Sztuczna inteligencja gwałtownie nie zastąpi trenerów, ale może dawać cenne wsparcie

Zdjęcie: trener

Łukasz Migda biega amatorsko od kilku lat, startując na dystansach od 5 kilometrów po maraton. Trenuje pod okiem zawodowego trenera. Zawodowo zajmuje się transformacjami cyfrowymi, w tym wdrażaniem AI, zarówno w dużych międzynarodowych firmach, jak i w mniejszych, niezależnych projektach. Z dużych modeli językowych korzysta na co dzień w pracy zawodowej. Prywatnie sięga po nie również jako uzupełnienie wiedzy o własnym treningu, którego celem w tym roku jest zdobycie Korony Polskich Półmaratonów.

Kazimierz Żurek: Łukasz, według badań CBOS 1/3 Polaków korzysta z LLMów, popularnie zwanych czatami AI, z kolei prawie połowa biegaczy ankietowanych przez Strava deklaruje, iż korzystałaby z AI coacha do wsparcia w uprawianiu sportu. Biegacze, ale prawdopodobnie i trenerzy, szukają możliwości wspierania się modelami językowymi w swoich przygotowaniach do treningów i do pracy z zawodnikami. Czy LLMy są gotowe na to, by dawać biegaczom dobre podpowiedzi?

Łukasz Migda: Krótko: tak, ale nie bezwarunkowo. LLMy, czyli duże modele językowe, to jeden z rodzajów AI, a nie jej synonim, choć potocznie często mówimy o nich po prostu „AI” albo „czat”. Kiedy stawiałem swoje pierwsze kroki z AI, zaczynałem od podstaw, pytając: co może mi podpowiedzieć, jak biegać, jak trenować, aby osiągać konkretne cele. gwałtownie się jednak przekonałem, iż warto dobrze poznać możliwości i ograniczenia takich modeli, żeby ta pomoc rzeczywiście działała na naszą korzyść, a nie przeciwko nam. Tak więc przy całej palecie zalet, modele mają również swoje wady.

Takich jak słynne halucynacje.

Tak, modele językowe mogą zmyślać, a to zjawisko fachowo nazywa się halucynacją. Zatem ważne jest, aby zachować krytyczne podejście do wygenerowanych treści. Warto rozumieć, skąd się to bierze: model językowy nie sprawdza faktów w jakiejś bazie wiedzy, tylko przewiduje najbardziej prawdopodobne kolejne słowa na podstawie wzorców, których nauczył się podczas trenowania. Trochę jakby zgadywał, co należy powiedzieć, i jest w tym tak dobry, iż zwykle brzmi to jak inteligentna wypowiedź. Ale czasem, tak jak student uczelni sportowej, który nie zna materiału i mimo to strzela na egzaminie z techniki biegania, model robi dokładnie to samo. I wychodzi z tego bzdura.

To jest sposób, w jaki te modele działają, więc halucynacje są ich naturalną cechą. Zarazem pamiętajmy, iż te same modele są trenowane na ogromnych ilościach danych, więc jest w nich naprawdę duży zasób wiedzy. Mamy więc z jednej strony dostęp do ogromnej ilości danych, a z drugiej ryzyko, iż dostaniemy odpowiedź, która brzmi przekonująco, ale niestety nie jest prawdziwa.

Jak być krytycznym, gdy samemu się nie ma wiedzy? Gdy jestem amatorem biegania, nie mam doświadczeń, jak mogę sprawdzić, czy nie jestem wprowadzany w błąd?

Warto dopytywać. Skąd model ma taką informację? Czy jest jej pewien? Jakie jest źródło informacji? Aktualne duże modele językowe poza wykorzystaniem swoich danych potrafią przeszukiwać internet, więc mogą sięgać do bieżących źródeł i pokazać, skąd pochodzi informacja, ale to nie dzieje się automatycznie w każdej rozmowie, więc warto to sprawdzić.

