S06E45 - Sport en AI: een winnende combinatie?

In deze aflevering van AIToday Live verkennen we de fascinerende kruising tussen AI en sport met gast Lotte Lintmeijer. Lotte deelt haar ervaringen en inzichten over hoe data-analyse en kunstmatige intelligentie worden ingezet in zowel de topsport als de breedtesport.

Met een achtergrond in de biomechanica van het roeien en een passie voor het combineren van sport met data, biedt Lotte een uniek perspectief op de potentie en de uitdagingen van AI in de sportwereld.

Links

• Platform: Sport Data Valley (https://www.sportdatavalley.nl)
• Horloge: Fitbit (https://www.fitbit.com)
• Horloge: Garmin (https://www.garmin.com)
• Sensor: Xsens (https://www.xsens.com)

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

1
00:00:00,001 --> 00:00:09,000
Hoi, leuk dat je weer luistert naar een nieuwe aflevering van AIToday Live. Met vandaag wel

2
00:00:09,000 --> 00:00:14,520
een heel bijzondere combinatie, namelijk AI en sport. Ik ben echt heel erg benieuwd, want AI,

3
00:00:14,520 --> 00:00:19,840
passie, sport, op zijn minst zeg maar een heel groot plezier. - Ook wel een passie voor mij.

4
00:00:19,840 --> 00:00:25,520
Ja toch? Nou heel erg leuk. Mijn naam Joop Snijder, CTO bij Aigency. - Mijn naam Niels Naglé,

5
00:00:25,520 --> 00:00:31,960
Area Lead Data & AI bij Info Support. - Ja en we hebben te gast Lotte. Lotte,

6
00:00:31,960 --> 00:00:37,400
zou je jezelf willen voorstellen aan de luisteraar? - Zeker. Hoi, ik ben Lotte Lintmeijer. Ik woon in

7
00:00:37,400 --> 00:00:44,560
Den Haag, ik ben 37 en tot voor kort werkte ik bij Sport Data Valley. Dat is een nationaal

8
00:00:44,560 --> 00:00:52,520
platform voor data en analyses op het gebied van sport en bewegen. En vanaf januari ben ik voor

9
00:00:52,520 --> 00:00:59,360
mezelf begonnen en werk ik als data scientist, data analist en in het onderwijs op het gebied

10
00:00:59,360 --> 00:01:07,480
van sport en bewegen en data. - Heel mooi. Want de sport is best wel heel breed. Waar hebben we het

11
00:01:07,480 --> 00:01:11,240
over? Hebben we het over de breedtesport? Hebben we het over topsport? Waar hebben we het over?

12
00:01:11,240 --> 00:01:14,600
- Goeie, daar wilde ik eigenlijk misschien een onderscheid zo meteen in mijn verhaal maken.

13
00:01:14,600 --> 00:01:20,520
Ik heb eigenlijk vooral in de topsport gezeten, maar ook wel een stukje breedtesport. En een

14
00:01:20,520 --> 00:01:24,400
deel van de onderzoeken en data-analyse die ik heb gedaan zijn voor de breedtesport geweest.

15
00:01:24,400 --> 00:01:30,720
Grootste deel voor de topsport. - Oh ja, leuk. En kan je iets vertellen

16
00:01:30,720 --> 00:01:37,880
over hoe ben je bij AI terechtgekomen en juist zeg maar in de sport?

17
00:01:37,880 --> 00:01:43,960
- Eigenlijk ben ik ooit begonnen met een onderzoeks of eigenlijk met een master

18
00:01:43,960 --> 00:01:51,120
psychologie, sociale en gezondheidspsychologie. Maar ik werkte best wel fanatiek of vrijwillig

19
00:01:51,120 --> 00:01:58,120
als coach in het roeien. En op een gegeven moment dacht ik ik wil eigenlijk mijn studie en later

20
00:01:58,120 --> 00:02:04,080
mijn werk gaan combineren met mijn passie en dat was dan coachen. En zodoende ben ik uiteindelijk

21
00:02:04,080 --> 00:02:10,120
bij de VU terechtgekomen en heb ik een PhD bij bewegingswetenschappen gedaan. Heb ik gekeken

22
00:02:10,120 --> 00:02:15,600
naar de biomechanica van het roeien. Dus die is heel anders dan psychologie. Er zat wel wat

23
00:02:15,600 --> 00:02:19,560
psychologie in in de vorm van feedback geven, real-time feedback geven aan roeiers.

24
00:02:19,560 --> 00:02:25,560
- Een biomechanica? - Dat is eigenlijk een beetje de

25
00:02:25,560 --> 00:02:32,080
natuurkunde van het bewegende lichaam. - Dus hoe wij gewoon bewegen, de armen,

26
00:02:32,080 --> 00:02:36,880
de benen, het lijf. - En waar wij naar keken in het onderzoek was

27
00:02:36,880 --> 00:02:46,960
hoe kunnen we het geleverde vermogen bepalen van een roeier. Dus om even een klein zij stapje. Als

28
00:02:46,960 --> 00:02:52,920
we nu naar het fietsen kijken, naar het wielrennen. Vroeger trainde men op hartslag en op gevoel. Maar

29
00:02:52,920 --> 00:03:00,720
eigenlijk zien we door alle nieuwe technieken dat er vooral in de topsport nog wordt getraind op

30
00:03:00,720 --> 00:03:07,920
vermogen. Dus wat levert iemand aan energie aan de fiets en hoe wordt dat omgezet in snelheid.

31
00:03:07,920 --> 00:03:12,840
Eigenlijk kun je dat zelf doen in het roeien, alleen het is wat ingewikkelder. Want de roeiboot

32
00:03:12,840 --> 00:03:18,560
die heeft geen constante snelheid, maar die gaat heet uit heen en weer. En wij hebben gekeken hoe

33
00:03:18,560 --> 00:03:24,960
we ondanks die complexiteit toch dat vermogen van de roeier, wat die geeft aan de boot, kunnen

34
00:03:24,960 --> 00:03:30,200
bepalen. En op die manier kwam ik dus met best wel veel meer soorten data in aanmerking. Met

35
00:03:30,200 --> 00:03:40,520
realtime data, met timeseries data, met sensor data. Dus data die wordt opgemeten. En kreeg ik

36
00:03:40,520 --> 00:03:47,080
steeds meer interesse in de dataanalyse en een stukje AI. Wat ik daar zijlings bij heb gepakt.

37
00:03:47,080 --> 00:03:50,840
En als we het dan hebben over die datapunten voor in het voorbeeld van roeien. Waar moet

38
00:03:50,840 --> 00:03:55,280
ik dan aan denken? In ieder geval vooruitgaan, maar wat voor sensoren waren er nog meer? Wat

39
00:03:55,280 --> 00:04:01,800
voor datapunten? Tot nog toe is het gebruikelijk, vooral in het roeien, om snelheid te bepalen. En

40
00:04:01,800 --> 00:04:08,000
iemands hartslag. Ook iemand het tempo waarop je roeit. Dus hoeveel slagen je per minuut maakt.

41
00:04:08,000 --> 00:04:14,960
Wat wij extra hebben gedaan is krachtsensoren op het stukje waar de riemen in zitten. Dat noem je

42
00:04:14,960 --> 00:04:24,240
de dol. En die sensoren meten druk of kracht. En daarmee kun je vermogen, kun je onder andere

43
00:04:24,240 --> 00:04:30,080
vermogen bepalen en nog veel meer doen. En we hebben ook het stukje biomechanica meegenomen.

44
00:04:30,080 --> 00:04:35,960
Dus we hebben gekeken hoe beweegt een roeier zich in de boot. Dus al zijn ledematen in de boot.

45
00:04:35,960 --> 00:04:42,600
En dat hebben we met IMU sensoren gedaan. Dus in dit geval was het een XSENS pak. Ik weet niet

46
00:04:42,600 --> 00:04:52,560
of jullie dat iets zegt? Nee, sorry. Wat zijn dat voor sensoren? Dat zijn sensoren die kunnen heel

47
00:04:52,560 --> 00:04:59,720
nauwkeurig de beweging van iets bepalen. Dus die kun je in dit geval, het is een pak van XSENS,

48
00:04:59,720 --> 00:05:08,280
die zet je, de sensoren zet je op elk lichaamsdeel. En doordat die in allerlei dimensies meet,

49
00:05:08,280 --> 00:05:13,600
kun je heel nauwkeurig de beweging van dat lichaamsdeel bepalen. Dus iemand zit echt in

50
00:05:13,600 --> 00:05:21,120
een pak, in die roeiboot. Het was een pak en nu zijn het losse sensoren die ook met wifi-signalen.

51
00:05:21,120 --> 00:05:26,680
En het was wel spannend, want we hadden uiteindelijk, we begonnen met een pak,

52
00:05:26,680 --> 00:05:31,120
maar dat was heel onhandig, want het was bedraad. Dus roeiers raakten verstrikt in de bedrading.

53
00:05:31,120 --> 00:05:36,360
Of de bedrading schoot los, waardoor we een deel van de data misten. Dus uiteindelijk hebben we,

54
00:05:36,360 --> 00:05:43,200
achteraf gezien, met best wel veel risico, hebben we een roeier in een skiff gezet. Dat is een

55
00:05:43,200 --> 00:05:47,960
eenmansbootje. Die zijn heel, als jij erin gaat zitten. Althans ben je roeier? Nee, maar ik heb

56
00:05:47,960 --> 00:05:53,960
het wel een keertje gedaan met een collega. Ik ben droog gebleven. Dat vind ik best knap. Je valt

57
00:05:53,960 --> 00:05:58,800
echt heel makkelijk om in het water. En wat wij hebben gedaan, is die roeier in de boot met die

58
00:05:58,800 --> 00:06:07,200
sensoren en dan op de boot een box gezet en daarin alle apparatuur, dus laptop en etc. En toen het

59
00:06:07,200 --> 00:06:12,600
water opgestuurd. Dat was af en toe wel een beetje billenknijpen eerlijk gezegd. Maar ook voor

60
00:06:12,600 --> 00:06:18,120
degene denk ik in de boot. Ik weet niet of ze heel bewust waren hoeveel kapitaal erin ging.

