¿Están las Industrias de Fitness y Competición de la Natación Preparadas en Datos para la IA? – Parte 1

Introducción

Los conocimientos basados en datos han transformado muchos deportes, respaldando planes de entrenamiento más precisos, el monitoreo del riesgo de lesiones y la retroalimentación del rendimiento en tiempo real (Vec et al., 2024; Leckey et al., 2025). Sin embargo, en el ámbito de la natación —un deporte donde los milisegundos son determinantes— la calidad y la estructura de los datos siguen siendo desafíos significativos. ¿Cómo pueden la IA y el ML ayudarnos a tomar mejores decisiones, y qué riesgos surgen cuando se ignora la calidad de los datos?

Esta primera entrega de nuestra serie en dos partes ofrece una revisión basada en literatura sobre la preparación de datos para la IA en el deporte. Se nutre de campos de investigación en IA/ML y aplica esas ideas a escenarios específicos de la natación. Nuestro objetivo es tender un puente entre lo que los sistemas de IA necesitan y cómo la natación puede proporcionarlo. Exploraremos los fundamentos de la calidad de los datos, los peligros de una gestión deficiente de los mismos y los pilares clave necesarios para construir conjuntos de datos sólidos y preparados para la IA. Al finalizar esta revisión, comprenderás por qué los datos bien estructurados y de alta calidad son esenciales para el análisis avanzado, la toma de decisiones más eficaz y una retroalimentación del rendimiento más útil en la piscina.

Secciones cubiertas en la Parte 1:

• Sección 1: Por qué la calidad de los datos es esencial para el ML/IA Describimos las razones fundamentales por las que los datos de alta calidad y bien gestionados son indispensables para las aplicaciones de IA y ML, especialmente en deportes de rendimiento crítico como la natación.
• Sección 2: Las barreras, trampas y desafíos de los datos de baja calidad Esta sección destaca las consecuencias prácticas de las malas prácticas de datos, incluyendo modelos sesgados, estrategias de entrenamiento defectuosas y recursos desperdiciados.
• Sección 3: Fundamentos esenciales para garantizar datos de alta calidad en IA/ML Presentamos los pilares clave de una gestión de datos confiable, desde la calidad intrínseca y contextual hasta el cumplimiento ético, todos ellos cruciales para crear resultados de IA en los que se pueda confiar.

Sección 1: Por qué la calidad de los datos es esencial para el ML/IA — "El motor de la IA"

Imagina un motor que funciona con combustible de baja calidad o contaminado. No puede rendir al máximo. Los datos funcionan de manera similar para el Aprendizaje Automático (ML) y la Inteligencia Artificial (IA). En el deporte, especialmente en la natación, los datos precisos impulsan el análisis moderno, el seguimiento del rendimiento y la toma de decisiones. Los datos de baja calidad o incompletos pueden engañar incluso a los sistemas de IA más avanzados, distorsionando potencialmente los planes de entrenamiento y las decisiones competitivas.

A continuación, se presentan las razones clave por las que la calidad de los datos es vital para cualquier aplicación impulsada por IA:

1. Precisión y confiabilidad del modelo Los datos de alta calidad ayudan a los modelos de IA a producir resultados más confiables. En natación, los datos consistentes y precisos sobre métricas como el conteo de brazadas, los parciales por vuelta y la variabilidad de la frecuencia cardíaca pueden ayudar a entrenadores y atletas a interpretar los conocimientos generados por la IA con mayor confianza. Por otro lado, los datos deficientes pueden conducir a modelos poco confiables y recomendaciones de entrenamiento erróneas (Priestley et al., 2023; Polyzotis et al., 2018).
2. Prevención de cascadas de datos Los errores en los datos pueden propagarse a lo largo del pipeline de ML, creando un efecto cascada donde pequeños errores iniciales se amplifican en problemas mayores. Por ejemplo, registrar incorrectamente los tiempos de vuelta de forma sistemática puede distorsionar el análisis del ritmo, las predicciones de fatiga y las estrategias de carrera, generando ineficiencias costosas (Sambasivan et al., 2021; Polyzotis et al., 2018).
3. Sesgo y equidad Los datos sesgados o incompletos, especialmente en deportes competitivos, pueden generar conocimientos distorsionados y resultados inequitativos. Por ejemplo, los datos de entrenamiento limitados a ciertas características demográficas de los nadadores o condiciones específicas pueden excluir factores clave, creando modelos que favorecen a algunos atletas sobre otros. Garantizar datos diversos y representativos ayuda a reducir el sesgo y mejorar la generalización (Zhou et al., 2024; Qayyum et al., 2020).
4. Limpieza y preparación de datos Una limpieza de datos efectiva elimina el ruido, corrige inconsistencias y aborda los valores faltantes. Piensa en ello como el mantenimiento de la calidad del agua de una piscina: sin una limpieza adecuada, los datos de rendimiento de los nadadores y los conocimientos de la IA pueden verse afectados. La limpieza para ML también debe considerar la aplicación prevista, no solo la eliminación genérica de errores (Neutatz et al., 2021; Polyzotis et al., 2018; Priestley et al., 2023).
5. Requisitos específicos del dominio Cada deporte tiene métricas y requisitos únicos. En natación, el monitoreo de métricas como la frecuencia de brazadas, los intervalos de descanso y las fases subacuáticas es esencial. Adaptar las verificaciones de calidad de los datos a estas especificidades ayuda a que los resultados de la IA aborden las necesidades reales de rendimiento, en lugar de limitarse a la disponibilidad genérica de datos (Priestley et al., 2023; Rangineni, 2023).
6. Monitoreo y gestión continuos La recopilación de datos no se detiene una vez que se entrena un modelo. El rendimiento de los nadadores evoluciona, nuevos atletas se incorporan a los programas y los sensores pueden cambiar con el tiempo. El monitoreo continuo de los datos entrantes ayuda a que las herramientas de IA sigan siendo relevantes para el contexto en el que se utilizan (Bangad et al., 2024; Zhou et al., 2024).
7. Gestión integral de la calidad de los datos Gestionar grandes volúmenes y variedades de datos de entrenamiento —como conteos de vueltas, lecturas biométricas y análisis de video— requiere procesos robustos y escalables. Una estrategia clara de calidad de datos aborda el volumen, la variedad y la velocidad para mantener la consistencia a lo largo del ciclo de vida del ML (Rangineni, 2023; Priestley et al., 2023).
8. Consideraciones éticas y legales La recopilación de métricas de rendimiento y salud plantea preocupaciones éticas, especialmente en torno a la privacidad y el cumplimiento normativo. Los altos estándares de calidad de los datos, la gestión segura y el apego a las directrices éticas ayudan a las organizaciones a cumplir con sus obligaciones legales (Qayyum et al., 2020; Zhou et al., 2024).

La calidad de los datos es la base de los sistemas exitosos de ML/IA. Los datos precisos, completos y bien gestionados pueden impulsar modelos más confiables, fomentando la confianza entre entrenadores, atletas y partes interesadas. Tratar los datos como el "combustible" de las aplicaciones de IA contribuye a resultados más equitativos, ya sea en instalaciones de entrenamiento, laboratorios de investigación o competiciones internacionales.

Sección 2: Las barreras, trampas y desafíos de los datos de baja calidad

En el análisis deportivo, la baja calidad de los datos es más que un obstáculo menor —puede descarrilar programas de entrenamiento, desperdiciar recursos valiosos y erosionar la confianza en los conocimientos impulsados por la IA. Desde entrenadores que registran tiempos de viraje hasta científicos del deporte que analizan grandes conjuntos de datos de sensores, comprender estas trampas clave es crucial para garantizar resultados confiables.