Dodatkowo, aby zmniejszyć ryzyko halucynacji, najważniejszy jest kontekst, to zresztą podstawa tego, co w branży nazywa się inżynierią promptów. Ogólne pytanie dostaje ogólną odpowiedź. Im więcej informacji podamy, kim jesteśmy, jak często trenujemy, na jakim jesteśmy poziomie, ale również jaką rolę ma pełnić sam model, tym trafniejsza staje się odpowiedź. Ryzyko halucynacji spada, choć nigdy nie znika całkowicie.


LLM jako trener biegania – przykładowy prompt „na start”

Jesteś doświadczonym trenerem biegania. Będziesz prowadził mnie, początkującego biegacza, do mojego pierwszego startu na 10 km. Mam 35 lat, biegam od 3 lat, mój aktualny tygodniowy kilometraż to około 30 km. Moje tętno maksymalne (HRmax) to 182 i jest potwierdzone w testach wydolnościowych. Rok temu miałem kontuzję prawego kolana i to był ból pojawiający się po dłuższych treningach. Mogę trenować 4-5 razy w tygodniu. Chciałbym ukończyć bieg bezpiecznie, bez kontuzji, w czasie poniżej 50 minut. Start zaplanowany za 4 miesiące. Zaproponuj plan treningowy, uwzględniając moje ograniczenia, i zaznacz wyraźnie, gdzie potrzebujesz ode mnie więcej informacji, żeby plan był trafniejszy.

Załóżmy hipotetyczną sytuację – mamy początkującego biegacza, który szykuje się do pierwszego startu – np. na 5km lub 10 km. Jakich informacji dostarczyć LLMowi, aby dostać dobre wskazówki treningowe?

Na początek warto określić rolę czata, na przykład: „jesteś doświadczonym trenerem biegania” (patrz wyżej). Potem przedstawiamy siebie. I więcej informacji tym lepiej np. w jakim jesteśmy wieku, jakie doświadczenie biegowe, ograniczenia i przebyte kontuzje, jak często możemy trenować itd. Konkretny przykład takiej instrukcji powyżej. Na podstawie tych informacji model staje się dużo bardziej precyzyjny i to już jest dobry wstęp do dalszej rozmowy.

A model mówi nam: „No, teraz mam już wszystkie informacje. Przygotowuję idealny trening dla Twoich potrzeb.” I wypluwa z siebie trening, który jest oderwany od moich możliwości.

Warto stale zasilać czat na bieżąco danymi. W moim przypadku kiedy wykorzystywałem chat w analizie treningów oraz wyników ze startów, efekt był następujący: im więcej konkretnych danych dostawał model, tym trafniejsza była jego odpowiedź.

Tutaj warto podać konkrety: np. wiek, płeć, tętno maksymalne (jeśli je znamy), rekordy życiowe i inne dane biometryczne, ale także odczucia, obserwacje z treningu czy też jak czuliśmy się w trakcie biegu startowego, wyścigu na konkretnym dystansie. Każda precyzyjna informacja zawęża pole domysłów modelu, a im mniej musi zgadywać, tym mniejsze ryzyko, iż coś sobie dopowie. Zresztą znajduje to potwierdzenie w analizach. Badanie opublikowane w Journal of Sports Science and Medicine w 2024 roku sprawdziło, jak jakość planów treningowych generowanych przez ChatGPT dla biegaczy zmienia się w zależności od ilości podanych informacji wejściowych. Wykazało, iż jakość rośnie wraz z bogatszym kontekstem danych, choć choćby wtedy nie dorównywała ocenie eksperckiej.

Jeśli biegasz z zegarkiem, warto załadować do modelu dane, które zbiera, wtedy rekomendacja robi się znacznie trafniejsza.

Te analizy są oparte na modelach treningowych? Porównując do wskazań do aplikacji Garmina, Sunnto, Polara – LLM ma podobną podstawę?

