수영의 피트니스 및 경쟁 산업 데이터는 AI에 적합한가? – 파트 2

소개

다시 오신 것을 환영합니다. 1부에서는 AI 기반 솔루션에서 데이터 품질이 중요한 이유를 강조하고, 부실한 데이터의 위험성을 살펴보며, AI에 적합한 데이터 구조를 구축하기 위한 핵심 원칙을 제시했습니다. 이제 이론에서 실践으로 넘어갑니다. 이번 2부에서는 수영 트레이닝 세션 데이터의 현재 상태를 살펴보고, 데이터의 공백, 불일치, 그리고 놓친 기회들을 분석합니다. 또한 Wise Racer의 구역 기반 시스템을 참고하여 통합 프레임워크의 가능성을 탐구하고, 핵심 질문에 답합니다: 수영 산업은 AI를 잘 활용할 준비가 되어 있는가?

이 글을 읽고 나면, 여전히 존재하는 장벽에 대해 더 명확하게 이해하고, 코치, 단체, 이해관계자들이 스포츠 전반에 걸쳐 데이터 중심 혁신의 다음 단계를 이끌기 위한 실질적인 통찰을 얻게 될 것입니다.

2부에서 다루는 섹션

• 섹션 4: 수영 트레이닝 세션 데이터 관리의 현재 상태 세션이 현재 어떻게 기록, 저장, 해석되는지 평가하고—효과적인 데이터 활용을 제한하는 불일치와 공백을 부각합니다.
• 섹션 5: 그렇다면, 수영 산업의 데이터는 AI에 적합한가? 이 시리즈를 이끄는 핵심 질문에 답합니다. 협업 촉진, 공통 기준 채택, AI를 책임감 있게 활용할 수 있도록 스포츠를 준비시키는 데 있어 수영 코치, 관리자, 혁신가의 역할을 강조합니다.
• 섹션 6: 기회—통합 프레임워크의 토대 마련 기술적 발전과 트레이닝 구역 프레임워크를 결합하여 코치와 선수를 위한 표준화되고, 공유 가능하며, 실행 가능한 데이터를 지원하는 방법을 탐구합니다.

섹션 4: 수영 트레이닝 세션 데이터 관리의 현재 상태

수영 분야에서 유용한 AI/ML 솔루션을 구축하려면, 먼저 실제 환경에서 트레이닝 세션 데이터를 수집, 저장, 활용하는 데 따르는 과제를 이해해야 합니다. 이 섹션에서는 고품질 데이터의 여덟 가지 핵심 기둥을 통해 수영 데이터 관리의 현재 상태를 분석합니다. 이 기둥들은 광범위한 AI/ML 데이터 품질 문헌에서 적용되어 수영 실습에 맞게 조정되었습니다 (Priestley et al., 2023; Zhou et al., 2024; Polyzotis et al., 2018).

1. 본질적 품질 본질적 품질은 원시 데이터 값의 정확성, 일관성, 완전성을 의미합니다. 수영에서는 단편적인 기록 방법과 기존 트레이닝 로그 디지털화의 복잡성으로 인해 이 품질이 저하되는 경우가 많습니다. 예를 들어, 세션 계획이 노트에 손으로 작성되거나 코치별 약어를 사용한 스프레드시트로 저장될 수 있으며, 이는 디지털화 과정에서 오류를 유발합니다. 또한 랩 타임, 스트로크 횟수, 심박수, 거리·볼륨·강도의 측정 단위와 같은 중요한 지표가 누락되거나 모호하게 기록되는 경우도 있습니다. 정확하고 완전한 데이터 없이는 AI 모델이 의미 있는 패턴을 식별하는 데 어려움을 겪어, 의사결정 지원 도구로서의 가치가 약화될 수 있습니다 (Priestley et al., 2023; Rangineni, 2023).

