Les données des industries du fitness et de la compétition en natation sont-elles prêtes pour l'IA ? – Partie 2

Introduction

Bienvenue. Dans la Partie 1, nous avons mis en lumière l'importance de la qualité des données pour les solutions basées sur l'IA, exploré les risques liés à des données de mauvaise qualité et défini les principes clés pour construire des structures de données prêtes pour l'IA. Nous passons maintenant de la théorie à la pratique. Dans ce deuxième volet, nous examinons l'état actuel des données des séances d'entraînement en natation, notamment les lacunes, les incohérences et les occasions manquées. Nous explorons également le potentiel d'un cadre unifié, en nous référant aux systèmes de zones de Wise Racer, et abordons la question centrale : le secteur de la natation est-il prêt à bien utiliser l'IA ?

À la fin de cet article, vous aurez une vision plus claire des obstacles qui subsistent ainsi que des pistes concrètes permettant aux entraîneurs, aux organisations et aux parties prenantes de porter la prochaine phase d'innovation centrée sur les données dans ce sport.

Sections abordées dans la Partie 2

• Section 4 : L'état actuel de la gestion des données des séances d'entraînement en natation Évalue la manière dont les séances sont actuellement documentées, stockées et interprétées, en mettant en évidence les incohérences et les lacunes qui limitent une utilisation efficace des données.
• Section 5 : Le secteur de la natation est-il prêt pour l'IA en matière de données ? Répond à la question centrale de cette série. Met en avant le rôle des entraîneurs, des administrateurs et des innovateurs en natation pour favoriser la collaboration, adopter des normes communes et préparer le sport à utiliser l'IA de manière responsable.
• Section 6 : Opportunité — Poser les bases d'un cadre unifié Explore comment la combinaison des avancées technologiques avec des cadres de zones d'entraînement peut soutenir des données standardisées, partageables et exploitables pour les entraîneurs et les athlètes.

Section 4 : L'état actuel de la gestion des données des séances d'entraînement en natation

Pour développer des solutions utiles d'IA/ML en natation, nous devons d'abord comprendre les défis liés à la collecte, au stockage et à l'utilisation des données de séances d'entraînement dans des contextes réels. Cette section analyse l'état actuel de la gestion des données en natation à travers huit piliers fondamentaux de la qualité des données. Ces piliers sont adaptés de la littérature générale sur la qualité des données pour l'IA/ML et appliqués ici à la pratique de la natation (Priestley et al., 2023 ; Zhou et al., 2024 ; Polyzotis et al., 2018).

1. Qualité intrinsèque La qualité intrinsèque désigne l'exactitude, la cohérence et l'exhaustivité des valeurs brutes des données. En natation, cette qualité est souvent compromise par des méthodes de tenue de registres fragmentées et par la complexité de la numérisation des journaux d'entraînement existants. Par exemple, les plans de séance peuvent être rédigés à la main dans des cahiers ou enregistrés sous forme de tableurs en utilisant des abréviations propres à chaque entraîneur, ce qui introduit des erreurs lors de la numérisation. De plus, des métriques importantes comme les temps de passage, les fréquences de nage, les fréquences cardiaques, ainsi que les unités de mesure pour la distance, le volume et l'intensité sont parfois absentes ou enregistrées de manière imprécise. Sans données précises et complètes, les modèles d'IA peuvent avoir du mal à identifier des tendances significatives, ce qui réduit leur valeur en tant qu'outils d'aide à la décision (Priestley et al., 2023 ; Rangineni, 2023).

2. Qualité contextuelle La qualité contextuelle garantit que les données sont pertinentes, actuelles et adaptées à la tâche spécifique à accomplir. De nombreux plans de séances de natation sont génériques et ne tiennent pas compte des besoins individuels des athlètes, tels que l'âge, le sexe, les antécédents de blessures ou le niveau de compétence. Ce manque de spécificité limite la capacité d'un système d'IA à personnaliser les recommandations selon les profils des nageurs. L'ambiguïté de descriptions comme « effort progressif » ou « aussi vite que possible » complique davantage l'analyse de l'intensité. De même, l'absence d'enregistrement de la phase d'entraînement — hors-saison, pic de compétition ou récupération — supprime un contexte temporel important. Pour que les analyses de l'IA soient utiles, les données doivent refléter l'état actuel de l'athlète, l'objectif d'entraînement et l'usage prévu de l'analyse (Priestley et al., 2023 ; Zhou et al., 2024).