Nie do końca – to ważne rozróżnienie. Producenci zegarków sportowych opierają swoje analizy na zamkniętych algorytmach, które przeliczają dane w ten sam, powtarzalny sposób. Model językowy tradycyjnie działał inaczej, przewidywał najbardziej prawdopodobny ciąg słów, a nie wykonywał obliczeń, więc przy bardziej złożonej matematyce łatwo mógł się pomylić.

Warto jednak dodać, iż ta sytuacja jest dziś dynamiczna. Coraz więcej modeli ma wbudowane rozwiązania agentowe, czyli potrafią samodzielnie napisać i uruchomić krótki program, żeby wykonać takie obliczenia, zamiast zgadywać wynik. Gdy model faktycznie liczy w ten sposób, dokładność rośnie, bo za wynik odpowiada mechanizm liczący, a nie przewidywanie kolejnych słów. Problem w tym, iż nie zawsze wiemy, czy dany model w danej chwili tak działa, więc dopóki nie mamy tej pewności, dobrą praktyką jest samodzielne sprawdzenie kluczowych obliczeń, zwłaszcza jeżeli mają one wpłynąć na cały plan treningowy. Przećwiczyłem to np. przy budowie własnego programu do analizy startów przeliczając wartości tętna względem tempa w pierwszej i drugiej połowie biegu a wynik przekazałem do modelu z prośbą o analizę.

Które modele najlepiej pasują do rekomendacji dt. treningów, budowania całych programów?

To trudne pytanie, bo sytuacja zmienia się bardzo szybko, moja dzisiejsza rekomendacja może być nieaktualna już za parę tygodni czy miesięcy. Co więcej, żaden z popularnych LLM-ów nie jest specjalnie trenowany pod ten sport. Ważniejsze niż wybór konkretnego modelu jest to, jak z niego korzystamy: jakość i ilość danych, które mu przekażemy, oraz sam prompt, czyli instrukcja, jaką od nas otrzyma. To, a nie rodzaj modelu, decyduje o wartości odpowiedzi.

A czy warto porównywać te same pytania w różnych modelach?

Jak najbardziej. Warto po prostu skopiować odpowiedź z jednego modelu i przekazać ją do drugiego z prośbą o jej ocenę albo wskazanie słabych punktów. Drugi model patrzy na nią świeżym okiem, bez własnych wcześniejszych założeń, i często wychwytuje coś, czego pierwszy model mógł nie zauważyć.

Porozmawiajmy więcej o ryzykach korzystania z modelu jako wirtualnego trenera. Czy zdarzyło Ci się, iż model podał Ci błędną informację z pełnym przekonaniem, iż to prawda?

Tak, miałem taką sytuację, kiedy wstawiałem do rozmowy dane pochodzące z wagi elektronicznej, która wykonuje analizę składu ciała. Model, z pełnym przekonaniem, powiedział, iż widzi wyraźną różnicę w symetrii budowy nóg, mimo iż takiej informacji mu nie podałem. Kiedy zacząłem dopytywać, skąd to wie, okazało się, iż halucynował. Napisał „przepraszam” i oznajmił wprost, iż to była halucynacja.

Naczelna zasada zatem: bądźmy krytyczni wobec odpowiedzi przygotowanych przez chat. Pamiętajmy, iż to nie jest prawdziwy ekspert, tylko kompilacja wiedzy z różnych źródeł, podana w formie rozmowy.

Modele są miłe, uprzejme, a to może nas zwieść na manowce. Fachowo to nazywa się „sykofancją” – czyli one nam stale potakują, wręcz „podlizują się”. Chwalą i starają się nam przypodobać. Mówię „one”, bo są w tym bardzo ludzkie – ale taka jest po prostu mechanika tego językowego algorytmu.

To wynika to z procesu ich trenowania. Model uczy się w ten sposób, iż przytakiwanie działa lepiej niż szczerość, to efekt uboczny sposobu, w jaki został przygotowany. Można się przed tym zabezpieczyć, podając mu odpowiedni prompt, który mówi wprost, iż ma być krytyczny w ocenie naszych treningów, iż nie powinien nas tylko chwalić, ale też, gdy trzeba, wytykać błędy.