2. 맥락적 품질 맥락적 품질은 데이터가 당면한 특정 작업에 관련성 있고, 시의적절하며, 적합하도록 보장합니다. 많은 수영 세션 계획이 일반적이며, 연령, 성별, 부상 이력, 기술 수준과 같은 개별 선수의 필요를 고려하지 못합니다. 이러한 구체성의 부재는 AI 시스템이 수영 선수 프로필에 따라 맞춤형 권고를 제공하는 능력을 제한합니다. "빌드 에포트" 또는 "최대한 빠르게"와 같은 설명의 모호성은 강도 분석을 더욱 복잡하게 만듭니다. 마찬가지로, 비시즌, 최고 경기, 회복 등 트레이닝 단계를 기록하지 않으면 중요한 시간적 맥락이 사라집니다. AI 인사이트가 유용하려면 데이터가 선수의 현재 상태, 트레이닝 목표, 분석의 의도된 용도를 반영해야 합니다 (Priestley et al., 2023; Zhou et al., 2024).

3. 표현적 품질 표현적 품질은 데이터가 쉬운 해석을 위해 얼마나 잘 형식화되고 구조화되어 있는지를 다룹니다. 팀 간 세션 세부 정보의 불일치한 표현—"DKOB", "OUS", "UK", "choice" 등 수많은 약어 사용—은 혼란을 초래할 수 있습니다. 또한 세션 계획에는 종종 중첩된 세트나 인터벌이 포함되어 있어 스프레드시트와 같은 평면 형식으로 캡처하기 어렵습니다. 표준화된 데이터 스키마 없이는 워밍업, 메인 세트, 보완 세트, 쿨다운 간의 중요한 계층적 관계가 손실될 수 있습니다. 표현적 품질이 낮으면 AI가 운동의 각 구성 요소가 의도된 트레이닝 자극과 어떻게 관련되는지 분석하는 능력이 제한됩니다 (Priestley et al., 2023; Bompa & Haff, 2009; Riewald & Rodeo, 2015).

4. 접근성 접근성은 보안 및 개인 정보를 유지하면서 권한 있는 사용자가 데이터를 쉽게 이용할 수 있도록 보장합니다. 수영에서 주요 과제 중 하나는 세션 로그가 개인 노트, 앱, 스프레드시트에 분산되어 있는 단편적인 데이터 저장입니다. 이러한 중앙화 부재는 데이터 사일로를 만들어 포괄적인 분석을 방해합니다. 또한 세션 설명이 여러 언어로 작성되고 일관되지 않은 용어를 포함할 수 있어 AI 도구가 정확하게 해석하기 어렵습니다. 접근성 향상은 개인 정보, 동의, 거버넌스 요건을 무시하지 않으면서 코치, 과학자, 선수가 데이터를 활용할 수 있는 안전하고 공유된 환경을 필요로 합니다 (Zhou et al., 2024; Qayyum et al., 2020).

5. 데이터 생명 주기 관리 데이터 생명 주기 관리는 데이터의 생성부터 분석, 피드백, 보관에 이르기까지 추적하는 것을 포함합니다. 많은 프로그램에서 세션 중·후 심박수나 휴식 시간과 같은 핵심 지표가 수집되지만 향후 계획에 일관되게 피드백되지 않습니다. 이 피드백 격차는 AI 시스템과 코칭 전략이 시간이 지남에 따라 발전할 가능성을 제한합니다. 또한 워밍업과 쿨다운은 메인 세트보다 정밀도가 낮게 추적되는 경우가 많아 워크로드 및 회복 모니터링에 사각지대가 생깁니다. 폐쇄 루프 생명 주기 관리 시스템은 추적 가능성을 보존하고 새로운 데이터를 미래 계획 결정과 연결하는 데 도움이 됩니다 (Polyzotis et al., 2018; Priestley et al., 2023; Rangineni, 2023).