3. Qualité représentationnelle La qualité représentationnelle porte sur la qualité du formatage et de la structuration des données pour une interprétation aisée. La représentation incohérente des détails de séance entre les équipes — comme l'utilisation d'abréviations telles que « DKOB », « OUS », « UK » ou « choice » parmi une multitude d'autres — peut prêter à confusion. De plus, les plans de séance comprennent souvent des séries ou des intervalles imbriqués, difficiles à saisir dans des formats plats comme les tableurs. Sans schéma de données standardisé, les relations hiérarchiques importantes entre les échauffements, les séries principales, les séries complémentaires et les retours au calme risquent d'être perdues. Une faible qualité représentationnelle limite la capacité de l'IA à analyser la manière dont les différents composants d'une séance sont liés au stimulus d'entraînement visé (Priestley et al., 2023 ; Bompa & Haff, 2009 ; Riewald & Rodeo, 2015).

4. Accessibilité L'accessibilité garantit que les données sont facilement disponibles pour les utilisateurs autorisés tout en assurant la sécurité et la confidentialité. L'un des principaux défis en natation est le stockage fragmenté des données, les journaux de séances étant souvent répartis entre cahiers personnels, applications et tableurs. Ce manque de centralisation crée des silos de données, empêchant une analyse globale. Par ailleurs, les descriptions de séances sont rédigées dans différentes langues et peuvent contenir une terminologie incohérente, ce qui rend leur interprétation précise par les outils d'IA difficile. Améliorer l'accessibilité nécessite des environnements sécurisés et partagés où les données peuvent être utilisées par les entraîneurs, les scientifiques du sport et les athlètes, sans négliger les exigences de confidentialité, de consentement et de gouvernance (Zhou et al., 2024 ; Qayyum et al., 2020).

5. Gestion du cycle de vie des données La gestion du cycle de vie des données consiste à suivre les données depuis leur création jusqu'à leur analyse, leur retour d'information et leur archivage. Dans de nombreux programmes, des métriques clés comme les fréquences cardiaques en cours et après la séance, ou les périodes de repos, sont collectées mais ne sont pas systématiquement réintégrées dans la planification future. Ce déficit de retour d'information limite le potentiel des systèmes d'IA et des stratégies d'entraînement à s'améliorer avec le temps. De plus, les échauffements et les retours au calme sont souvent suivis avec moins de précision que les séries principales, créant des angles morts dans la surveillance de la charge de travail et de la récupération. Un système de gestion du cycle de vie en boucle fermée contribue à préserver la traçabilité et à maintenir le lien entre les nouvelles données et les décisions de planification futures (Polyzotis et al., 2018 ; Priestley et al., 2023 ; Rangineni, 2023).

6. Conformité éthique et juridique La confidentialité des athlètes, la propriété des données et la conformité réglementaire sont essentielles pour maintenir la confiance dans les applications d'IA. Des problèmes surviennent souvent lorsque des nageurs changent d'équipe ou lorsque des mineurs sont impliqués, soulevant des questions sur la propriété des données et les modalités de partage. Sans lignes directrices claires, les organisations peuvent hésiter à collaborer ou à mettre leurs données en commun pour le développement de l'IA. Des politiques de confidentialité robustes et des processus de consentement éclairé peuvent contribuer à atténuer ces risques tout en favorisant des pratiques de partage de données plus responsables (Qayyum et al., 2020 ; Zhou et al., 2024).

7. Surveillance et amélioration continues Compte tenu de la nature dynamique des données en natation — nouveaux capteurs, programmes d'entraînement changeants et objectifs en évolution — une surveillance continue est importante. Cependant, de nombreuses équipes manquent de cadres pour des audits et des améliorations réguliers des données. Les métriques incomplètes et les lacunes récurrentes dans les données passent inaperçues, conduisant à des analyses peu fiables. Des protocoles de surveillance continue peuvent aider à détecter les anomalies — comme des temps de passage invraisemblablement courts ou des données de repos manquantes — et à affiner les méthodes de collecte de données en conséquence. Cette approche itérative contribue à maintenir la qualité des données au fil de l'évolution des conditions (Bangad et al., 2024 ; Polyzotis et al., 2018 ; Zhou et al., 2024).

