Dal semplice generatore di schede a un coach digitale che utilizza storico, dati reali e contesto prima di suggerire cosa fare
Dopo aver costruito AI-nuoto e averlo collegato ai miei allenamenti reali attraverso Strava, mi sono posto una domanda.
Che cosa ho costruito realmente?
- Un sistema capace di generare allenamenti?
- Sì, ma questa è probabilmente la parte meno interessante.
- Oggi posso aprire qualsiasi AI generativa e scrivere:
- “Preparami un allenamento di nuoto da 3.000 metri per migliorare la capacità aerobica.”
In pochi secondi otterrò una scheda apparentemente credibile.
Ma quella scheda potrebbe essere adatta a me, a un altro nuotatore o praticamente a chiunque.
Il problema non è quindi generare un allenamento, il problema è generare l’allenamento giusto in quel momento.
Prima di decidere bisogna conoscere!
Un allenatore, prima di assegnare una seduta, dispone di informazioni.
Conosce l’atleta, sa cosa ha fatto nei giorni precedenti, conosce gli obiettivi e sa se si sta avvicinando una gara.
Un LLM utilizzato senza contesto non possiede nulla di tutto questo.
È qui che il progetto AI-nuoto ha iniziato ad assumere per me un significato differente.
Il sistema dispone ora di tre elementi.
- La storia: più di 200 allenamenti provenienti da Final Surge costituiscono la sua Knowledge.
- L’atleta: un profilo contiene riferimenti prestativi, CSS, obiettivi e caratteristiche dell’allenamento.
- La realtà: attraverso Strava può verificare gli allenamenti effettivamente eseguiti.
A questo punto la domanda può cambiare completamente.
Non più: “Fammi 3.000 metri.”
Ma: “Considerando quello che avrei dovuto fare, quello che ho realmente fatto e la mia progressione recente, cosa avrebbe senso fare domani?”
Questa è la domanda che mi interessa !
Planned e Completed raccontano due storie diverse
Durante la costruzione di AI-nuoto è emerso un concetto apparentemente banale ma fondamentale:
PLANNED ≠ COMPLETED
Il programma racconta ciò che avrebbe dovuto succedere, il dispositivo racconta ciò che è successo realmente.
Se Final Surge prevede 3.000 metri ma su Strava non esiste alcuna attività, AI-nuoto non deve concludere che io abbia nuotato 3.000 metri.
Se erano previsti 2.800 metri e Garmin ne registra 3.200, anche questa differenza è informazione.
E se negli ultimi giorni ho accumulato più volume del previsto, la seduta successiva potrebbe meritare una valutazione diversa.
È qui che il dato smette di essere semplicemente un numero.
Diventa contesto.
Dal dato alla decisione
L’architettura che si è creata può essere riassunta in quattro parole:
DATA → KNOWLEDGE → CONTEXT → DECISION
- Data è il dato grezzo: metri, durata, frequenza cardiaca, data dell’attività.
- Knowledge è la storia: allenamenti, struttura delle sedute, progressioni, esercizi.
- Context è la situazione attuale: cosa ho fatto recentemente, quale obiettivo sto perseguendo, quanto manca alla prossima gara.
- Decision è ciò che viene dopo.
Ed è proprio quest’ultimo passaggio quello più delicato.
Perché un’AI può avere accesso a migliaia di dati senza necessariamente prendere una buona decisione.
La qualità non dipende soltanto dalla quantità di informazioni disponibili, ma dalla capacità di metterle in relazione.
Un esempio concreto
Immaginiamo che nel calendario sia prevista una Seduta A da 3.000 metri; AI-nuoto potrebbe limitarsi a recuperarla dalla Knowledge, ma ora può fare qualcosa in più.
- Può verificare su Strava se l’allenamento precedente è stato realmente effettuato.
- Può confrontare distanza programmata e distanza eseguita.
- Può guardare la progressione delle ultime Sedute A.
- Può considerare i miei riferimenti prestativi.