6. 윤리적·법적 준수 선수 개인 정보, 데이터 소유권, 규제 준수는 AI 애플리케이션에 대한 신뢰를 유지하는 데 매우 중요합니다. 수영 선수가 팀을 이적하거나 미성년자가 관련된 경우 데이터 소유권과 공유 방법에 관한 문제가 자주 발생합니다. 명확한 지침이 없으면 단체들이 AI 개발을 위한 데이터 협력이나 공유를 꺼릴 수 있습니다. 강력한 개인 정보 보호 정책과 충분한 정보에 기반한 동의 절차는 이러한 위험을 완화하고 더 책임감 있는 데이터 공유 관행을 촉진하는 데 도움이 될 수 있습니다 (Qayyum et al., 2020; Zhou et al., 2024).

7. 지속적인 모니터링 및 개선 새로운 센서, 변화하는 트레이닝 프로그램, 진화하는 목표 등 수영 데이터의 역동적인 특성을 고려할 때 지속적인 모니터링이 중요합니다. 그러나 많은 팀들은 정기적인 데이터 감사 및 개선을 위한 프레임워크가 부족합니다. 불완전한 지표와 반복되는 데이터 공백이 눈에 띄지 않아 신뢰할 수 없는 분석으로 이어집니다. 지속적인 모니터링 프로토콜은 비현실적으로 짧은 랩 타임이나 누락된 휴식 데이터와 같은 이상 현상을 감지하고 데이터 수집 방법을 개선하는 데 도움이 될 수 있습니다. 이러한 반복적 접근 방식은 조건이 변화함에 따라 데이터 품질을 유지하는 데 기여합니다 (Bangad et al., 2024; Polyzotis et al., 2018; Zhou et al., 2024).

8. 도메인 지식의 통합 도메인 전문 지식을 통합하면 AI 시스템이 모호하거나 복잡한 데이터를 더 적절하게 해석하는 데 도움이 됩니다. 코치, 스포츠 과학자, 선수는 AI만으로는 포착할 수 없는 중요한 통찰을 제공합니다. 예를 들어, "빌드", "파워를 느껴라", "크루즈"와 같은 용어는 수영 선수의 수준이나 트레이닝 맥락에 따라 다른 의미를 가질 수 있습니다. 전문가 입력 없이는 AI 모델이 이러한 지시를 잘못 해석할 위험이 있습니다. 도메인 전문가와의 협업은 AI가 생성한 권고 사항이 실질적인 코칭 원칙과 일치하도록 유지하여 의사결정 지원으로서 더 유용하게 만듭니다 (Priestley et al., 2023; Neutatz et al., 2021; Vec et al., 2024).

수영 트레이닝 세션 데이터 관리의 현재 과제를 분석함으로써, AI 준비 데이터셋을 구축하기 위해 어디에서 개선이 필요한지 파악할 수 있습니다. 데이터 형식 표준화 및 지표 맥락화부터 데이터 저장 중앙화 및 협업 촉진까지, 이러한 과제들을 해결하면 원시 성과 데이터와 실행 가능한 AI 인사이트 사이의 간극을 좁히는 데 도움이 될 것입니다.

섹션 5: 그렇다면, 수영 산업의 데이터는 AI에 적합한가?

1부에서 데이터 품질의 중요성을 살펴보고 2부에서 수영 세션 데이터 관리의 현재 상태를 탐구한 후, 핵심 질문으로 돌아옵니다: 수영 산업은 AI를 잘 활용할 준비가 되어 있는가?

간단한 답변은: 아직은 아니지만, 명확한 나아갈 길이 있습니다.

코치 리더십의 중요성 코치는 수영 트레이닝 데이터의 게이트키퍼입니다. 트레이닝 계획의 주요 작성자이자 관리자로서, 코치의 역할은 데이터 기반 발전을 이끄는 데 핵심적입니다. 표준화된 강도 구역, 잘 구조화된 세션 계획, 포괄적인 결과 추적을 채택함으로써 코치들은 더 정확하고 고품질의 데이터 수집을 위한 토대를 마련합니다. 이 더 강력한 데이터 기반으로 AI/ML 도구는 기술 피드백, 워크로드 해석, 장기 계획을 더 잘 지원할 수 있으면서도 여전히 사람의 검토와 코칭 판단이 필요합니다 (Vec et al., 2024; Leckey et al., 2025).