61
00:06:18,120 --> 00:06:23,560
Nou geweldig. En wat was het moment, want dan heb je allerlei data en data kan je natuurlijk

62
00:06:23,560 --> 00:06:29,880
op heel veel verschillende manieren analyseren. Wat was het moment of de uitdaging die je had,

63
00:06:29,880 --> 00:06:33,880
dat je zei van hier moeten we misschien wat machine learning gaan inzetten? Heel eerlijk

64
00:06:33,880 --> 00:06:37,920
gezegd heb ik in mijn PhD nog geen machine learning ingezet. Maar we hebben op een gegeven

65
00:06:37,920 --> 00:06:48,520
moment een biomechanisch model gemaakt om het vermogensverlies, het maakt even niet zoveel uit

66
00:06:48,520 --> 00:06:58,120
wat het is, bij het blad te kunnen bepalen. Dat was best een natuurkundig model, maar wel

67
00:06:58,120 --> 00:07:03,160
ingewikkeld. En dat ging best goed. En toen op een gegeven moment was ik klaar met de PhD en toen

68
00:07:03,160 --> 00:07:10,080
dacht ik zou ik dit ook met een AI model kunnen doen. Dus zonder de wetmatigheid die erachter zit,

69
00:07:10,080 --> 00:07:14,520
dat er gewoon uit laten, maar gewoon naar de data te kijken. Of het model naar de data te laten kijken

70
00:07:14,520 --> 00:07:22,600
en kijken of dat model net zo goed die vermogensverlies kan bepalen als de natuurkundig

71
00:07:22,600 --> 00:07:29,720
wetmatig model. Ja dat ging net zo goed, maar dat is op zich ook wel logisch. Want? Omdat er een

72
00:07:29,720 --> 00:07:37,080
wetmatigheid in zit. Dus eigenlijk zeg je van het AI model, leren in die zin de patronen van de

73
00:07:37,080 --> 00:07:43,960
wetmatigheid van de natuurkunde. Ja, dat hoop ik denk ik. Ik heb niet gekeken hoe het model in elkaar

74
00:07:43,960 --> 00:07:50,440
zat, maar ik vermoed wel dat die patronen terugkomen. Dus eigenlijk ben ik ook wel voorstander van dat

75
00:07:50,440 --> 00:07:56,560
je eerst kijkt van kunnen we het niet oplossen met de wetmatigheid die we weten, dus met Newton

76
00:07:56,560 --> 00:08:02,680
laws bijvoorbeeld. Omdat we dan gewoon heel duidelijk begrijpen waarom een model werkt.

77
00:08:02,680 --> 00:08:08,240
En als we dat niet kunnen, dan de volgende stap een AI model waarin het meer black box is. Is

78
00:08:08,240 --> 00:08:15,560
mijn visie. Ja, AI modellen hoeven gelukkig niet altijd black box te zijn. Daar zijn wij dan weer

79
00:08:15,560 --> 00:08:23,000
in gespecialiseerd, maar dat is voor een andere keer. Maar als je nu, want je zegt van ik zou het

80
00:08:23,000 --> 00:08:30,560
eerst met die natuurkundige modellen willen oplossen. Wat zou dan het moment zijn dat je

81
00:08:30,560 --> 00:08:35,640
zegt van ja, maar dan moet ik het toch wel loslaten en dan ga ik met die AI modellen aan de slag?

82
00:08:35,640 --> 00:08:49,440
Op het moment dat er veel factoren zijn die meespelen in een bepaald proces en waarin ook

83
00:08:49,440 --> 00:08:58,480
die factoren met elkaar veel interactie en dynamiek hebben. Dus als we kijken naar bijvoorbeeld

84
00:08:58,480 --> 00:09:06,760
naar prestatie, maar ook een onderzoek wat ik eerder heb gedaan bij Sport Data Valley. Daar waren

85
00:09:06,760 --> 00:09:16,680
we nieuwsgierig in of we de fysieke fitheid van iemand konden linken aan het gedrag van mensen.

86
00:09:18,320 --> 00:09:24,280
Daar zit niet echt wetmatigheid in. Dus op dat moment denk ik van best wel veel factoren. Gedrag

87
00:09:24,280 --> 00:09:33,840
eventjes was wel gekaderd in de zin van het waren bewegingsfactoren en slaapfactoren en hoeveel je

88
00:09:33,840 --> 00:09:42,240
zit. Die wilden we linken aan fysieke fitheid. Om zo iets te kunnen zeggen van tegen mensen

89
00:09:42,240 --> 00:09:50,760
feedback te kunnen geven. Wij zien als jij meer gaat bewegen dat jij je op den duur fitter gaat

90
00:09:50,760 --> 00:09:55,880
voelen. Maar het kan ook zo zijn dat iemand teveel beweegt en dat we kunnen zeggen van

91
00:09:55,880 --> 00:10:01,520
hey misschien moet je een stapje terug zetten af en toe. Zodat je je op den duur weer fitter gaat

92
00:10:01,520 --> 00:10:11,200
voelen. Dat is een voorbeeld waar ik denk van hier kan de natuurkunde of een ander model niet in

93
00:10:11,200 --> 00:10:16,680
helpen. En dan kunnen we de stap naar AI maken. Daar hebben we overigens ook blackbox modellen

94
00:10:16,680 --> 00:10:27,880
ontrafeld met nieuwe methodes om precies te zien welke factoren van invloed zijn voor individu 1

95
00:10:27,880 --> 00:10:33,120
en welke factoren belangrijk zijn voor individu 2. Ja precies want dat heb je ook nodig anders

96
00:10:33,120 --> 00:10:38,000
kan je uiteindelijk natuurlijk geen advies geven. En hebben we het hier over topsport,

97
00:10:38,000 --> 00:10:42,920
breedtesport. Dit was breedtesport. Dus wat we hadden gedaan is dit was eigenlijk puur voor

98
00:10:42,920 --> 00:10:47,520
misschien niet eens breedtesport maar gewoon voor iedereen. Dus we wilden zien dat steeds

99
00:10:47,520 --> 00:10:51,680
meer mensen een sporthorloge gaan dragen. Ik zit al naar jullie horloge te kijken.

100
00:10:51,680 --> 00:10:58,000
Ik heb hem niet meer om. En we hebben best wel veel Fitbit data en ik had best wel een gave open

101
00:10:58,000 --> 00:11:03,520
data bron met Fitbit data gevonden van mensen die aan het trainen waren voor een 5 kilometer run.

102
00:11:03,520 --> 00:11:14,160
Die data hebben een student van mij gecombineerd om te kijken van kunnen we nou patronen vinden die

103
00:11:14,160 --> 00:11:18,520
mensen gaan helpen om meer inzicht te geven in wat ze aan het doen zijn en wat voor een effect dat

104
00:11:18,520 --> 00:11:25,240
heeft op hun gezondheid. En voor gezondheid namen we rusthartslag. Dat zegt over het algemeen iets

105
00:11:25,240 --> 00:11:32,000
over hoe fit jij je op die dag op dat moment voelt. Ja ten opzichte van de inspanningshartslag.

106
00:11:32,000 --> 00:11:40,880
Nee we deden alleen echt rusthartslag. En daar zitten wel wat aannames hoor. Want wat het gave

107
00:11:40,880 --> 00:11:50,640
was van dit stukje onderzoek was dat, jij geeft al aan van ten opzichte van, is dat we rekening

108
00:11:50,640 --> 00:11:57,280
hielden aan de ene kant met het individu. Dus wat zijn de patronen van het individu. Maar aan de

109
00:11:57,280 --> 00:12:04,680
andere kant ook de informatie van de groep mee konden nemen. En patronen van de individu. Wat

110
00:12:04,680 --> 00:12:11,080
zijn dan patronen waar we aan kunnen denken? Als we kijken naar rusthartslag weten we bijvoorbeeld

111
00:12:11,080 --> 00:12:19,040
dat mannen over het algemeen een lagere rusthartslag hebben dan vrouwen. En dat de ene persoon ook

112
00:12:19,040 --> 00:12:23,680
fitter is dan de ander. Dus ten eerste keken we dus, dat is niet helemaal antwoord op je vraag,

113
00:12:23,680 --> 00:12:31,000
maar die verschillen namen we mee. En dan konden we dus de rusthartslag van een individu vergelijken

114
00:12:31,000 --> 00:12:38,280
van wat hij voorheen had gedaan, wat de trend was. En de patronen van het individu bedoel ik mee van

115
00:12:38,280 --> 00:12:49,280
het verloop van rusthartslag van het individu en wat met de relatie tot het gedrag wat hij deed,

116
00:12:49,280 --> 00:12:55,680
dat konden we meenemen. Maar ook het probleem op het moment dat je alleen naar één individu kijkt,

117
00:12:55,680 --> 00:13:02,360
dat je de data van één individu hebt, dan kan het zijn dat er te weinig variatie in die data zit.

118
00:13:02,360 --> 00:13:10,080
Dus stel jij ligt 24/7 op de bank, dan zul je niet veel variatie in je beweeggedrag en in je

119
00:13:10,080 --> 00:13:16,440
zitgedrag zien. En dan zal er ook geen relatie te vinden zijn met je rusthartslag. En daarvoor

120
00:13:16,440 --> 00:13:22,400
probeerden we dus ook te kijken naar de informatie uit individuen die niet de hele dag op de bank

121
00:13:22,400 --> 00:13:31,320
zitten, maar een veel gevarieerder gedragspatroon vertoonden. En wat was de uitkomst eruit?