E solo successivamente proporre una nuova seduta.
Il risultato finale può essere ancora un banalissimo:
Seduta A – 3.000 m
Ma ciò che cambia completamente è il processo che ha portato a quei 3.000 metri.
Ed è proprio questo che distingue, secondo me, un generatore da un agente.
Il ruolo dell’essere umano non scompare
C’è però un punto sul quale non vorrei creare equivoci.
Non penso che un progetto del genere elimini il ruolo dell’allenatore.
Al contrario, un coach vede cose che i dati spesso non raccontano.
Può osservare la tecnica, conoscere lo stato mentale dell’atleta, capire quando una giornata semplicemente non gira.
Anche il più sofisticato sistema di raccolta dati può sapere che ho completato 3.000 metri.
Non necessariamente sa come mi sono sentito mentre li facevo.
Ed ecco un altro pezzo interessante del progetto.
Il dato quantitativo deve incontrare quello qualitativo.
Dopo un allenamento potrei semplicemente dire ad AI-nuoto:
“Allenamento completato. Buone sensazioni fino ai 2.000 metri, poi ho iniziato a perdere qualità nella presa. Fatica 7/10.”
Poche parole.
Ma quelle poche parole possono dare un significato completamente diverso ai numeri registrati dall’orologio.
Il prossimo livello (capire cosa succede dentro l’allenamento)
Per ora ho volutamente mantenuto l’integrazione semplice; AI-nuoto recupera le attività da Strava e può confrontare programmato ed eseguito.
Ma esiste un livello successivo.
Gli stream permettono di analizzare l’andamento dei dati durante l’attività: tempo, distanza, frequenza cardiaca e altre informazioni disponibili.
A quel punto le domande potrebbero diventare:
- La frequenza cardiaca è rimasta stabile?
- Quando è iniziato il calo?
- L’ultima parte è stata più impegnativa della prima?
Nel nuoto esiste però un’ulteriore difficoltà: Garmin possiede informazioni molto specifiche — vasche, bracciate, SWOLF, ripetute — che non necessariamente vengono esposte integralmente attraverso Strava.
Probabilmente sarà una delle prossime cose da esplorare.
Del resto sono un nerd in ferie 🙂
Qualcosa dovrò pur fare.
Un piccolo Digital Twin sportivo?
Spingendo un po’ più avanti il ragionamento, quello che sto costruendo assomiglia vagamente a un piccolo Digital Twin dell’atleta.
Non nel significato industriale rigoroso del termine, naturalmente.
Ma il concetto è interessante.
Esiste una rappresentazione digitale che conosce parte della mia storia sportiva, alcuni parametri prestativi, gli allenamenti programmati e quelli realmente eseguiti.
E questa rappresentazione viene aggiornata progressivamente.
Ogni nuovo allenamento aggiunge informazione, ogni nuovo test modifica i riferimenti, ogni gara aggiunge un nuovo punto alla storia.
L’AI non deve quindi “ricominciare da zero” ogni volta che le faccio una domanda. Ha una memoria sulla quale ragionare.
Ed è qui che l’AI diventa interessante
La cosa che più mi affascina di questo piccolo progetto non riguarda, in realtà, il nuoto.
Riguarda il modo in cui utilizzeremo l’intelligenza artificiale.
La prima fase dell’AI generativa è stata dominata dal prompt:
io chiedo → AI risponde.
La fase successiva potrebbe essere molto più interessante:
io chiedo → AI recupera il contesto → consulta i dati → utilizza la memoria → ragiona → risponde.
Il valore si sposta dal semplice modello alla combinazione tra modello, dati e contesto.
Nel mio caso tutto questo serve a decidere se domani devo fare 2.800 o 3.000 metri.
Non cambierò il mondo.
Ma probabilmente entrerò in piscina con un allenamento un po’ più ragionato.
E, per un appassionato di nuoto in acque libere e tecnologia, è già un ottimo risultato.