1. Degradación del rendimiento del modelo Los modelos de IA dependen de datos precisos y completos para aprender y realizar predicciones. Cuando se alimentan con datos faltantes o incorrectos —como parciales de vuelta inexactos o conteos de brazadas mal registrados— los modelos pueden producir predicciones poco confiables. Esto puede resultar en estrategias de ritmo subóptimas o decisiones de entrenamiento potencialmente inapropiadas si los resultados se tratan como prescripciones en lugar de apoyo a la toma de decisiones revisado por el entrenador (Priestley et al., 2023; Leckey et al., 2025).
2. Cascadas de datos Los pequeños errores de datos al inicio del pipeline pueden convertirse en problemas mayores en etapas posteriores. Por ejemplo, un monitor de frecuencia cardíaca que registra incorrectamente picos frecuentes podría generar "falsas alarmas" sobre la salud de un atleta, llevando a cambios innecesarios en los planes de entrenamiento. Estas cascadas reducen la confianza en los sistemas de IA y pueden comprometer la calidad de las decisiones (Sambasivan et al., 2021; Polyzotis et al., 2018).
3. Problemas de sesgo y equidad La baja calidad de los datos a menudo proviene de conjuntos de datos incompletos que no representan poblaciones diversas de atletas. Cuando los modelos se entrenan con datos limitados —como métricas provenientes únicamente de nadadores de élite— pueden producir recomendaciones que son irrelevantes o potencialmente inapropiadas para atletas jóvenes o de categoría máster. La recopilación de datos inclusiva y representativa es clave para mitigar el sesgo (Zhou et al., 2024; Qayyum et al., 2020).
4. Falta de métricas estandarizadas Sin métodos estandarizados para registrar métricas clave (p. ej., la cadencia de brazada o los tiempos de segmentos de vuelta), comparar datos entre equipos o estudios se vuelve difícil. Las definiciones inconsistentes pueden generar confusión al adoptar soluciones de IA, ralentizando el progreso y amplificando los errores entre aplicaciones (Priestley et al., 2023).
5. Envenenamiento de datos y riesgos de seguridad Cuando los datos están mal gestionados, se vuelven vulnerables a la manipulación o ataques maliciosos. En el deporte, los datos de rendimiento alterados podrían engañar a los cazatalentos, sesgar los rankings o incluso afectar los mercados de apuestas. La implementación de medidas sólidas de validación y seguridad ayuda a prevenir estos riesgos de envenenamiento de datos (Qayyum et al., 2020).
6. Limitaciones de recursos y problemas de documentación Los equipos con pocos recursos y los protocolos de recopilación de datos poco claros suelen generar errores evitables. Por ejemplo, los procedimientos de calibración de sensores mal documentados pueden resultar en el etiquetado incorrecto de datos, que luego requiere un esfuerzo considerable para corregir. Con el tiempo, estas brechas de recursos generan ineficiencias acumuladas (Sambasivan et al., 2021).
7. Desafíos éticos y legales El manejo de datos sensibles de atletas —incluyendo métricas biométricas o relacionadas con la salud— requiere un estricto cumplimiento de las regulaciones de privacidad. Una gestión descuidada de los datos podría llevar al incumplimiento normativo, problemas legales y daños a la confianza entre atletas y personal (Qayyum et al., 2020; Zhou et al., 2024).
8. Ineficiencias operativas La baja calidad de los datos puede ralentizar significativamente el progreso al requerir una limpieza y validación constantes. El tiempo dedicado a "apagar incendios" de datos deficientes podría aprovecharse mejor para desarrollar estrategias de entrenamiento avanzadas o realizar experimentos adicionales (Priestley et al., 2023).
9. Brechas en capacitación y educación Muchas organizaciones deportivas carecen de formación adecuada en recopilación, gestión y ética de datos. Sin este conocimiento fundamental, los equipos pueden introducir errores involuntariamente en los conjuntos de datos, creando mayores desafíos para escalar las soluciones de IA (Zhou et al., 2024).
10. Generalización y representatividad Los modelos entrenados con conjuntos de datos limitados a menudo tienen dificultades para generalizarse en diferentes contextos. Por ejemplo, un modelo entrenado exclusivamente con nadadores de élite puede ofrecer poco valor para atletas jóvenes o máster, lo que exige una recopilación adicional de datos y un nuevo entrenamiento (Priestley et al., 2023; Rangineni, 2023).