122
00:13:31,320 --> 00:13:39,200
Ik weet het niet meer precies. Er zijn een aantal algemene factoren die voor iedereen belangrijk

123
00:13:39,200 --> 00:13:45,360
waren. En wat ik een interessante vond, maar dat is wel weer een beetje technisch, is een factor

124
00:13:45,360 --> 00:13:52,280
die heel erg onder discussie is in de topsport en breedtesport. En dat is de acute chronic

125
00:13:52,280 --> 00:14:06,000
workload ratio. En dat betekent dat je dat is een ratio die aangeeft hoe snel jij verandert in

126
00:14:06,000 --> 00:14:11,640
intentie van je sport. Dus op het moment dat jij in je laatste week, in de afgelopen week,

127
00:14:11,640 --> 00:14:17,640
tien keer zoveel bent gaan sporten, ik zeg even overdrijvend, ten opzichte van de eerst vier weken,

128
00:14:17,640 --> 00:14:24,640
dan is er een vermoeden dat als je dat doet dat je dan sneller geblesseerd raakt. Dus het zegt

129
00:14:24,640 --> 00:14:29,880
iets over hoeveel jij afgelopen week hebt gesport ten opzichte van de afgelopen maand. En daar is heel

130
00:14:29,880 --> 00:14:35,080
veel discussie over, maar uit ons model kwam dat wel als een van de belangrijke factoren naar voren

131
00:14:35,080 --> 00:14:40,560
voor hoe fit iemand zich op dat moment voelt. En dat gold ook eigenlijk bijna voor iedereen.

132
00:14:40,560 --> 00:14:48,880
En die discussie hebben we het dan hier over de data die het aangeeft en het geloof die heerst,

133
00:14:48,880 --> 00:14:58,480
zeg maar, binnen een bepaalde groep? Ja, dat ook. Maar er is ook wel meer discussie

134
00:14:58,480 --> 00:15:05,320
over hoe statistisch verantwoord deze maat bijvoorbeeld is. En de discussie is met name

135
00:15:05,320 --> 00:15:12,320
om dat sommige mensen een bepaalde drempel zeggen. Dus de ratio mag niet hoger dan 0.3 zijn,

136
00:15:12,320 --> 00:15:16,720
want anders raak je sneller geblesseerd. En daar is heel veel discussie over of je dat

137
00:15:16,720 --> 00:15:21,320
überhaupt zeg maar per individu en per sport zo kan zo hard kan vastleggen.

138
00:15:21,320 --> 00:15:26,880
Daar kan ik me iets bij voorstellen. Loop je sowieso, misschien is het interessant om dan

139
00:15:26,880 --> 00:15:37,200
juist naar de topsporter kijken, loop je daar tegenaan hoe mensen die hier de impact van vinden,

140
00:15:37,200 --> 00:15:44,040
loop je daartegenaan tegen weerstand? Nemen ze zomaar de uitkomsten van modellen over?

141
00:15:44,040 --> 00:15:48,440
Nee. Ik wist waar ik naar vroeg natuurlijk.

142
00:15:48,440 --> 00:15:55,240
Nee, ik denk wel dat het steeds, ik denk dat de topsport steeds meer data-driven wordt.

143
00:15:55,240 --> 00:15:58,920
Maar ik denk dat er nog wel heel veel uitdagingen liggen.

144
00:15:58,920 --> 00:16:05,800
Ja, en waar ligt dat dan aan dat er wel of geen weerstand is? Heb je daar een idee van?

145
00:16:05,800 --> 00:16:20,480
Ja, ik zit even te denken waar ik ga beginnen. Want ik denk dat als er weerstand is, dat het

146
00:16:20,480 --> 00:16:27,400
aan de ene kant terecht is. En aan de andere kant dat het vrijwel altijd terecht is en dat er een

147
00:16:27,400 --> 00:16:35,800
aantal zaken spelen die het, naar mijn inzicht, voor nu het gebruik van AI, het wordt gebruikt in

148
00:16:35,800 --> 00:16:42,880
de topsport, maar het gebruik van AI uitdagend maakt. En een van de belangrijkste uitdagingen

149
00:16:42,880 --> 00:16:49,280
is denk ik de hoeveelheid data die we hebben voor de topsport. Dus veel AI-modellen,

150
00:16:49,280 --> 00:16:56,400
dan hoop ik dat jullie mij bevestigen, worden gedragen door de hoeveelheid data die erachter

151
00:16:56,400 --> 00:17:05,080
zit. Of die worden mogelijk gemaakt omdat je een hele hoop data kunt verzamelen. En die modellen

152
00:17:05,080 --> 00:17:12,320
zijn in het algemeen, en ik weet dat de technieken heel snel gaan, maar in het algemeen vooral

153
00:17:12,320 --> 00:17:20,200
interessant voor de massa, voor de grote populatie. Terwijl de topsporters eigenlijk een uitzonderlijke

154
00:17:20,200 --> 00:17:24,680
groep zijn, zouden eigenlijk de outliers in het model zijn. En daar hebben we ook, het is maar

155
00:17:24,680 --> 00:17:31,000
een heel klein groepje. Dus het verzamelen van voldoende data voor een accuraat model is best wel

156
00:17:31,000 --> 00:17:32,680
een uitdaging. - Dat begrijp ik wel.

157
00:17:32,680 --> 00:17:40,480
- En daarnaast speelt dan dus dat die beperkte data is problematisch. Daarnaast dat die beperkte

158
00:17:40,480 --> 00:17:44,640
data komt natuurlijk ook omdat topsporters niet zo graag een informatie met andere teams gaan

159
00:17:44,640 --> 00:17:50,560
uitdelen, uitwisselen. Dus het blijft beperkt vaak tot jouw team. En er zit echt wel een heel groot

160
00:17:50,560 --> 00:17:55,600
probleem in het stukje compliance. Dus het dragen van een horloge, dat is vrij easy. En je verzamelt

161
00:17:55,600 --> 00:18:03,120
de data gedurende hoe lang je dat horloge ook maar draagt. Dat kost je weinig inzet om dat te doen.

162
00:18:03,120 --> 00:18:09,000
Maar we weten ook in de topsport en überhaupt in de sport dat het stukje mentaal ook een hele

163
00:18:09,000 --> 00:18:14,480
belangrijke factor is voor presteren. En voor het mentale stukje hebben we nog geen oplossing

164
00:18:14,480 --> 00:18:20,560
om dat makkelijk te achterhalen. Dus op dit moment is het zo dat de topsporters die hier

165
00:18:20,560 --> 00:18:27,000
geïnteresseerd zijn vragenlijsten invullen. En die vragenlijsten kunnen heel simpel zijn en die

166
00:18:27,000 --> 00:18:31,760
kunnen maar vijf minuutjes tijd per dag kosten. Maar je ziet dat er maar echt een heel beperkt

167
00:18:31,760 --> 00:18:37,800
aantal topsporters zijn die zich daar jaren of misschien maanden aan kunnen committeren. Dus

168
00:18:37,800 --> 00:18:43,880
heel veel topsporters zijn een, twee maanden. En ik snap dat helemaal, dus geen verwijt. Na een,

169
00:18:43,880 --> 00:18:47,840
twee maanden zie je gewoon dat de compliance, dus hoe vaak ze het invullen, steeds minder en minder

170
00:18:47,840 --> 00:18:53,400
en minder wordt. En daar zit ook echt een grote uitdaging in. Dat is wel heel begrijpelijk. Ik

171
00:18:53,400 --> 00:19:00,200
zie wel natuurlijk, ik kijk graag voetbal, dat zeker de zelfs de voetballers tijdens de wedstrijden

172
00:19:00,200 --> 00:19:05,080
tegenwoordig van die van die hesjes dragen waar ze volgens mij ook helemaal de data uit kunnen

173
00:19:05,080 --> 00:19:11,720
halen. Inclusief zeg maar de beelden, wie, waar, loopt, welke intentie, dat soort dat soort zaken.

174
00:19:11,720 --> 00:19:20,560
Zie je daar een ontwikkeling in? Ik weet helemaal niet of je er überhaupt wat vanaf weet. Een beetje.

175
00:19:20,560 --> 00:19:29,920
En hoe is de sport ook, staat die hier ook verder voor open om hiermee aan de slag te gaan?

