Des algorithmes intelligents pour mieux détecter les futurs champions – Benjamin Guedj (article TIPE 2023-2024)

Cet article est extrait du dossier Pixees du TIPE 2023-2024.

La formation sportive et plus particulièrement la sélection en amont sont essentiels pour découvrir les futurs champions du sport. Une formation solide permet aux athlètes de développer les compétences et les connaissances nécessaires pour exceller dans leur discipline. De même, la sélection judicieuse permet d’identifier les individus ayant un potentiel exceptionnel et de les guider au mieux.
De nos jours, la technologie joue un rôle important dans l’identification des talents prometteurs grâce à la collecte à grande échelle de données sportives : les équipements sportifs sont tous bardés de capteurs qui permettent l’accumulation presque en temps réel de flux de données qui renseignent sur la performance présente—et parfois future—des athlètes. Les données collectées sont ainsi de plus en plus nombreuses et variées, et les algorithmes d’analyse (on parle d’apprentissage automatique, ou machine learning) permettent de mieux comprendre les performances des athlètes et les facteurs qui les influencent. Grâce à ces analyses, il est désormais possible d’identifier les profils de sportifs les plus prometteurs dès les premières étapes de leur développement. Les fédérations sportives peuvent alors concentrer leurs efforts sur ces athlètes exceptionnels, en leur offrant des formations personnalisées et des ressources supplémentaires pour les aider à atteindre leur plein potentiel.

En investissant dans la formation sportive, la sélection en amont et l’analyse fine de ces données massives à l’aide d’algorithmes de machine learning, les entraîneurs et les équipes peuvent repérer les talents précoces et les guider vers leur plein potentiel. Les athlètes ayant bénéficié d’une telle approche ont souvent une longueur d’avance sur leurs concurrents, car ils ont acquis des compétences et des connaissances spécifiques dès leur plus jeune âge — ils sont ainsi plus susceptibles de se démarquer dans des compétitions internationales. En investissant dans le domaine du machine learning appliqué au sport, nous pouvons aider à façonner l’avenir du sport en identifiant et en soutenant les talents prometteurs dès leur plus jeune âge. Les athlètes formés de cette manière ont de meilleures chances de devenir des champions de classe mondiale et de représenter leur pays avec succès.

Parmi les nombreux algorithmes de machine learning qui ont été développés dans ce cadre, nous avons plus particulièrement proposé deux méthodes qui permettent de mettre en évidence des signatures de performance sportive (représentée sous forme de fonction qui dépend du temps), puis pour chaque groupe caractéristique (on parle de clusters) de prédire les performances futures, avec un niveau de confiance élevé.

Pour en savoir plus :

MAGMA: Inference and Prediction with Multi-Task Gaussian Processes. Leroy, A.; Latouche, P.; Guedj, B.; and Gey, S. Machine Learning. 2022.

Et le code associé : https://github.com/ArthurLeroy/MAGMA

Et l’article (tout juste publié !)
Cluster-Specific Predictions with Multi-Task Gaussian Processes. Leroy, A.; Latouche, P.; Guedj, B.; and Gey, S.Journal of Machine Learning Research [JMLR], 24(5): 1–49. 2022.

Et le code associé : https://github.com/ArthurLeroy/MagmaClustR

Deux présentations (d’Arthur Leroy, qui a fait sa thèse sous ma co-direction)
https://arthur-leroy.netlify.app/files/slides_s-training_2023/slides#/
https://arthur-leroy.netlify.app/files/slides_dut_info/slides#/