La baja calidad de los datos presenta desafíos significativos para la adopción de la IA en el deporte. Desde la degradación del rendimiento del modelo y los riesgos éticos hasta los retrasos operativos, estas trampas subrayan la necesidad de pipelines de datos robustos, bien documentados y seguros. Al abordar estos desafíos, las organizaciones pueden brindar a entrenadores, científicos y personal de apoyo una mejor base para confiar en los conocimientos de la IA, apoyando en última instancia mejores decisiones de entrenamiento y resultados más equitativos.

Sección 3: Fundamentos esenciales para garantizar datos de alta calidad en IA/ML

Lograr datos de alta calidad no es casualidad —requiere estrategias intencionales y procesos meticulosos. En el deporte, especialmente en la natación, los datos provienen de una variedad de fuentes como tiempos de vuelta, conteos de brazadas y métricas fisiológicas. Para ayudar a los modelos de IA a ofrecer conocimientos confiables, cada dato debe ser preciso, relevante y contextualmente significativo. A continuación, se presentan los pilares clave que respaldan la recopilación, gestión y uso efectivo de los datos.

1. Calidad intrínseca de los datos La calidad intrínseca se centra en garantizar que los datos en sí mismos sean precisos, consistentes y completos. En natación, incluso una pequeña inexactitud —como un tiempo de vuelta mal registrado— puede distorsionar las recomendaciones de entrenamiento y afectar los resultados de los atletas. Para lograr una alta calidad intrínseca, los sensores como las plataformas de cronometraje y los dispositivos portátiles deben someterse a calibraciones periódicas. Las verificaciones puntuales periódicas, como comparar los datos automatizados con revisiones de video, ayudan a validar la precisión de las métricas clave. Los sistemas automatizados que detectan valores atípicos, como frecuencias de brazada que superan los límites físicos, también son importantes (Priestley et al., 2023; Rangineni, 2023). Estas medidas combinadas ayudan a mantener los datos lo suficientemente confiables para el análisis asistido por IA.

2. Calidad contextual La calidad contextual garantiza que los datos sean relevantes, oportunos y adecuados para la tarea de IA prevista. Por ejemplo, los datos de entrenamiento recopilados en piscinas de pista corta pueden no ser aplicables a la natación en aguas abiertas, lo que hace que la segmentación sea esencial. Para mantener la relevancia contextual, los equipos deben definir claramente los objetivos de recopilación de datos, como mejorar las salidas, los virajes o la resistencia general. Los datos deben clasificarse según las condiciones, como el tamaño de la piscina o la altitud, para proporcionar conocimientos contextualmente significativos. Además, a medida que evolucionan las necesidades de entrenamiento, los procesos de recopilación de datos también deben actualizarse para mantenerse alineados con los objetivos actuales (Priestley et al., 2023; Zhou et al., 2024).

3. Calidad representacional La calidad representacional se centra en formatos de datos consistentes e interpretables entre equipos y sistemas. Sin estandarización, los datos de rendimiento pueden malinterpretarse —como cuando diferentes equipos etiquetan una vuelta de 50 metros como "50 Libre" o "FC_50." Adoptar convenciones de nomenclatura estandarizadas y mantener un esquema de datos compartido entre los equipos ayuda a mitigar estos problemas. Los equipos también deben utilizar metadatos para documentar detalles sobre cuándo y cómo se recopilaron los datos (Priestley et al., 2023). Estas medidas previenen la confusión y mejoran la colaboración entre las partes interesadas internas y externas.

4. Accesibilidad La accesibilidad garantiza que los datos estén disponibles para los usuarios autorizados mientras se protege la privacidad. Los entrenadores, científicos del deporte y atletas a menudo necesitan acceso en tiempo real a los datos de rendimiento para ajustar el entrenamiento. Los sistemas basados en la nube con control de acceso basado en roles pueden proporcionar acceso sin comprometer la seguridad. Además, los paneles de control fáciles de usar diseñados para usuarios no técnicos permiten una accesibilidad más amplia. Para los datos sensibles de los atletas, se debe aplicar cifrado para cumplir con las regulaciones de privacidad (Zhou et al., 2024; Qayyum et al., 2020). Estas medidas ayudan a equilibrar la disponibilidad de datos y la privacidad, al tiempo que apoyan una toma de decisiones efectiva.