176
00:19:29,920 --> 00:19:35,040
Ja, dat denk ik wel. En ik denk dat voetbal, zeg maar laten we de betaald voetbalorganisaties

177
00:19:35,040 --> 00:19:41,680
hebben, hier wel een andere plek denk ik dan topsport in het algemeen, omdat er gewoon veel

178
00:19:41,680 --> 00:19:48,040
meer geld in omgaat en er veel meer mogelijkheden zijn. En ik denk dat, zeg maar in de ervaringen

179
00:19:48,040 --> 00:19:56,080
van de afgelopen jaren bij verschillende bonden, denk ik iedereen staat ervoor open. Alleen de

180
00:19:56,080 --> 00:20:02,000
ingewikkeldheid is een stukje data en andere kant implementatie van modellen. Dus we zijn,

181
00:20:02,000 --> 00:20:07,840
denk ik, als sport nog niet ingericht om echt data-driven te kunnen werken, omdat we gewoon

182
00:20:07,840 --> 00:20:14,760
de capaciteit en de financiële middelen niet hebben om een beetje een beeld te geven,

183
00:20:14,760 --> 00:20:19,880
los van even de betaalde voetbalorganisaties. Ik moet ook heel eerlijk zeggen dat ik daar iets

184
00:20:19,880 --> 00:20:25,400
minder kijkje achter de deur heb, maar als we naar de andere bonden kijken, als in een roeibond,

185
00:20:25,400 --> 00:20:34,920
een zeilbond, een sportcentrum, Papendal, een tennisbond, dan heb je daar als personeel coaches,

186
00:20:34,920 --> 00:20:42,280
nou sommige hebben een fysioloog en een biomechanicus in dienst, uiteraard fysiotherapeuten,

187
00:20:42,280 --> 00:20:49,080
een beetje diëtist, een aantal diëtisten of voor een aantal uren diëtist en voor een aantal uren

188
00:20:49,080 --> 00:20:53,920
psycholoog. En dan heb je de embedded scientist. En de embedded scientist is eigenlijk de persoon

189
00:20:53,920 --> 00:21:06,640
die alles om trend, technologie en data op zich neemt. Dus de embedded scientist bij de roeibond,

190
00:21:06,640 --> 00:21:18,560
de zeilbond, bij een handbalbond, die is enerzijds bezig met de technologie klaarzetten en filmpjes

191
00:21:18,560 --> 00:21:29,400
maken en metingen doen. En anderzijds degene die de data verzamelt, soms analyseert en resultaten

192
00:21:29,400 --> 00:21:35,600
terugkoppelt. Maar dat is eigenlijk, die persoon is dus eigenlijk zowel degene die de data verzamelt

193
00:21:35,600 --> 00:21:41,000
als de data analyst, als de data scientist, als degene die een terugkoppeling moet geven aan de

194
00:21:41,000 --> 00:21:47,360
coaches. - Wow, oké. Is dat één rol of echt één persoon bij zo'n bond? - Dat is één persoon.

195
00:21:47,360 --> 00:21:50,640
- Of over meerdere bonden heen? - Soms over meerdere bonden heen.

196
00:21:50,640 --> 00:21:56,600
- Dat is zeker pittig. - Dus ik denk dat we op het moment dat we echt

197
00:21:56,600 --> 00:22:02,840
data-driven willen werken, en ik denk dat de bonden hier ook wel mee eens zijn, dan zul je naar een

198
00:22:02,840 --> 00:22:10,200
ander model moeten gaan. En zul je veel meer moeten gaan investeren in personeel op het stukje data,

199
00:22:10,200 --> 00:22:15,960
verwerking en data terugkoppeling. - En dit is echt een middelenkwestie?

200
00:22:15,960 --> 00:22:27,480
- Ja, middelen- en kenniskwestie denk ik. Ik denk dat, ja middelen sowieso, maar het is ook wel een

201
00:22:27,480 --> 00:22:35,840
stukje hoe ga je het organiseren. Dus niet perse kennis op het stukje data of AI, want dat kun je

202
00:22:35,840 --> 00:22:44,320
uiteraard met middelen oplossen. Maar ook wel het stukje hoe gaan we dit organiseren. Want ik zou

203
00:22:44,320 --> 00:22:51,320
zelf ook niet zo heel goed weten hoe je dit nu zo neerzet, dat je en data kan verzamelen en direct

204
00:22:51,320 --> 00:22:58,040
kan verwerken en direct kan terugkoppelen aan je coaches en je sporters. - Er zijn gewoon hele

205
00:22:58,040 --> 00:23:02,520
platformen voor beschikbaar waarin je dat kan inrichten, maar dat betekent wel dat je het moet

206
00:23:02,520 --> 00:23:07,560
gaan inrichten, de organisatie, de afnemers, de sporters ook daarmee mee moet gaan nemen.

207
00:23:07,560 --> 00:23:10,120
Dus het is wel ook een stuk cultuur. - Ja, cultuur en mindset.

208
00:23:10,120 --> 00:23:20,160
- Ja, dus eigenlijk heb ik je al gehoord, een klein beetje stapelen van data verzamelen is echt wel

209
00:23:20,160 --> 00:23:28,880
een punt. Gewoon puur middelen in de sport. En dan ook nog inderdaad het organiseren van kennis.

210
00:23:28,880 --> 00:23:36,720
- Ja, en ik wil er nog wel een stukje aan toevoegen, wat misschien minder in het bedrijfsleven speelt,

211
00:23:36,720 --> 00:23:44,120
is dat je zowel als topsporter als coach heb je vrij kort tijdsbestek om te presteren. Dus

212
00:23:44,120 --> 00:23:49,440
maximaal vier jaar, als we even naar de Olympische cyclus kijken. Maar voor heel veel coaches en

213
00:23:49,440 --> 00:23:54,000
topsporters geldt het maximaal een jaar, want je moet presteren op die wereldkampioenschappen.

214
00:23:54,000 --> 00:24:05,440
Dus je hebt niet zo heel veel tijd om een model toe te passen en te experimenteren of een nieuw

215
00:24:05,440 --> 00:24:12,000
model jou op weg gaat helpen. Dus het is ook wel een risico om een model te gaan volgen,

216
00:24:12,000 --> 00:24:17,480
terwijl je het eerder altijd anders hebt gedaan. Dus daar zit ook wel een spagaat. En het ontwikkelen

217
00:24:17,480 --> 00:24:21,240
van een model kost gewoon veel tijd en het verzamelen van data ook. Dus daar zit best wel

218
00:24:21,240 --> 00:24:26,640
een spagaat hoe je dit zeg maar... - Ja, die begrijp ik wel. Dat snap ik ook

219
00:24:26,640 --> 00:24:32,040
wel. Inderdaad, in het bedrijfsleven voel je ook wel een bepaald risico, maar vaak is dat gewoon

220
00:24:32,040 --> 00:24:39,360
een financieel risico. Maar die tijdsfactor vind ik wel heel erg interessant, want dat is natuurlijk

221
00:24:39,360 --> 00:24:45,040
inderdaad lastig. Je hebt al, wat je net zei, beperkte middelen. En dan moet je dan ook nog

222
00:24:45,040 --> 00:24:51,440
eens de keuze maken, ga ik dit doen en ga ik daarop vertrouwen? En is dat op tijd klaar dat

223
00:24:51,440 --> 00:24:56,920
het me ook iets toevoegt? - Ja, dus het zou minimale extra werk moeten

224
00:24:56,920 --> 00:25:01,480
kosten om toch de benefit langzaam te kunnen gaan voelen en dan langzaam meer te gebruiken

225
00:25:01,480 --> 00:25:05,480
kunnen maken. Dus als je mij vraagt, als ik het zo een beetje aanhoor, is het ook een kwestie van

226
00:25:05,480 --> 00:25:10,440
tijd als we hiermee gaan starten om dat te gaan doen. Afhankelijk van hoe je het organiseert,

227
00:25:10,440 --> 00:25:15,160
of je de data van jou is, van de sporter is, van de bond is, van de coaches die weer naar een

228
00:25:15,160 --> 00:25:19,880
nieuwe club gaan. Dus ook organisatie zal je denk ik wel bepalend zijn. Hoeveel waarde je daarna

229
00:25:19,880 --> 00:25:24,480
er weer aan hebt, na dat jaar ziek te zijn. - Zeker. Er wordt al wel echt heel veel data

230
00:25:24,480 --> 00:25:32,760
verzameld hoor, ook al vanaf een aantal jaar geleden. Dus ik denk dat daar heel veel bonden

231
00:25:32,760 --> 00:25:39,800
heel erg op weg zijn. Ik denk dat het vooral het stukje omzetten van de data naar inzichten,

232
00:25:39,800 --> 00:25:46,520
met behulp van een model en dat implementeren en dus ook toepassen en daar ook een soort van

233
00:25:46,520 --> 00:25:51,000
feedback loop in krijgen, dat dat het punt is waar we nu staan.

234
00:25:51,000 --> 00:25:57,920
- Oké. En zouden ze er voor openstaan? Ik heb geen idee wat ik nu zeg. Ik kan me voorstellen dat

235
00:25:57,920 --> 00:26:03,920
er een aantal fundamentele problemen zijn, waar iedere sporter, ieder team tegen aanlopen. Je had

236
00:26:03,920 --> 00:26:10,440
het net al over het voorkomen van blessures. Dat dat misschien niet zo erg is om daar data

237
00:26:10,440 --> 00:26:13,680
van elkaar te delen, al zou het anoniem zijn. - Ja, dat zou ik hopen.

238
00:26:13,680 --> 00:26:23,360
- Maar ligt dat gevoelig? - Ik ben bang van wel.

239
00:26:23,360 --> 00:26:28,800
- Oké. Vanwege de competitie en dat je dat gewoon...

240
00:26:28,800 --> 00:26:34,880
- De een staat er wel anders in dan de ander. De een zegt van waarom laten we het delen,

241
00:26:34,880 --> 00:26:40,360
want daar kunnen we alleen maar met z'n allen beter van worden. Eigenlijk zegt iedereen dat

242
00:26:40,360 --> 00:26:46,080
wel. Maar als het puntje bij het paaltje komt, merk je toch dat het opeens toch wel moeilijk is

243
00:26:46,080 --> 00:26:51,280
om data met elkaar te gaan delen. Ik kan niet vinger opleggen waarom dat precies is,

244
00:26:51,280 --> 00:26:57,280
maar het zal toch wel misschien te maken hebben met de angst dat je misschien jouw schat weggeeft.

245
00:26:57,280 --> 00:26:59,360
- Ja. - Maar dat is invulling, hè?

246
00:26:59,360 --> 00:27:02,480
- Ja, dat is een aanname. - Ik kan me er iets bij voorstellen.