모든 이해관계자를 위한 혜택 확대 수영 산업이 고품질의 구조화된 데이터를 중심으로 정렬될 때, 그 혜택은 스포츠의 모든 수준에 걸쳐 확장됩니다:

• 선수: 개인 목표, 능력, 반응을 반영하는 더 잘 맥락화된 트레이닝 계획을 받아 성과 발전과 위험 인식 계획을 지원합니다.
• 코치 및 클럽: 세션 계획 과정을 간소화하고, 행정적 부담을 줄이며, 개인 및 팀을 위한 더 유용한 성과 분석에 접근할 수 있습니다.
• 단체 및 연맹: 대규모 연구를 촉진하고, 국가 트레이닝 프로그램을 알리며, 연령별 대회부터 엘리트 국제 대회까지 모든 경쟁 수준의 모범 사례를 개발하기 위해 지역 전반에 걸쳐 적절히 관리되고 익명화된 데이터를 수집할 수 있습니다.

단순하고 보편적으로 유지하기 성공의 핵심은 전문 지식의 깊이를 유지하면서 채택하기 쉬운 단순하고 직관적인 데이터 구조를 설계하는 것입니다. 이는 과도하게 단순화하거나 귀중한 인사이트를 잃는 것을 의미하지 않습니다. 대신, 데이터 수집 및 관리를 모든 이해관계자가 접근할 수 있도록 만드는 것을 의미합니다. 표준화된 용어, 일관된 강도 구역, 잘 정의된 데이터 프레임워크를 사용함으로써 코치, 선수, 기술 개발자는 전문성과 기술을 연결하는 공통 언어 내에서 협력할 수 있습니다.

섹션 6: 기회—통합 프레임워크의 토대 마련

데이터 품질 과제에 대한 탐구는 중요한 통찰을 드러냅니다: 수영에서 고품질 AI/ML 솔루션을 만드는 것은 단순히 더 나은 센서, 컴퓨터 비전, 더 상세한 스프레드시트, 또는 세계 최고 수영 선수들의 운동을 디지털화하는 것에 관한 것이 아닙니다. 진정한 기회는 통합 프레임워크, 즉 트레이닝 세션이 계획, 기록, 분석되는 방식을 표준화하는 공유된 청사진을 확립하는 데 있습니다. 수영 전문가와 기술 전문가가 공통 기준을 중심으로 협력할 때, 데이터를 더 풍부하고, 더 신뢰할 수 있으며, 더 재사용 가능하게 만들 수 있습니다. 이는 기록을 추구하는 엘리트 선수부터 꾸준한 향상을 추구하는 피트니스 애호가까지 모두에게 혜택을 줄 수 있습니다.

공유된 비전 코칭 방법과 수영 선수 기술 수준의 다양성에도 불구하고, 고품질 데이터는 진전을 추적하고, 위험 인식 부하 모니터링을 지원하며, 트레이닝 해석을 개선하기 위한 실용적인 요건입니다. 주요 지표가 캡처되는 방식을 조화롭게 만들면 이 시리즈에서 논의된 많은 데이터 문제를 줄일 수 있습니다. 이러한 지표에는 스트로크 횟수, 휴식 인터벌, 강도 구역이 포함되며, 문제에는 일관되지 않은 용어, 개별화 부족, 불완전한 휴식 및 회복 데이터가 포함됩니다 (Fernandes et al., 2024; Borresen & Lambert, 2009; Dudley et al., 2023).