Prompt: „trener realistyczny” a nie „lizus”

Chcę, żebyś oceniał moje treningi krytycznie, nie tylko chwalił. jeżeli coś robię źle, powiedz to wprost, choćby jeżeli brzmi to niewygodnie. Nie zgadzaj się ze mną automatycznie, jeżeli dane temu przeczą. jeżeli nie masz pewności co do jakiejś rekomendacji, powiedz to wprost.

Czy są jakieś granice, których LLM nie przkroczy?

Tak. To dotyczy powszechnie dostępnych komercyjnych modeli językowych np. w Chat GPT, Gemini, Claude. Gdy podamy modelowi informację o problemach zdrowotnych w kontekście treningu, model powinien zareagować ostrożnie: nie postawi diagnozy, nie zaproponuje leczenia, tylko skieruje nas do specjalisty. To dobrze świadczy o tym, jak te systemy są dziś zaprojektowane. Zdrowie to obszar, gdzie błędna rekomendacja może realnie zaszkodzić, więc granica jest tu postawiona świadomie.

A czy model będzie pamiętał nasze treningi, np. z przed 6 miesięcy i wyciągał z nich wnioski?

To interesujące zjawisko, ale warto od razu rozdzielić dwie rzeczy, które często łączy się pod jedną nazwą 'pamięć’. Pierwsza to okno kontekstowe, czyli okienko czatu w którym w danym momencie pracujemy – miałem takie doświadczenie, pracując z modelem i udostępniając mu dane na temat moich treningów, iż po około trzech miesiącach jednej, długiej rozmowy zaczął zapominać to, co było na początku naszej konwersacji, czyli krócej niż te pół roku o której pytałeś.

Druga rzecz to brak pamięci między osobnymi rozmowami. Tu akurat się zmienia: modele mają już funkcje tzw. współdzielonej pamięci, która pozwala im zapamiętywać fakty z poprzednich, osobnych rozmów i wracać do nich w nowym czacie. To realnie adresuje ten drugi problem, ale nie rozwiązuje pierwszego, bo bardzo długi pojedynczy wątek wciąż ma swoje ograniczenia. Trzeba więc świadomie zarządzać tym, co model wie, nie zakładać, iż pamięta wszystko automatycznie. Modele są coraz bardziej zaawansowane i prawdopodobnie te problemy niedługo będą eliminowane.

A ty w jaki sposób sam korzystasz z modeli?

Na początku, gdy korzystałem z modeli, prosiłem na przykład: przygotuj mi plan treningowy do startu w maratonie. Ale on dawał mi bardzo ogólne odpowiedzi, np. warto mieć dłuższe rozbiegania, ile i jakie dni treningowe, kilometraż. Raczej mało precyzyjna odpowiedź. W miarę udostępniania mu kolejnych danych dotyczących treningów, startów pośrednich, np. 5 km, półmaraton, precyzja odpowiedzi była coraz wyższa. Zaczynało to wyglądać jak zaawansowany plan treningowy, bardziej dopracowany niż np. znaleziony w internecie.

Opracowałem też autorski program który bardzo szczegółowo analizuje dane dotyczące startu np. w półmaratonie. Model językowy wykonuje taka analizę na podstawie wcześniej przeliczonych danych z zegarka sportowego.

Czy model przygotował Cię skutecznie kiedyś do jakiegoś biegu?