247
00:27:02,480 --> 00:27:07,400
- Ik kan me er iets bij voorstellen, inderdaad. Als de middelen al beperkt zijn en dan geef je ook

248
00:27:07,400 --> 00:27:11,240
nog je goud weg om de volgende toekomst van je middelen weer niet veilig te kunnen stellen,

249
00:27:11,240 --> 00:27:13,480
dan begrijp ik het wel. - En nog even over dat stukje

250
00:27:13,480 --> 00:27:21,040
tijdsfactor. Wat ik ook wel soms denk en hoor, veel topsporters verzamelen dan

251
00:27:21,040 --> 00:27:25,480
al best wel een tijdje data. Maar het ontwikkelen van een model, het krijgen van inzichten,

252
00:27:25,480 --> 00:27:29,760
kost gewoon... heb je heel veel data voor nodig en kost dus tijd. Dus op een gegeven moment,

253
00:27:29,760 --> 00:27:34,800
na 1, 2, 3 jaar data verzamelen en weinig terugkoppeling krijgen, gaan mensen ook wel denken,

254
00:27:34,800 --> 00:27:43,120
ja, waar doe ik dit voor? Dus eigenlijk doe je het misschien wel niet helemaal deze generatie,

255
00:27:43,120 --> 00:27:47,480
niet helemaal meer voor zichzelf, maar voor de volgende generatie die eraan komt. En de vraag

256
00:27:47,480 --> 00:27:51,000
is of je dat... - Dat is wel onbaatzuchtig.

257
00:27:51,000 --> 00:27:57,000
- Ja. - Oké. En als we het nu doortrekken naar de

258
00:27:57,000 --> 00:28:01,920
breedtesport. Ik neem aan dat daar het delen misschien wat minder moeizaam is,

259
00:28:01,920 --> 00:28:06,600
minder competitief. - Nou, de competitie-element zit er niet in,

260
00:28:06,600 --> 00:28:13,120
maar ik denk dat daar meer de structuur mee is. Dus als we kijken... nou, we zien, er is een trend

261
00:28:13,120 --> 00:28:20,640
dat in het sporten dat mensen steeds meer gewoon individueel gaan sporten en niet bij een vereniging

262
00:28:20,640 --> 00:28:27,840
of een organisatie gaan zitten. Dus daar is meer de vraag, hoe ga je die mensen vinden en zorgen dat

263
00:28:27,840 --> 00:28:34,080
de data bij elkaar komt? Omdat er geen verenigingsstructuur of organisatie boven zit.

264
00:28:34,080 --> 00:28:37,200
- Oh ja. - En dat is ook, zeg maar,

265
00:28:37,200 --> 00:28:43,920
om even terug te gaan naar Sport Data Valley. Dat is eigenlijk ook een van de missies van Sport Data

266
00:28:43,920 --> 00:28:52,120
Valley, is om inderdaad ook die individuele sporter, wat er heel veel zijn, te kunnen benaderen. En de

267
00:28:52,120 --> 00:29:00,120
data van elk individu wat nu op Strava staat en misschien met je sportvrienden wordt gedeeld en

268
00:29:00,120 --> 00:29:03,640
verder niet zoveel mee wordt gedaan. Misschien Strava zelf wel, maar...

269
00:29:03,640 --> 00:29:08,440
- Strava is de hardlopen app, toch? - Ja, hardlopen, fietsen, nog wel meer sport.

270
00:29:08,440 --> 00:29:10,000
- Dat is jouw ding, hè? - Ja.

271
00:29:10,000 --> 00:29:17,440
- Om die data, zeg maar, anoniem bij elkaar te krijgen. Dat je een gigantische dataset

272
00:29:17,440 --> 00:29:23,960
kan krijgen en dat je daar patronen kan creëren voor dat onderzoekers een toegang krijgen op

273
00:29:23,960 --> 00:29:30,640
een enorme anonieme dataset. Daar interessante inzichten uit kunnen halen met AI en die terug

274
00:29:30,640 --> 00:29:35,080
kunnen koppelen aan de praktijk. - Hoe kijk jij aan tegen, want je zat al

275
00:29:35,080 --> 00:29:38,480
een beetje stiekem te kijken naar onze horloges, hè? Ik heb een Apple Watch.

276
00:29:38,480 --> 00:29:41,960
- Een Garmin. - Een Garmin. Hoe kijk jij tegen de

277
00:29:41,960 --> 00:29:48,400
ontwikkeling van dit soort middelen aan? - Ik vind het heel interessant. En ik denk

278
00:29:48,400 --> 00:29:51,840
dat we daar ook heel veel uit kunnen halen. Dat hebben we ook geprobeerd met dat Fitbit-model.

279
00:29:51,840 --> 00:29:58,240
Ik moet zeggen, ik heb ook best wel lang een Fitbit gedragen. Bij mij ging die gewoon op een

280
00:29:58,240 --> 00:30:01,640
gegeven moment kapot. En toen dacht ik, ik vind het eigenlijk wel lekker om geen data te verzamelen.

281
00:30:01,640 --> 00:30:09,600
Maar ja, ik ben eigenlijk wel voorstander. En wil je er nog iets meer over?

282
00:30:09,600 --> 00:30:20,600
- Nou ja, kijk, nu kunnen ze wat basiszaken, hè? Hoe snel ik loop. Ik kijk even naar mezelf. Ik ben

283
00:30:20,600 --> 00:30:30,200
meer een stevige wandelaar. Dus ik heb afstand, hardslag, rust, hardslag, actief, dat soort dingen.

284
00:30:30,200 --> 00:30:36,240
Die van mij, er zit nog geen, hoe noem je dat? - Saturatie.

285
00:30:36,240 --> 00:30:40,240
- Saturatie. Dus zuurstof in je bloed zit er nog niet in. Denk bij jou misschien wel.

286
00:30:40,240 --> 00:30:42,840
- Volgens mij wel, ja. - Maar we gaan natuurlijk

287
00:30:42,840 --> 00:30:46,560
straks veel meer krijgen. Misschien wel bloeddruk, misschien wel bloedsuiker,

288
00:30:46,560 --> 00:30:51,680
allemaal dat soort zaken. Ik kan me voorstellen dat dat heel erg helpt voor het bepalen van je

289
00:30:51,680 --> 00:30:56,840
fitheid. En dat het zou kunnen helpen bij die, waar je het net had over, in de breedtesport,

290
00:30:56,840 --> 00:31:01,320
de fitheid meten van mensen. Dat dat makkelijker gaat maken.

291
00:31:01,320 --> 00:31:09,120
- Ja, ik zie het sowieso als een, misschien een mogelijkheid om meer te gaan naar preventie.

292
00:31:09,120 --> 00:31:16,040
Gezondheidspreventie in plaats van het ziek worden en dan symptoombestrijding te gaan doen.

293
00:31:16,040 --> 00:31:22,520
En mensen daar meer inzicht op te geven. En hopelijk ook dat dat soort inzichten

294
00:31:22,520 --> 00:31:28,360
leiden tot gedragsverandering. Mijn enige zorg is, en dat is wel al van een aantal jaar geleden,

295
00:31:28,360 --> 00:31:36,320
dan haal ik ook even een anekdote van mijn zwager aan. Die is cardioloog. En die zegt dus dat hij

296
00:31:36,320 --> 00:31:42,360
af en toe, toen de tijd, ik weet niet of het nu nog zit, hij zei dan vrouwen, in zijn helemaal

297
00:31:42,360 --> 00:31:48,440
overstuur in het ziekenhuis kreeg. Omdat een horloge aangaf dat hun hartslag helemaal to the

298
00:31:48,440 --> 00:31:53,960
roof was. Terwijl er was helemaal niks aan de hand. Alleen het horloge was kapot.

299
00:31:53,960 --> 00:31:58,760
- Oh zo, door de onderkeurigheid. - Ja, dus mijn enige zorg is de

300
00:31:58,760 --> 00:32:04,640
onderkeurigheid. Want ook, heel veel mensen zijn al bezig, hebben ook een temperatuurmeter van een

301
00:32:04,640 --> 00:32:11,360
horloge. En daar zit wel verwarring in. Dat mensen heel vaak denken dat dat de kerntemperatuur is van

302
00:32:11,360 --> 00:32:17,360
je lichaam wat wordt gemeten. Maar dat is je huidoppervlak. - Dus als je in de zon zit,

303
00:32:17,360 --> 00:32:20,480
wordt je huid warm. - Precies. En dan krijg je zo meteen,

304
00:32:20,480 --> 00:32:24,720
zijn ze bang dat ze koorts krijgen. Want hun huid warm is gewoon. Dat is een beetje overdreven,

305
00:32:24,720 --> 00:32:29,960
maar daar is mijn enige zorg. Van hoe accuraat zijn de horloges. Maar ik vind het ook een

306
00:32:29,960 --> 00:32:34,720
heel interessant iets om mee te gaan werken met bewegen en met preventie.

307
00:32:34,720 --> 00:32:40,400
- Ja, ik denk dat die accuratesse is natuurlijk heel erg belangrijk uiteindelijk. Mensen vertrouwen

308
00:32:40,400 --> 00:32:46,400
erop. Je kan nu inderdaad horloges krijgen, ook met bloeddruk. Waarbij het ook allemaal maar zo is.

309
00:32:46,400 --> 00:32:50,640
- Het zijn allemaal afgeleiden. - Het is een indicator. Hoe je het gebruikt,

310
00:32:50,640 --> 00:32:55,400
denk ik, educatie hier ook weer belangrijk is. Wat zegt het wel, wat zegt het niet. Iedere horloge

311
00:32:55,400 --> 00:32:59,760
werkt weer anders. Hiervoor had ik weer een, volgens mij een tomtom was het. Het gaat maar

312
00:32:59,760 --> 00:33:04,440
meer om het patroon van, ik heb hem gebruikt. En als ik volgende keer gebruik, wat is de verschil ten

313
00:33:04,440 --> 00:33:08,880
opzichte van mijn vorige gebruik? En zie ik daar een verandering, een patroon in? Dan is die

314
00:33:08,880 --> 00:33:12,720
accuratesse dan even net tot minder belangrijk. Maar als je de grote datapunten gaat gebruiken,

315
00:33:12,720 --> 00:33:16,880
is dat wel weer van belang. Dus ik denk dat educatie er ook een heel belangrijk onderdeel

316
00:33:16,880 --> 00:33:20,880
van is inderdaad. - Maar dan spreek je eigenlijk over

317
00:33:20,880 --> 00:33:30,960
datageletterdheid. En de vraag is, weet je, als je dat horloge om doet bij mensen die dat niet hebben,

318
00:33:30,960 --> 00:33:34,960
je ziet gewoon temperatuur. Het is hetzelfde temperatuur als van je thermometer.