이것은 단순한 기술 이니셔티브가 아닙니다. 스포츠 과학과 데이터 과학을 연결하는 다리입니다. 코치, 스포츠 과학자, 소프트웨어 개발자는 각자 귀중한 전문성을 가져와, 프레임워크가 일상 트레이닝 세션의 실질적인 현실을 반영하면서도 기술적으로 건전하고 확장 가능하도록 돕습니다.

트레이닝 구역 프레임워크를 기반으로 구축하기 Wise Racer는 두 가지 핵심 모델을 도입하여 표준화를 향한 발걸음을 이미 내딛었습니다:

1. 9구역 퍼포먼스 수영 트레이닝 프레임워크 경쟁 선수를 위해 설계된 이 프레임워크는 노력을 9개 구역으로 분류하며, 저강도 기술 작업부터 고강도 스프린트까지 모든 것을 다룹니다.
2. 5구역 피트니스 수영 트레이닝 프레임워크 피트니스 및 레크리에이션 수영 선수를 위해 구축된 이 단순화된 시스템은 핵심 강도 범위에 초점을 맞추어, 경쟁보다 피트니스 향상을 우선시하는 사람들이 접근하기 쉽습니다.

이러한 구역 기반 프레임워크는 수영 선수, 코치, 이해관계자들이 강도와 노력에 대해 효과적으로 소통하는 데 도움이 됩니다. 그러나 구역만으로는 충분하지 않습니다. 이러한 프레임워크가 일관된 해석을 지원하려면 표준화된 데이터 수집 프로토콜과 함께 사용되어야 합니다. 이는 각 구역에 대한 명확한 정의, 세트와 인터벌 기록을 위한 통일된 방법, 그리고 부상 이력이나 트레이닝 단계와 같은 선수별 맥락을 캡처하는 일관된 접근 방식을 의미합니다. 이 구조를 통해 3구역에서 트레이닝하는 선수는 데이터에서 동일한 의도된 자극 범주를 나타내야 합니다. 선수의 실제 반응은 여전히 개별적인 테스트, 모니터링, 코칭 해석이 필요합니다 (Fernandes et al., 2024; Borresen & Lambert, 2009).

앞으로 나아갈 길 향후 블로그 게시물에서 통합 프레임워크 구현을 위한 지침을 제공할 것입니다. 여기에는 트레이닝 계획 구조화, 세션 결과 기록, 데이터를 사용한 코칭 결정 조정이 포함됩니다. 또한 일관되고 고품질의 데이터가 다음을 가능하게 함으로써 수영의 AI/ML 도구를 어떻게 강화할 수 있는지 탐구할 것입니다:

• 피드백 루프: 휴식 인터벌, 스트로크 효율성, 심박수 데이터 분석을 통해 코치가 트레이닝 결정을 미세 조정하도록 돕습니다.
• 예측 분석: 적절한 주의를 기울여 출력을 해석한다는 전제 하에, 정체 위험, 피로, 또는 잘못된 부하 결정과 관련된 패턴을 플래그 표시하는 데 도움이 될 수 있는 AI 모델.
• 개별화된 권고 사항: 청소년 수영 선수든 장거리 오픈 워터 이벤트에 집중하는 트라이애슬론 선수든, 선수의 개인 임계값에 맞게 계획 제안을 조정하는 의사결정 지원 시스템.

기관, 부모, 코치, 수영 선수를 위한 혜택 구조화된 기술 기반 수영 트레이닝 접근 방식은 생태계의 모든 이해관계자에게 혜택을 줍니다:

• 향상된 개인화: 표준화된 구역과 정확한 선수별 데이터를 결합하여 코치는 반응 및 회복을 모니터링하면서 개인의 필요에 맞게 트레이닝 세트와 강도를 맞춤화할 수 있습니다.
• 효율적인 워크로드 관리: 휴식, 회복, 워크로드 데이터의 향상된 추적은 코치가 누적 부하 관리의 사각지대를 줄이는 데 도움이 됩니다.
• 쉬운 진전 추적: 통합된 데이터 형식을 통해 수 주 또는 시즌에 걸친 수영 선수의 진전 추적이 더 간단해지며, 코치와 부모 모두에게 성과 트렌드에 대한 더 명확한 시각을 제공합니다.
• 협력적 발전: 여러 클럽, 지역, 연맹이 유사한 프레임워크를 채택하면 적절히 관리된 집계 인사이트를 공유하고 비교할 수 있습니다. 이 협력은 혁신을 자극하고 스포츠 전반에 걸쳐 더 나은 기준을 지원할 수 있습니다.