5. Gestión del ciclo de vida de los datos La gestión del ciclo de vida de los datos supervisa los datos desde su recopilación hasta el procesamiento, almacenamiento, análisis y eventual archivo o eliminación. La trazabilidad es clave —sin ella, los errores pueden introducirse en el pipeline de IA sin ser detectados. Mantener una documentación exhaustiva, incluyendo detalles como las fechas de recopilación y los registros de calibración de sensores, ayuda a preservar la integridad de los datos. Las revisiones periódicas son esenciales para eliminar datos desactualizados o irrelevantes mientras se mantiene el enfoque en conjuntos de datos de calidad (Rangineni, 2023; Priestley et al., 2023). Las estrategias de respaldo y recuperación ante desastres apoyan aún más la confiabilidad de los datos a largo plazo.

6. Cumplimiento ético y legal El cumplimiento ético y legal es crucial cuando se manejan datos sensibles, especialmente en el deporte donde se involucran datos biométricos y de salud. Los atletas confían en que su información personal será protegida y utilizada de manera responsable. Para mantener esta confianza, los equipos deben anonimizar los datos de los atletas cuando sea posible y garantizar que el uso de los datos cumpla con las leyes de privacidad y los requisitos de gobernanza pertinentes. Obtener el consentimiento informado de los atletas antes de recopilar y utilizar sus datos también es esencial (Qayyum et al., 2020; Zhou et al., 2024). El incumplimiento de estas directrices arriesga consecuencias legales y daños a la reputación.

7. Monitoreo y mejora continuos El monitoreo continuo ayuda a mantener la calidad de los datos a lo largo del tiempo a medida que los datos de rendimiento evolucionan. Los programas de natación a menudo introducen nuevas métricas y tecnologías, lo que hace que la validación continua sea importante. Los scripts de validación automatizados pueden detectar anomalías, como tiempos de vuelta inusualmente cortos o largos, antes de que afecten los análisis. Las auditorías periódicas ayudan a mantener la integridad y la completitud, mientras que los bucles de retroalimentación que involucran a entrenadores y atletas permiten la resolución oportuna de discrepancias (Bangad et al., 2024; Zhou et al., 2024). Este enfoque proactivo ayuda a mantener un pipeline de datos dinámico y confiable.

8. Integración del conocimiento del dominio La integración del conocimiento del dominio aprovecha la experiencia de entrenadores, científicos del deporte y atletas para interpretar y validar los datos de manera efectiva. Las anomalías, como un pico repentino en la frecuencia cardíaca, pueden tener explicaciones simples como fallas en los sensores o condiciones ambientales. Los expertos del dominio pueden distinguir entre problemas reales y errores de equipos, evitando ajustes innecesarios del modelo. Colaborar con entrenadores en los protocolos de recopilación de datos y validar las recomendaciones impulsadas por IA frente a la experiencia del mundo real mejora la probabilidad de que los conocimientos sean útiles en la práctica (Rangineni, 2023; Neutatz et al., 2021). Este proceso iterativo ayuda a que las decisiones basadas en datos permanezcan alineadas con la experiencia práctica.

Al enfocarse en estos fundamentos esenciales —calidad intrínseca y contextual, consistencia representacional, accesibilidad, gestión del ciclo de vida, cumplimiento normativo, monitoreo continuo y experiencia en el dominio— las organizaciones pueden establecer pipelines de datos más confiables. Para los profesionales de la natación, esto respalda decisiones de entrenamiento mejor informadas, retroalimentación más precisa para los atletas, mayor confianza y flujos de trabajo de apoyo al rendimiento más útiles.

Resumen

En esta primera parte, hemos explorado los principios fundamentales de la calidad de los datos y hemos mostrado cómo los datos deficientes pueden descarrilar incluso los proyectos de IA más avanzados. Los registros descuidados o incompletos hacen más que ralentizar la innovación. Pueden engañar activamente a entrenadores, atletas y analistas. Pero ¿cómo se aplican estos conceptos al panorama actual de datos en la natación?