319
00:33:34,960 --> 00:33:40,880
- Ja, daarom zeg ik educatie. En wat zegt het wel en wat zegt het niet op het scherm? En als je het

320
00:33:40,880 --> 00:33:44,400
niet goed kunt uitleggen, toon het dan niet op het scherm, want anders ga je alleen maar verwarring

321
00:33:44,400 --> 00:33:46,000
veroorzaken. - Maar jouw horloge,

322
00:33:46,000 --> 00:33:51,000
je hebt een Garmin hè? Jij hebt nog allerlei afgeleiden. Kijk je daar ook naar?

323
00:33:51,000 --> 00:33:55,120
- Niet heel, nee. Als ik aan het sporten en aan het trainen ben voor een evenement,

324
00:33:55,120 --> 00:33:59,680
dan kijk ik wat meer naar. Maar nu, ja, slaap en dat soort zaken. En ik ben net ziek geweest,

325
00:33:59,680 --> 00:34:02,480
nou had ik kunnen zien aankomen dat ik me eigenlijk niet zo goed voelde.

326
00:34:02,480 --> 00:34:05,960
- En waar zie je dat dan? - Nou ja, minder beweging,

327
00:34:05,960 --> 00:34:13,720
hogere hartslag en temperatuur. En vooral als ik slaap, dat mijn hartslag hoger is. En daar

328
00:34:13,720 --> 00:34:17,600
merk ik het meest aan. En daar zie je het aan terug. Dan zie je, ja, oké, klopt.

329
00:34:17,600 --> 00:34:21,280
- Ja, mijn moeder zegt ook. Ik kan aan mijn horloge zien dat ik ziek word.

330
00:34:21,280 --> 00:34:26,320
- Ik zie het meest al achteraf, want dan kijk ik vast naar de data. Maar ik zou het dan ook kunnen

331
00:34:26,320 --> 00:34:31,520
merken. - De grap, en dan gaan we straks naar Aisha,

332
00:34:31,520 --> 00:34:36,920
die heeft ook een vraag voor je. Maar een andere is dat ik wel eens in het ziekenhuis gelegen heb,

333
00:34:36,920 --> 00:34:42,640
waarbij ik echt aan het zweten was van de koorts. Dus als je gewoon naar mij had gekeken,

334
00:34:42,640 --> 00:34:49,160
had je gezegd, nou, die is stevig ook. En dan krijg je zo'n oorthermometer in je oren.

335
00:34:49,160 --> 00:34:52,040
- 37,5. - En die werkte bij mij zo slecht,

336
00:34:52,040 --> 00:34:57,960
dat er gewoon 36,9 stond. En dan zeggen ze, want dat is ook, 36,9, nee hoor meneer, u heeft geen

337
00:34:57,960 --> 00:35:02,120
koorts. Ja, maar doe dat ding nou eens aan de kant. Kijk eens.

338
00:35:02,120 --> 00:35:03,840
- De hand op het voorhoofd. - Kijk eens naar me.

339
00:35:03,840 --> 00:35:09,640
- We moeten altijd wel een beetje uitkijken. - We hebben ook een virtuele co-host.

340
00:35:09,640 --> 00:35:12,320
Zij wil ook graag een vraag aan je stellen.

341
00:35:12,320 --> 00:35:35,320
Aangenaam kennis te maken, ik ben Aisha. De AI-assistent van deze podcast,

342
00:35:35,320 --> 00:35:37,760
mag ik je een vraag stellen? Zeker.

343
00:35:37,760 --> 00:35:44,360
Hoe kan AI ingezet worden om gelijkheid en zelfbeschikking voor iedereen te vergroten?

344
00:35:44,360 --> 00:35:52,120
Zo, een hele brede vraag. In de sport gerelateerd aan…

345
00:35:52,120 --> 00:35:54,560
Ja, laten we dat doen. Toch? Laten we de sport nemen.

346
00:35:54,560 --> 00:36:03,360
Ja, dat vind ik wel best wel een moeilijke vraag. Ik las toevallig van de week een artikel over

347
00:36:03,360 --> 00:36:08,760
dat AI misschien in de sport juist leidt tot ongelijkheid. Ik chargeer me even,

348
00:36:08,760 --> 00:36:16,360
omdat de modellen op dit moment vooral zijn gebaseerd op data uit Westerse landen en

349
00:36:16,360 --> 00:36:23,160
toegepast worden, voor zover ze worden toegepast, in Westerse landen en nog niet voor andere culturen.

350
00:36:23,160 --> 00:36:29,520
Dus dat er een ontzettende bias zit in de AI-modellen die nu in de sport worden gebruikt.

351
00:36:29,520 --> 00:36:34,440
Ja, ik kan me daar wel een voorstelling bij maken. Uiteindelijk hebben we dat met de taalmodellen

352
00:36:34,440 --> 00:36:38,320
zoals ChatGPT natuurlijk ook. Dat is allemaal op Westerse data, of allemaal,

353
00:36:38,320 --> 00:36:43,160
maar heel veel op Westerse data geënt. En uiteindelijk hebben we gewoon verschillen.

354
00:36:43,160 --> 00:36:50,240
Ja. Nou, dat is eigenlijk ook wel een beetje, maar dat is een heel ander verhaal. Toen ik

355
00:36:50,240 --> 00:36:57,080
psychologie studeerde, waren heel veel onderzoeken gebaseerd op populaties,

356
00:36:57,080 --> 00:37:04,320
of vooral studenten, uit Westerse landen. En we nemen aan dat alle resultaten die uitkomen

357
00:37:04,320 --> 00:37:10,520
uit het onderzoek gegeneraliseerd kunnen worden naar de hele wereldbevolking, zonder überhaupt

358
00:37:10,520 --> 00:37:17,440
culturele effecten mee te nemen, überhaupt die mensen mee te nemen inderdaad in de onderzoeken.

359
00:37:17,440 --> 00:37:20,320
En dat gebeurt nu natuurlijk ook een beetje in die AI-modellen.

360
00:37:20,320 --> 00:37:22,400
Ja, ik kan me alles bij voorstellen. Zeker.

361
00:37:22,400 --> 00:37:27,800
Je boeiende reactie heeft veel nieuwe inzichten gebracht. Hartelijk dank!

362
00:37:27,800 --> 00:37:30,360
Kijk aan. Mooie woorden. Mooi compliment, toch?

363
00:37:30,360 --> 00:37:31,400
Dank je wel.

364
00:37:31,400 --> 00:37:37,360
Ja, want ik denk dat dat best wel, je raakt er eigenlijk wel wat, die culturele verschillen.

365
00:37:37,360 --> 00:37:41,360
Zie je ook culturele verschillen als je het tussen aanhalingstekens mag zetten,

366
00:37:41,360 --> 00:37:42,640
tussen de verschillende sporten?

367
00:37:42,640 --> 00:37:51,720
Ja, ja, absoluut. De ene sport is conservatiever als het gaat om gebruik van data dan de andere sport.

368
00:37:51,720 --> 00:38:00,720
En ik denk dat bijvoorbeeld een aantal betaald voetbalorganisaties, ook binnen sporten zie je

369
00:38:00,720 --> 00:38:05,200
trouwens verschillen, maar een aantal betaald voetbalorganisaties lopen echt voorop.

370
00:38:05,200 --> 00:38:13,400
Dat is een kwestie van cultuur en een kwestie van financiële middelen.

371
00:38:13,400 --> 00:38:20,240
In andere sporten zie je weer veel meer terughoudendheid naar het gebruik van data.

372
00:38:20,240 --> 00:38:22,160
Ja, kan me er iets bij voorstellen.

373
00:38:22,160 --> 00:38:25,280
En dat is ook een beetje van hoe makkelijk zijn dingen te meten.

374
00:38:25,280 --> 00:38:29,480
Kijk, in het wielrennen is eigenlijk gewoon een heel erg makkelijke sport,

375
00:38:29,480 --> 00:38:30,440
en dan gaan alle wielrenners gewoon naar de auto.

376
00:38:30,440 --> 00:38:32,440
Maar qua data, qua data.

377
00:38:32,440 --> 00:38:41,800
Maar qua data, een makkelijke sport om dingen te meten en modellen toe te passen om beter te gaan fietsen.

378
00:38:41,800 --> 00:38:46,640
In het roeien is het al een stukje moeilijker,

379
00:38:46,640 --> 00:38:53,240
omdat je bijvoorbeeld met z'n vier of z'n acht al in een boot zit en het niet een individuele sport is.

380
00:38:53,240 --> 00:38:55,560
Nou gaan alle fietsers zitten, ja maar wij rijden in een peloton.

381
00:38:55,560 --> 00:38:59,520
Dus tuurlijk zitten daar ook ingewikkelde omgevingsfactoren in.

382
00:38:59,520 --> 00:39:08,560
Bij judo is het al een stuk ingewikkelder, omdat het een hele technische sport is,

383
00:39:08,560 --> 00:39:14,640
met ook heel veel kracht, maar veel complexer dan een stukje fietsen.

384
00:39:14,640 --> 00:39:18,760
De dynamiek is anders en waar je mee moet acteren.

385
00:39:18,760 --> 00:39:23,240
Dus je counterpart, of je tegenspeler, of waar je mee te maken hebt.

