Der er mange ting, som medtages i beregningen
Det er ikke nemt at beregne præcist, hvilken slags ingredienser og hvor mange kalorier hver rytter har brug for. Før i tiden begyndte holdenes ernæringseksperter at forberede deres kalorieestimater flere uger eller endda en måned før starten på Tour de France. De kiggede i første omgang på etapernes profiler og på rytternes vægt og kropsbygning. Men efter løbets start kom der altid uforudsete faktorer til. Vejret, ændringer i holdets taktik og mange andre ting krævede en hurtig tilpasning af indtagelsen.
Asker Jeukendrup, som er ansvarlig for ernæringen hos Team Jumbo-Visma, har sagt i interviews, at han var nødt til at oprette diagrammer for hver rytter for at beregne deres optimale indtag og omdanne det til måltider.
”Det var meget tidskrævende, og jeg kunne kun udføre beregningerne for to ryttere ad gangen. Langsomt begyndte vi at opskalere, men det blev først skalerbart og hurtigere, da Jumbo Foodcoach-appen kunne udføre beregningerne for os og omsætte dem til måltider. Jumbo har været en fantastisk partner på det område, og vi forbedrer hele tiden appen.”
Indsamling af data
Opskalering og udvikling af en app, som kunne hjælpe med at automatisere processen, var et stort skridt fremad for holdet. For at det kan fungere effektivt har de været nødt til at sikre, at appen har alle de nødvendige data til at kunne give præcise forudsigelser. Det omfattede følgende:
- En Garmin-enhed på hver rytters cykel, som viser de faktiske rutedata vedrørende samlet distance, kørt stigning i meter etc.
- Et powermeter i kranken, som leverer en præcis beregning af de forbrændte kalorier.
- Rytternes individuelle vægt, højde og rolle (sprinter, bjergrytter, etc.).
- Vejrudsigten i kombination med GPS-lokationsdata for hver rytter for at hjælpe med at beregne påvirkningen fra vejret (medvind eller modvind etc.).
Indsamlingen og visualiseringen af disse data udføres af Smartbase, som er en datahåndterings- og -analyseplatform. Trænerne hos Team Jumbo-Visma anvender denne platform til indtastning af faktiske data.
Kontrolleret læring
Holdet skal også rense dataene ved at fjerne fejl. Hvis en rytter eksempelvis glemmer at slukke sin Garmin-enhed, når etapen er slut, skal han slette den del af dataene, som er registreret efter etapen. De gør også visse variabler relative, som fx kraft, energi og stigning, så det bliver nemt at sammenligne etaper og løb. Alle disse data bliver så anvendt til at forberede prognoser.
Ved hjælp af eksempler fra træningen har Team Jumbo-Visma indført kontrolleret læring for at lære deres algoritme, hvad resultatet af kalorieforudsigelserne skal være. Det var et regressionsproblem, og de valgte tilfældig prognose som den bedste maskinlæring-algoritme til at løse det.
Maskinlæring er langt mere præcis
Det lyder jo godt alt sammen, men det kan ikke bruges til så meget, hvis ikke forudsigelserne som minimum er lige så præcise, som når menneskelige ernæringseksperter laver dem manuelt. De anvendte R-squared til at evaluere både maskinlæring-modellen og manuelle forudsigelser. R-squared måler styrken af forholdet mellem modellen og kalorierne på en skala fra 0-100 %. Denne maskinlæring-model fik en score på 82 %, mens de manuelle forudsigelser kun opnåede 52 %. Det er helt utroligt! Algoritmen er ikke bare mere præcis, men ernæringseksperterne får også resultaterne på et splitsekund, så de har mere tid til at reagere på de uforudsete faktorer, som opstår under løbet.
Jumbo Foodcoach-appen omsætter det til måltider
Jumbo Foodcoach-appen samler trådene. Når et holds ernæringsekspert indtaster antallet af kalorier fra maskinlæring-modellen i appen, så viser den eksempler på måltider med optimerede størrelser for hvert måltid. Nemmere bliver det ikke. Det er en af de afgørende årsager til, at holdet bliver ved med at vinde. Du kan tage et kig på deres app i App Store eller på Google Play.