현대화된 수영 문화 데이터 관리에 대한 공유된 비전과 Wise Racer의 9구역 및 5구역 모델과 같은 표준화된 프레임워크의 결합은 수영이 가르쳐지고, 훈련되고, 평가되는 방식을 개선할 수 있습니다. 공통 데이터 구조를 채택하고 효과적인 트레이닝 원칙을 중심으로 정렬함으로써 수영 커뮤니티는 더 정보에 입각하고, 포용적이며, 역동적인 환경을 만들 수 있습니다. 이는 성과 발전을 지원하는 동시에 풀뿌리 프로그램부터 엘리트 국제 경쟁까지 모든 수준에서 장기적인 참여를 촉진할 수 있습니다.

요약

2부는 현실 점검과 진전을 위한 로드맵을 모두 제공합니다. 현재 세션 데이터 관리의 단편화된 상태를 검토하고 이 혼란이 효과적인 AI 채택을 어떻게 제한하는지 보여줍니다. 그러나 전망이 암울한 것은 아닙니다. 조화로운 데이터 수집 프로토콜, 도메인 지식 통합, Wise Racer의 강도 구역 프레임워크 적용을 통한 희망찬 나아갈 길을 제시합니다. 이러한 격차를 해소함으로써 수영 커뮤니티는 코치, 선수, 스포츠 과학자의 역할을 보존하면서 더 유용한 AI/ML 지원 인사이트를 향해 나아갈 수 있습니다.

그렇다면 AI 시대의 요구를 충족하는 트레이닝 세션은 어떻게 설계해야 할까요? 다음 편에서는 AI 준비 데이터를 위한 핵심 고려 사항과 설계 선택을 포함하는 포괄적인 트레이닝 세션 프레임워크를 소개할 것입니다. 그런 다음 마지막 편에서는 이 프레임워크를 실제로 적용하는 방법과 트레이닝 구역 및 세션 구조가 함께 작동하여 의미 있는 개선을 지원하는 방법의 예시를 보여줄 것입니다.

행동 촉구

이것은 혼자만의 노력이 될 수 없습니다. 수영에는 여러분의 지원이 필요합니다.

코치, 선수, 데이터 과학자, 스포츠 과학자, 스포츠 디렉터, 또는 수영과 자신의 분야에 열정을 가진 분이라면, 이 대화에 기여하고 싶으시다면 연락해 주시기 바랍니다. 여러분의 통찰과 전문성은 의미 있는 변화를 이끄는 데 도움이 될 수 있습니다.

수영의 미래에 관심이 있다면, 이 게시물을 공유하고 LinkedIn, Facebook, 또는 Instagram에서 Wise Racer를 팔로우하여 이 이니셔티브를 지원할 수 있습니다. 함께 스포츠의 더 스마트하고 데이터 기반적인 미래를 만들어 나갈 수 있습니다.

참고: 이 글은 원래 영어로 작성되었으며, 더 많은 사람들과 정보를 공유할 수 있도록 자동화된 AI 도구를 사용하여 다른 언어로 번역되었습니다. 번역이 정확하고 이해하기 쉽도록 최선을 다하고 있으며, 개선을 위한 커뮤니티의 도움을 환영합니다. 번역된 버전에서 불분명하거나 부정확하거나 영어 버전과 다른 내용이 있다면, 원본 영어 텍스트를 공식 버전으로 간주해야 합니다.

출처

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