386
00:39:23,240 --> 00:39:24,640
De omstandigheden zijn heel dynamisch.

387
00:39:24,640 --> 00:39:29,640
En als je zou mogen dromen, we zijn een aantal jaren verder,

388
00:39:29,640 --> 00:39:31,720
waar staan we dan met AI in de sport?

389
00:39:31,720 --> 00:39:37,320
Nou, je had het al aangehaald, wat mij echt heel gaaf lijkt,

390
00:39:37,320 --> 00:39:44,720
is als we de data van verschillende topsporters bij elkaar zetten.

391
00:39:44,720 --> 00:39:56,320
Dus een grote database kunnen bouwen en bepaalde generieke problematiek kunnen gaan oplossen met modellen.

392
00:39:56,320 --> 00:40:00,720
En dan hebben we het inderdaad over het voorspellen van blessures.

393
00:40:00,720 --> 00:40:01,920
En dan zou ik met name willen zeggen,

394
00:40:01,920 --> 00:40:06,520
we kunnen blessures natuurlijk in heel veel verschillende blessures onderscheiden.

395
00:40:06,520 --> 00:40:10,520
Je hebt acute blessures die ontstaan in één keer, je hebt mergonische blessures.

396
00:40:10,520 --> 00:40:16,120
Mij lijkt het heel interessant om met behulp van data van alle Nederlandse topsporters,

397
00:40:16,120 --> 00:40:19,120
misschien wel Europees, misschien nog veel breder,

398
00:40:19,120 --> 00:40:23,120
om te gaan kijken naar kunnen we overtraindheid beter voorspellen, beter in kaart brengen.

399
00:40:23,120 --> 00:40:28,120
En zou je dat, als we toch in de sport zitten, de analogie kunnen gebruiken van

400
00:40:28,120 --> 00:40:33,120
in de Formule 1 worden de meest innovatieve dingen gebruikt,

401
00:40:33,120 --> 00:40:38,120
die uiteindelijk zeg maar doordruppelen in ons dagelijks gebruik van de auto's.

402
00:40:38,120 --> 00:40:42,120
Zou dat kunnen helpen met het model wat jij nu schetst,

403
00:40:42,120 --> 00:40:48,120
dat dat straks mij als niet-topsporter ook zou kunnen helpen in het voorkomen van blessures?

404
00:40:48,120 --> 00:40:49,120
Ja, dat denk ik zeker.

405
00:40:49,120 --> 00:40:54,120
Sterker nog, als we specifiek naar overtraindheid kijken,

406
00:40:54,120 --> 00:40:58,120
ik begeef me hier wel een beetje op glad ijs, want ik weet er niet helemaal van,

407
00:40:58,120 --> 00:41:05,120
maar ik weet wel een klein beetje dat de symptomen van overtraindheid en burn-out kunnen best wel op elkaar lijken.

408
00:41:05,120 --> 00:41:13,120
Dus als we nou een model kunnen maken wat meer inzicht kan geven in overtraindheid

409
00:41:13,120 --> 00:41:19,120
en hoe we dat kunnen voorkomen, kunnen we dat dan ook doorvertalen naar het bedrijfsleven

410
00:41:19,120 --> 00:41:21,120
en meer gaan kijken naar burn-out.

411
00:41:21,120 --> 00:41:22,120
Dat zou het wel zijn.

412
00:41:22,120 --> 00:41:24,120
Dat je een soort indicatie hebt.

413
00:41:24,120 --> 00:41:28,120
Zou je zeggen, ik sport niet, maar ik heb wel dezelfde klachten of symptomen,

414
00:41:28,120 --> 00:41:30,120
dan moet ik hier aan gaan denken.

415
00:41:30,120 --> 00:41:33,120
Dat zou ik interessant vinden.

416
00:41:33,120 --> 00:41:36,120
Dat is een hele mooie droom.

417
00:41:36,120 --> 00:41:42,120
Ik weet niet of je het weet, maar zijn er initiatieven waar ik mijn persoonlijke data zou kunnen doneren?

418
00:41:42,120 --> 00:41:43,120
Sport Data Valley.

419
00:41:43,120 --> 00:41:46,120
Sport Data Valley, daar kan je het ook gewoon echt delen?

420
00:41:46,120 --> 00:41:51,120
Bij Sport Data Valley kun je een koppeling maken met Garmin of Strava of Fitbit of Polar.

421
00:41:51,120 --> 00:41:58,120
Je kan er dan voor kiezen om je data anoniem openbaar te zetten.

422
00:41:58,120 --> 00:42:07,120
Ze zijn heel hard aan de achterkant bezig om met die anonieme data echt anoniem te krijgen.

423
00:42:07,120 --> 00:42:09,120
Want daar zit nog wel echt een uitdaging.

424
00:42:09,120 --> 00:42:12,120
Mijn loopronde is toch niet ver van mijn huis vandaan.

425
00:42:12,120 --> 00:42:15,120
En die is toch wel vaak een beetje hetzelfde.

426
00:42:15,120 --> 00:42:16,120
Precies, daar ga je.

427
00:42:16,120 --> 00:42:21,120
Dat is dus volgens mij een van de meest ingewikkelde uitdagingen.

428
00:42:21,120 --> 00:42:26,120
Om wel je informatie te behouden, maar het wel anoniem te maken.

429
00:42:26,120 --> 00:42:27,120
Volgens mij kan het wel.

430
00:42:27,120 --> 00:42:29,120
Misschien weten jullie daar meer van dan ik.

431
00:42:29,120 --> 00:42:31,120
Er zijn methodes voor.

432
00:42:31,120 --> 00:42:33,120
Dus daar zijn ze aan de achterkant wel mee bezig.

433
00:42:33,120 --> 00:42:41,120
En dat is dus een platform om inderdaad te zeggen, ik geef mijn data om meer onderzoek te doen.

434
00:42:41,120 --> 00:42:44,120
We zullen de link in de show note zetten.

435
00:42:44,120 --> 00:42:50,120
Is er een vraag, want jij hebt misschien dit gesprek voorbereid,

436
00:42:50,120 --> 00:42:54,120
is er een vraag die wij niet gesteld hebben die je wel verwacht had?

437
00:42:54,120 --> 00:42:59,120
Ja, een klein beetje.

438
00:42:59,120 --> 00:43:03,120
Maar misschien heb ik het zelf nog niet een volledig antwoord gegeven.

439
00:43:03,120 --> 00:43:11,120
Wat mij triggert is de toepasbaarheid van modellen in de sport.

440
00:43:11,120 --> 00:43:17,120
En dan heb ik het even alleen over modellen om prestatie te verbeteren of blessures te voorkomen.

441
00:43:17,120 --> 00:43:22,120
Stel dat we zo'n model kunnen bouwen.

442
00:43:22,120 --> 00:43:23,120
We hebben genoeg data.

443
00:43:23,120 --> 00:43:30,120
We weten welke factoren we mee willen nemen om prestatie te voorspellen of blessures te voorkomen.

444
00:43:30,120 --> 00:43:35,120
We weten ook hoe we prestatie gaan meten, welke factoren we daar mee nemen en blessures.

445
00:43:35,120 --> 00:43:41,120
En dit is gewoon een vraag die mij triggert.

446
00:43:41,120 --> 00:43:44,120
Ik vraag me af hoe duurzaam zijn die modellen?

447
00:43:44,120 --> 00:43:48,120
Op het moment dat we zo'n model kunnen bouwen, kunnen implementeren.

448
00:43:48,120 --> 00:43:54,120
Sporters, roeiers, tennis, maakt niet uit, die gaan handelen naar dat model.

449
00:43:54,120 --> 00:43:59,120
Dan zit er een soort van feedback loop in je model en je gedrag.

450
00:43:59,120 --> 00:44:02,120
Hoe duurzaam gaat dat model zijn?

451
00:44:02,120 --> 00:44:06,120
Of zijn we al heel snel de waarde van het model kwijt omdat mensen hun gedrag gaan veranderen?

452
00:44:06,120 --> 00:44:09,120
Ik kan er wel een antwoord op geven.

453
00:44:09,120 --> 00:44:18,120
Als je het model als iets statisch ziet, dat je zegt "we trainen dat, we zetten dat in, we kijken er niet meer naar om", dan is het heel snel over.

454
00:44:18,120 --> 00:44:22,120
Maar dat geldt eigenlijk voor ieder machine learning model of AI model.

455
00:44:22,120 --> 00:44:26,120
Want in principe wil je een verandering terwege brengen.

456
00:44:26,120 --> 00:44:28,120
Anders hoef je niks te doen.

457
00:44:28,120 --> 00:44:33,120
Dus het is een kwestie van hoe ga je met de feedback om?

458
00:44:33,120 --> 00:44:35,120
Hoe krijg je die terug in het model?

459
00:44:35,120 --> 00:44:37,120
Hoe zorg je dat je blijft leren?

460
00:44:37,120 --> 00:44:47,120
Maar dus vooral heel goed nadenken over welke functionele metingen hang je aan zo'n model dat je weet dat hij goed blijft presteren.

461
00:44:47,120 --> 00:44:49,120
Er wordt heel vaak gesproken over nauwkeurigheid.

462
00:44:49,120 --> 00:44:54,120
Maar nauwkeurigheid is meestal niet de meest handige manier om dat te meten.

463
00:44:54,120 --> 00:45:02,120
Ik weet niet zo goed hoe dat met zo'n sportmodel zou zijn, maar dat zijn wel de dingen waar je dan heel erg op let.

464
00:45:02,120 --> 00:45:04,120
Dus welke data breng je terug?

465
00:45:04,120 --> 00:45:06,120
Het is ook niet zomaar alle data.

466
00:45:06,120 --> 00:45:08,120
Welke data breng je terug?