8. Intégration des connaissances du domaine L'intégration de l'expertise du domaine aide les systèmes d'IA à interpréter des données ambiguës ou complexes de manière plus appropriée. Les entraîneurs, les scientifiques du sport et les athlètes apportent des éclairages essentiels que l'IA seule ne peut pas saisir. Par exemple, des termes comme « progressif », « ressentir la puissance » ou « tempo confortable » peuvent avoir des significations différentes selon le niveau du nageur ou le contexte d'entraînement. Sans apport d'experts, les modèles d'IA risquent de mal interpréter de telles instructions. La collaboration avec des experts du domaine contribue à maintenir l'alignement des recommandations générées par l'IA avec les principes pratiques de l'entraînement, les rendant plus utiles comme outils d'aide à la décision (Priestley et al., 2023 ; Neutatz et al., 2021 ; Vec et al., 2024).

En analysant les défis actuels de la gestion des données des séances d'entraînement en natation, nous pouvons identifier les améliorations nécessaires pour construire des jeux de données prêts pour l'IA. De la standardisation des formats de données à la contextualisation des métriques, en passant par la centralisation du stockage et le renforcement de la collaboration, relever ces défis permettra de combler le fossé entre les données brutes de performance et les analyses exploitables par l'IA.

Section 5 : Le secteur de la natation est-il prêt pour l'IA en matière de données ?

Après avoir exploré l'importance de la qualité des données dans la Partie 1 et l'état actuel de la gestion des données de séances de natation dans la Partie 2, nous revenons à la question centrale : le secteur de la natation est-il prêt à bien utiliser l'IA ?

La réponse courte est : pas encore, mais la voie à suivre est claire.

L'importance du leadership des entraîneurs Les entraîneurs sont les gardiens des données d'entraînement en natation. En tant que principaux créateurs et dépositaires des plans d'entraînement, leur rôle est déterminant pour favoriser les avancées fondées sur les données. En adoptant des zones d'intensité standardisées, des plans de séance bien structurés et un suivi complet des résultats, les entraîneurs posent les bases d'une collecte de données plus précise et de meilleure qualité. Avec ce socle de données plus solide, les outils d'IA/ML peuvent mieux soutenir le retour d'information sur la technique, l'interprétation de la charge de travail et la planification à long terme, tout en nécessitant toujours une révision humaine et le jugement de l'entraîneur (Vec et al., 2024 ; Leckey et al., 2025).

Amplifier les bénéfices pour toutes les parties prenantes Lorsque le secteur de la natation s'aligne autour de données structurées et de haute qualité, les avantages s'étendent à tous les niveaux du sport :

• Les athlètes : Reçoivent des plans d'entraînement mieux contextualisés, reflétant leurs objectifs individuels, leurs capacités et leurs réponses, ce qui soutient le développement des performances et une planification tenant compte des risques.
• Les entraîneurs et les clubs : Rationalisent le processus de planification des séances, réduisent les charges administratives et accèdent à des analyses de performance plus utiles pour les individus et les équipes.
• Les organisations et les fédérations : Peuvent regrouper des données correctement gouvernées et anonymisées à travers les régions pour alimenter la recherche à grande échelle, éclairer les programmes nationaux d'entraînement et développer des meilleures pratiques pour tous les niveaux de compétition — des épreuves par groupes d'âge aux grandes compétitions internationales élites.

Rester simple et universel La clé du succès réside dans la conception de structures de données simples et intuitives, faciles à adopter tout en préservant la profondeur des connaissances expertes. Cela ne signifie pas simplifier à l'excès ni perdre des informations précieuses. Cela signifie plutôt rendre la collecte et la gestion des données accessibles à toutes les parties prenantes. En utilisant une terminologie standardisée, des zones d'intensité cohérentes et des cadres de données bien définis, les entraîneurs, les athlètes et les développeurs de technologies peuvent collaborer au sein d'un langage commun qui relie expertise et technologie.

Section 6 : Opportunité — Poser les bases d'un cadre unifié

Notre exploration des défis liés à la qualité des données révèle un constat crucial : créer des solutions d'IA/ML de haute qualité en natation ne consiste pas seulement à améliorer les capteurs, la vision par ordinateur, les tableurs plus détaillés ou à numériser les séances d'entraînement des meilleurs nageurs du monde. La véritable opportunité réside dans l'établissement d'un cadre unifié : un plan directeur partagé qui standardise la manière dont les séances d'entraînement sont planifiées, enregistrées et analysées. Lorsque les professionnels de la natation et les experts en technologie collaborent autour de normes communes, ils peuvent rendre les données plus riches, plus fiables et plus réutilisables. Cela peut bénéficier à tous, des athlètes d'élite qui visent des records aux amateurs de fitness qui cherchent à progresser régulièrement.