En la próxima entrega, examinaremos las realidades prácticas de la gestión de datos de sesiones de entrenamiento en natación. Destacaremos las áreas donde la industria es sólida y aquellas donde se necesita mejora. También analizaremos la oportunidad de un marco unificado diseñado para mejorar la gestión de datos en todos los niveles del deporte. Finalmente, responderemos la pregunta clave: ¿Están los datos de la industria de natación competitiva y recreativa preparados para la IA? Permanece atento para un análisis más detallado de cómo podemos usar la IA para apoyar mejores decisiones para los nadadores en todos los niveles.

Nota: Este artículo fue escrito originalmente en inglés y traducido a otros idiomas utilizando herramientas de IA automatizadas para poder compartir esta información con más personas. Hacemos nuestro mejor esfuerzo para mantener las traducciones precisas y fáciles de entender, y agradecemos la ayuda de la comunidad para mejorarlas. Si algo en una versión traducida no está claro, es incorrecto o difiere de la versión en inglés, el texto original en inglés debe considerarse la versión oficial.

Fuentes

Bangad, N., Jayaram, V., Sughaturu Krishnappa, M., Banarse, A., Bidkar, D., Nagpal, A., & Parlapalli, V. (2024). A theoretical framework for AI-driven data quality monitoring in high-volume data environments. International Journal of Computer Engineering & Technology, 15, 618-636. https://doi.org/10.5281/zenodo.13878755

Leckey, C., van Dyk, N., Doherty, C., Lawlor, A., & Delahunt, E. (2025). Machine learning approaches to injury risk prediction in sport: A scoping review with evidence synthesis. British Journal of Sports Medicine. https://doi.org/10.1136/bjsports-2024-108576

Neutatz, F., Chen, B., Abedjan, Z., & Wu, E. (2021). From cleaning before ML to cleaning for ML. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering.

Polyzotis, N., Roy, S., Whang, S., & Zinkevich, M. (2018). Data lifecycle challenges in production machine learning: A survey. ACM SIGMOD Record, 47, 17-28. https://doi.org/10.1145/3299887.3299891

Priestley, M., O'Donnell, F., & Simperl, E. (2023). A survey of data quality requirements that matter in ML development pipelines. Journal of Data and Information Quality, 15. https://doi.org/10.1145/3592616

Qayyum, A., Qadir, J., Bilal, M., & Al-Fuqaha, A. (2020). Secure and robust machine learning for healthcare: A survey. IEEE Reviews in Biomedical Engineering. https://doi.org/10.1109/RBME.2020.3013489

Rangineni, S. (2023). An analysis of data quality requirements for machine learning development pipelines frameworks. International Journal of Computer Trends and Technology, 71, 16-27. https://doi.org/10.14445/22312803/IJCTT-V71I8P103

Roh, Y., Heo, G., & Whang, S. E. (2019). A survey on data collection for machine learning: A big data - AI integration perspective. IEEE Transactions on Knowledge and Data Engineering. https://doi.org/10.1109/TKDE.2019.2946162

Sambasivan, N., Kapania, S., Highfill, H., Akrong, D., Paritosh, P., & Aroyo, L. (2021). "Everyone wants to do the model work, not the data work": Data cascades in high-stakes AI. Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems, 1-15. https://doi.org/10.1145/3411764.3445518

Vec, V., Tomazic, S., Kos, A., & Umek, A. (2024). Trends in real-time artificial intelligence methods in sports: A systematic review. Journal of Big Data. https://doi.org/10.1186/s40537-024-01026-0

Whang, S. E., Roh, Y., Song, H., & Lee, J.-G. (2023). Data collection and quality challenges in deep learning: A data-centric AI perspective. The VLDB Journal, 32. https://doi.org/10.1007/s00778-022-00775-9

Zhou, Y., Tu, F., Sha, K., Ding, J., & Chen, H. (2024). A survey on data quality dimensions and tools for machine learning. 2024 IEEE International Conference on Artificial Intelligence Testing, 120-131. https://doi.org/10.1109/AITest62860.2024.00023