467
00:45:08,120 --> 00:45:10,120
Wat is de kwaliteit van die data?

468
00:45:10,120 --> 00:45:23,120
En blijft het model gelijk met de wereld waarin hij uiteindelijk voorspellingen moet geven?

469
00:45:23,120 --> 00:45:25,120
Stel in het geval van blessures.

470
00:45:25,120 --> 00:45:30,120
We hebben een model dat vrij goed blessures kan gaan voorspellen.

471
00:45:30,120 --> 00:45:40,120
Dus op een gegeven moment zijn de coaches en die zeggen nou je moet nu echt even een tandje terug in je trainingslood.

472
00:45:40,120 --> 00:45:46,120
En daardoor vallen bijna alle blessures weg.

473
00:45:46,120 --> 00:45:50,120
Dan hebben we zo meteen 1-2 jaar aan data zonder blessures.

474
00:45:50,120 --> 00:45:52,120
Ik probeer het even zeg maar uit te vergroten.

475
00:45:52,120 --> 00:46:00,120
Dan is onze informatie op een gegeven moment uit het model kwijt, omdat er geen blessures meer zijn.

476
00:46:00,120 --> 00:46:02,120
In zo'n extreem geval klopt dat.

477
00:46:02,120 --> 00:46:04,120
Maar dan heb je je doel ook bereikt.

478
00:46:04,120 --> 00:46:06,120
Ja, dan heb je je doel bereikt.

479
00:46:06,120 --> 00:46:11,120
Maar de kans dat dat gebeurt is natuurlijk minimaal.

480
00:46:11,120 --> 00:46:14,120
Ja, maar anders hoef je geen model te bouwen.

481
00:46:14,120 --> 00:46:21,120
Nee, maar als dat goed is, krijg je dus data waarvan je zegt dat in deze gevallen heeft het inderdaad voor gezorgd.

482
00:46:21,120 --> 00:46:24,120
Dus dat iemand blessurevrij blijft.

483
00:46:24,120 --> 00:46:27,120
Dus je weet welke acties je hebt genomen.

484
00:46:27,120 --> 00:46:31,120
En misschien gaat blessuregevoeligheid naar beneden.

485
00:46:31,120 --> 00:46:35,120
Ik denk ook niet dat het wel geen blessuremodel is.

486
00:46:35,120 --> 00:46:37,120
Mag ik daar heel even op aanhaken?

487
00:46:37,120 --> 00:46:38,120
Zeker.

488
00:46:38,120 --> 00:46:40,120
Want ik heb een beetje zitten zoeken.

489
00:46:40,120 --> 00:46:47,120
Ik ben op dit moment nog een beetje sceptisch over de modellen die nu in de sport worden gebruikt om blessures te voorkomen.

490
00:46:47,120 --> 00:46:50,120
Ik vraag me ook af of het echt wordt toegepast.

491
00:46:50,120 --> 00:47:00,120
Ik las een review en die hadden gekeken naar zoveel mogelijk modellen die sportblessures moeten voorspellen.

492
00:47:00,120 --> 00:47:02,120
De gepubliceerde modellen.

493
00:47:02,120 --> 00:47:05,120
Ze hadden er 30 gevonden.

494
00:47:05,120 --> 00:47:15,120
En daarvan hadden ze allemaal de dataset opgedeeld in een trainingsset en een testset.

495
00:47:15,120 --> 00:47:19,120
Maar 0% van de modellen was gevalideerd.

496
00:47:19,120 --> 00:47:30,120
Dus met andere woorden, het was alleen toepasbaar voor die 300 mensen die mee hadden gedaan aan dat model en niet generaliseerbaar.

497
00:47:30,120 --> 00:47:43,120
En zo zaten er in al die modellen extreem veel bijzen waardoor het eigenlijk niet bruikbaar is voor een grotere groep sporters.

498
00:47:43,120 --> 00:47:50,120
Ik hoor wat je zegt en dat heeft denk ik te maken met wat je al aangaf over de hoeveelheid data.

499
00:47:50,120 --> 00:47:55,120
Misschien zijn de onderzoeken ook niet zo heel goed uitgevoerd.

500
00:47:55,120 --> 00:47:57,120
Dat stond er ook in, klopt.

501
00:47:57,120 --> 00:48:00,120
Even denken hoor.

502
00:48:00,120 --> 00:48:02,120
Ik ben hem al kwijt.

503
00:48:02,120 --> 00:48:04,120
Je triggered hem al wat.

504
00:48:04,120 --> 00:48:13,120
Ik zei net, je gaat waarschijnlijk geen wel/niet blessure uit zo'n model halen, maar het risico op.

505
00:48:13,120 --> 00:48:15,120
En die zie je op een gegeven moment stijgen.

506
00:48:15,120 --> 00:48:20,120
En dan zou je met interventies moeten zien dat je risico daalt.

507
00:48:20,120 --> 00:48:23,120
En dat is denk ik waar je naartoe gaat.

508
00:48:23,120 --> 00:48:30,120
Dat de modellen steeds beter dat risico kunnen inschatten, waardoor je weet welke actie je zou moeten uitvoeren.

509
00:48:30,120 --> 00:48:33,120
Want ik denk dat dat namelijk ook een deel is van je model.

510
00:48:33,120 --> 00:48:39,120
Je kan wel zeggen van je moet minder doen, maar dat wil niet zeggen dat dat je blessure naar beneden haalt.

511
00:48:39,120 --> 00:48:43,120
Dus je moet ook heel goed weten wat de redenatie is van het model.

512
00:48:43,120 --> 00:48:51,120
Als je deze handeling uitvoert of ermee stopt, dan gaat je risico met zoveel procent naar beneden.

513
00:48:51,120 --> 00:48:57,120
Dus je krijgt weer nieuwe datapunten, namelijk je interventies en het effect van interventies op de datastroom die je al hebt.

514
00:48:57,120 --> 00:49:02,120
En dat zal continu een beweging zijn die zal gestuurd kunnen worden.

515
00:49:02,120 --> 00:49:10,120
Maar je groep moet wel groot genoeg zijn voor die wat jij zegt generalisatie, dus dat het voor meerdere personen uiteindelijk geldt.

516
00:49:10,120 --> 00:49:20,120
Ja, en je zal ook, want ik heb zelf een student begeleid die blessures ging voorspellen in een groep basketballers.

517
00:49:20,120 --> 00:49:29,120
En waar hij ook wel tegenaan liep was dat sommige basketballers heel vaak geblesseerd waren en sommigen nooit.

518
00:49:29,120 --> 00:49:34,120
En dat gaf ook een bepaalde bias aan het model.

519
00:49:34,120 --> 00:49:39,120
Ja, en misschien moet je dat als factor meenemen.

520
00:49:39,120 --> 00:49:46,120
Je zal heel goed moeten uitpluizen van waar zit nou een verband tussen het ene en het ander.

521
00:49:46,120 --> 00:49:51,120
Dus misschien is de blessuregevoeligheid wel een factor die je in je model mee moet nemen.

522
00:49:51,120 --> 00:50:00,120
Dat voor heel blessuregevoelige sporters je uiteindelijk een ander advies krijgt dan voor niet blessuregevoelig.

523
00:50:00,120 --> 00:50:08,120
Ik zie het toch wel een beetje als bijvoorbeeld kans op hart- en vaatziekten die wordt berekend.

524
00:50:08,120 --> 00:50:13,120
Dat je cholesterol, bloed, levensstijl, dat soort dingen.

525
00:50:13,120 --> 00:50:16,120
En die modellen zijn best wel heel erg redelijk.

526
00:50:16,120 --> 00:50:24,120
Dus je zou haast zeggen, als het daar kan, daar heb je ook mensen die in een categorie vallen waarvan je weet,

527
00:50:24,120 --> 00:50:27,120
die hebben een hele grote kans op hart- en vaatziekten.

528
00:50:27,120 --> 00:50:30,120
Terwijl een ander dat misschien weer niet heeft.

529
00:50:30,120 --> 00:50:36,120
Ik denk dat je voor de breedtesporter eerder komt dan voor de topsporter.

530
00:50:36,120 --> 00:50:37,120
Dat denk ik ook.

531
00:50:37,120 --> 00:50:50,120
En dat is wel relevant hoor, want een groot deel van de kosten zijn breedtesporters die opeens drie, vier keer per week gaan hardlopen en geblesseerd raken.

532
00:50:50,120 --> 00:50:52,120
Ja, en zeker in het bedrijfsleven.

533
00:50:52,120 --> 00:50:55,120
Leuk naar het weekend voetballen of tennissen.

534
00:50:55,120 --> 00:50:56,120
Of draaien knieën.

535
00:50:56,120 --> 00:50:58,120
Ja, dat soort dingen.

536
00:50:58,120 --> 00:51:02,120
Super bedankt voor al je inzichten.

537
00:51:02,120 --> 00:51:10,120
Ik denk dat wij een heel mooi kijkje hebben gekregen over hoe dat werkt in de topsporter en AI.

538
00:51:10,120 --> 00:51:15,120
Ik was daar zelf echt heel erg benieuwd naar, gezien mijn interesse in de sport.

539
00:51:15,120 --> 00:51:18,120
Dankjewel voor de komst naar de studio.

540
00:51:18,120 --> 00:51:19,120
Dankjewel voor de uitnodiging.

541
00:51:19,120 --> 00:51:23,120
En jullie weer bedankt voor het luisteren.

542
00:51:23,120 --> 00:51:26,120
Tot de volgende aflevering.

543
00:51:26,120 --> 00:51:32,120
Zorg dat je je natuurlijk eventjes abonneert via je favoriete podcast app. Dan mis je geen aflevering.

544
00:51:32,120 --> 00:51:33,120
Dankjewel.

545
00:51:33,120 --> 00:51:38,120
[Muziek]