Une vision partagée Malgré la diversité des méthodes d'entraînement et des niveaux des nageurs, des données de haute qualité constituent une exigence pratique pour suivre la progression, soutenir une surveillance de la charge tenant compte des risques et améliorer l'interprétation de l'entraînement. Harmoniser la façon dont les métriques clés sont saisies peut réduire bon nombre des problèmes de données abordés dans cette série. Ces métriques comprennent les fréquences de nage, les intervalles de repos et les zones d'intensité, et les problèmes incluent la terminologie incohérente, le manque d'individualisation et les données incomplètes sur le repos et la récupération (Fernandes et al., 2024 ; Borresen & Lambert, 2009 ; Dudley et al., 2023).

Il ne s'agit pas uniquement d'une initiative technologique. C'est un pont entre les sciences du sport et la science des données. Les entraîneurs, les scientifiques du sport et les développeurs de logiciels apportent chacun une expertise précieuse, aidant le cadre à refléter les réalités pratiques des séances d'entraînement quotidiennes tout en restant techniquement solide et évolutif.

S'appuyer sur un cadre de zones d'entraînement Wise Racer a déjà pris des mesures vers la standardisation en introduisant deux modèles clés :

1. Le cadre d'entraînement en natation de performance à 9 zones Conçu pour les athlètes de compétition, ce cadre catégorise l'effort en neuf zones, couvrant tout, du travail technique à faible intensité jusqu'aux sprints à haute intensité.
2. Le cadre d'entraînement en natation fitness à 5 zones Construit pour les nageurs de fitness et de loisir, ce système simplifié se concentre sur les plages d'intensité essentielles, le rendant accessible à ceux qui privilégient l'amélioration de leur condition physique plutôt que la compétition.

Ces cadres basés sur les zones aident les nageurs, les entraîneurs et les parties prenantes à communiquer efficacement sur l'intensité et l'effort. Cependant, les zones seules ne suffisent pas. Pour que ces cadres soutiennent une interprétation cohérente, ils doivent être associés à des protocoles standardisés de collecte de données. Cela implique des définitions claires de chaque zone, des méthodes uniformes pour enregistrer les séries et les intervalles, et une approche cohérente pour saisir les contextes propres à chaque athlète, tels que les antécédents de blessures ou les phases d'entraînement. Avec cette structure, un athlète s'entraînant en Zone 3 devrait représenter la même catégorie de stimulus visé dans les données. La réponse réelle de l'athlète nécessite toujours des tests individuels, une surveillance et une interprétation par l'entraîneur (Fernandes et al., 2024 ; Borresen & Lambert, 2009).

La voie à suivre Dans les prochains articles de blog, nous fournirons des lignes directrices pour mettre en œuvre un cadre unifié. Cela comprend la structuration des plans d'entraînement, l'enregistrement des résultats des séances et l'utilisation des données pour ajuster les décisions d'entraînement. Nous explorerons également comment des données cohérentes et de haute qualité peuvent renforcer les outils d'IA/ML en natation en permettant :

• Des boucles de retour d'information : L'analyse des intervalles de repos, de l'efficacité de nage et des données de fréquence cardiaque pour aider les entraîneurs à affiner leurs décisions d'entraînement.
• L'analytique prédictive : Des modèles d'IA susceptibles d'aider à signaler des tendances liées au risque de plateau, à la fatigue ou à de mauvaises décisions de charge, à condition que les résultats soient interprétés avec la prudence appropriée.
• Des recommandations individualisées : Des systèmes d'aide à la décision qui adaptent les suggestions de planification aux seuils personnels d'un athlète, qu'il s'agisse d'un jeune nageur ou d'un triathlète axé sur les épreuves longue distance en eau libre.

Avantages pour les institutions, les parents, les entraîneurs et les nageurs Une approche structurée et axée sur la technologie en matière d'entraînement en natation bénéficie à toutes les parties prenantes de l'écosystème :

• Personnalisation accrue : En combinant des zones standardisées avec des données précises et propres à chaque athlète, les entraîneurs peuvent adapter les séries et les intensités aux besoins individuels tout en surveillant la réponse et la récupération.
• Gestion efficace de la charge de travail : Un meilleur suivi des données de repos, de récupération et de charge de travail aide les entraîneurs à réduire les angles morts dans la gestion cumulative de la charge.
• Suivi de la progression facilité : Avec un format de données unifié, le suivi de la progression d'un nageur sur des semaines ou des saisons devient plus simple, offrant aux entraîneurs comme aux parents une vision plus claire des tendances de performance.
• Avancement collaboratif : Lorsque plusieurs clubs, régions ou fédérations adoptent des cadres similaires, ils peuvent partager et comparer des analyses agrégées correctement gouvernées. Cette collaboration peut stimuler l'innovation et soutenir de meilleures normes dans tout le sport.

