certaines publications scientifiques et prototypes logiciels, nombre de travaux ont lieu autour de l’estimation de la position corporelle d’une personne à partir d’une vidéo ou même d’une simple image, et ce en temps réel :
- https://github.com/ZheC/Realtime_Multi-Person_Pose_Estimation
- https://www.seas.upenn.edu/~pavlakos/projects/harvesting
- https://pages.iai.uni-bonn.de/iqbal_umar/ds3dpose
Ceci laisse à penser qu’à l’avenir, des logiciels pourront aider à réaliser des études posturales encore plus poussées – en vélo, mais aussi en natation et en course à pied – pour comparer plus facilement ses gestuelles par rapport à celles des champions. Peut-être que des suggestions individualisées d’un modèle de champion à imiter seront aussi automatiquement proposées en fonction de prédictions physiologiques telles que le Myers-Briggs Type Indicator (MBTI). Par contre, surgit une autre question : lorsqu’un athlète sera analysé comme étant mal positionné en natation ou en course à pied, comment lui faire un retour automatique et immédiat pour qu’il puisse rectifier sa technique ? Là, on sort de l’IA, mais on peut rester dans la science fiction : il reste probablement à inventer un mécanisme tel que l’envoi d’une petite vibration minutieusement localisée sur la partie du corps de l’athlète qui aurait besoin d’être remise sur la trajectoire idéale. L’oreillette du cycliste pro en pire quoi !
De tels scénarios peuvent soit inquiéter le sportif, soit le fasciner, soit les deux à la fois. De plus, à trop vouloir automatiser l’apprentissage, il y a aussi le risque de brider l’innovation. En effet, en suivant tout ce qui a été imaginé précédemment, un Fosbury n’aurait jamais pu ériger sa technique dans le saut en hauteur. D’ailleurs certaines mises en oeuvre d’IA comme AlphaGo en font le constat et en viennent finalement à résoudre des problèmes en tentant, de temps à autre, des coups au pif pour explorer le panel des possibles et tenter de trouver de nouvelles voies jusque-là inconnues.
C’est donc une bonne nouvelle pour les athlètes et les coachs : même si les outils progressent, il leur faudra sortir des sentiers battus pour tenter de faire mieux que les autres athlètes, ou tout au moins continuer à avoir du bon sens pour savoir réagir aux événements imprévisibles.