Une culture de la natation modernisée Une vision partagée de la gestion des données, associée à des cadres standardisés comme les modèles à 9 zones et à 5 zones de Wise Racer, peut améliorer la façon dont la natation est enseignée, entraînée et évaluée. En adoptant une structure de données commune et en s'alignant autour de principes d'entraînement efficaces, la communauté de la natation peut créer un environnement plus éclairé, plus inclusif et plus dynamique. Cela peut soutenir le développement des performances tout en favorisant un engagement à long terme à tous les niveaux — des programmes de base jusqu'aux compétitions internationales d'élite.

Résumé

La Partie 2 propose à la fois un bilan de la réalité et une feuille de route pour progresser. Nous examinons l'état fragmenté de la gestion actuelle des données de séances et montrons comment ce désordre limite l'adoption efficace de l'IA. Cependant, les perspectives ne sont pas sombres. Nous traçons une voie prometteuse grâce à des protocoles harmonisés de collecte de données, à l'intégration des connaissances du domaine et à l'application des cadres de zones d'intensité de Wise Racer. En comblant ces lacunes, la communauté de la natation peut progresser vers des analyses plus utiles assistées par l'IA/ML, tout en préservant le rôle des entraîneurs, des athlètes et des scientifiques du sport.

Mais comment concevoir des séances d'entraînement qui répondent aux exigences de l'ère de l'IA ? Dans le prochain volet, nous présenterons notre cadre complet de séances d'entraînement, comprenant les considérations clés et les choix de conception nécessaires pour des données prêtes pour l'IA. Puis, dans le volet final, nous présenterons des exemples d'application concrète de ce cadre et montrerons comment les zones d'entraînement et les structures de séances peuvent se combiner pour soutenir des améliorations significatives.

Appel à l'action

Cela ne peut pas être un effort solitaire. La natation a besoin de votre soutien.

Si vous êtes entraîneur, athlète, data scientist, scientifique du sport, directeur sportif, ou simplement passionné par la natation et votre métier, et que vous souhaitez contribuer à cette conversation, n'hésitez pas à nous contacter. Vos connaissances et votre expertise peuvent contribuer à impulser un changement significatif.

Si vous vous souciez de l'avenir de la natation, vous pouvez soutenir cette initiative en partageant cet article et en suivant Wise Racer sur LinkedIn, Facebook ou Instagram. Ensemble, nous pouvons construire un avenir plus intelligent et fondé sur les données pour ce sport.

Note : Cet article a été rédigé à l'origine en anglais et traduit dans d'autres langues à l'aide d'outils d'IA automatisés afin de partager ces informations avec un plus grand nombre de personnes. Nous faisons de notre mieux pour que les traductions soient précises et faciles à comprendre, et nous accueillons favorablement l'aide de la communauté pour les améliorer. Si quoi que ce soit dans une version traduite est peu clair, inexact ou diffère de la version anglaise, le texte original en anglais doit être considéré comme la version officielle.

Sources

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

Bompa, T. O., & Haff, G. G. (2009). Periodization: Theory and methodology of training. Human Kinetics.

Borresen, J., & Lambert, M. I. (2009). The quantification of training load, the training response and the effect on performance. Sports Medicine, 39, 779-795. https://doi.org/10.2165/11317780-000000000-00000

Dudley, C., Johnston, R., Jones, B., Till, K., Westbrook, H., & Weakley, J. (2023). Methods of monitoring internal and external loads and their relationships with physical qualities, injury, or illness in adolescent athletes: A systematic review and best-evidence synthesis. Sports Medicine. https://doi.org/10.1007/s40279-023-01844-x

Fernandes, R. J., Carvalho, D. D., & Figueiredo, P. (2024). Training zones in competitive swimming: A biophysical approach. Frontiers in Sports and Active Living. https://doi.org/10.3389/fspor.2024.1363730

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

Riewald, S. A., & Rodeo, S. A. (Eds.). (2015). Science of swimming faster. Human Kinetics.

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

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