Tak, opierałem się na propozycji planu treningowego, przygotowując się do biegu na 5 km. W moim przypadku miałem wrażenie, iż model podniósł poprzeczkę zbyt wysoko i nie byłem w stanie zrealizować zaplanowanych treningów. Miałem wręcz poczucie, iż wchodzę w ryzyko kontuzji. Gdy zwróciłem na to uwagę, model zrewidował plan. Gdybym tego nie zrobił, prawdopodobnie trzymałbym się tego zbyt ambitnego planu do końca, co realnie zwiększałoby ryzyko jakiegoś urazu. Mając jednocześnie doświadczenie w pracy z trenerem, chcę wprost powiedzieć: czat nie zastąpi trenera, który na bieżąco obserwuje i analizuje twoje postępy, a zwłaszcza gdy widuje cię regularnie.

Masz również doświadczenia pracy z trenerem biegania. Jakie widzisz podstawowe różnice?

Trener ma coś, czego model nie posiada czyli realne doświadczenie i intuicję zbudowaną na obserwacji wielu zawodników. Trener, który obserwuje Cię na treningach widzi bardzo dużo: jak oddychasz, jaką masz technikę biegu i czy technika zaczyna się sypać przy zmęczeniu, czy Twoja twarz mówi coś innego niż to, co deklarujesz. Model dostaje tylko to, co mu sam opiszesz, trener widzi to bezpośrednio i w czasie rzeczywistym.

Nawet jeżeli zawodnicy pracują z trenerem zdalnie to regularnie dzielą się z nim swoimi odczuciami, a trener sam o to pyta, drąży, nie czeka biernie na wiadomość. Czat tego nie robi, dopóki sam do niego nie napiszesz lub nie podasz mu w instrukcji prośby o takie proaktywne zachowanie.

Trener, na podstawie tych wszystkich sygnałów, tego co widzi i tego co usłyszy, podejmuje decyzje: jak dostosować kolejne dni, może zmienić cały cykl treningowy, kiedy i jak zmienić objętość, intensywność. I, w przeciwieństwie do czata, gdy zauważy ryzyko czy niewłaściwe zachowanie, nie poprzestanie na samych pochwałach, tylko aktywnie zmodyfikuje plan.

Łukasz – ty napisałeś własny program do analizy startów w półmaratonie w oparciu o LLM. Czego Cię to nauczyło o możliwościach AI w kontekście biegania?

Tak, przetestowałem możliwości modelu i dałem mu precyzyjną informację z przebiegu startu w półmaratonie, z prośbą o analizę oraz rekomendacje. Program łączy dwa źródła danych. Pierwsze to dane obiektywne z zegarka sportowego w formacie .fit, standardzie stosowanym przez różnych producentów zegarków. Plik .fit zawiera m.in. tętno, tempo, współrzędne, wysokość terenu, długość kroku, kadencję. Drugie to dane deklaratywne, podawane przez samego zawodnika: jak się czuł w biegu, czy i kiedy stosował żele energetyczne itd. Dopiero połączenie tych dwóch warstw daje pełny obraz, same liczby z zegarka nie powiedzą, dlaczego tempo spadło w konkretnym momencie, a samo odczucie bez twardych danych też nie wystarczy, żeby wyciągnąć trafny wniosek.

Na tej podstawie program wykonuje złożone obliczenia a następnie model przygotowuje szczegółową analizę startu, uwzględniającą strategię startową, sposób rozłożenia tempa, a choćby zauważalne zmiany w technice biegu (na podstawie analizy czasu kontaktu stopy z podłożem czy też długości kroku). Z tego wychodzą konkretne rekomendacje dotyczące np. elementów na które należy zwrócić uwagę w przygotowaniach do kolejnych startów.

Porozmawiajmy chwilę o tym, w jaki sposób modele mogą pomagać trenerom?

Dziś zwykle trenerzy sami analizują dane zawodnika i rozmawiają z nim o jego odczuciach z treningów czy też startów. Chat może wyręczyć ich w tej pierwszej analizie i wychwycić konkretne sygnały, które inaczej wymagałyby manualnego przeglądania i analizy danych, wykresów. Kilka przykładów: analiza dryfu tętna względem tempa podczas treningu czy startu, ocena, jak zmienia się tętno pomiędzy kolejnymi interwałami, albo ocena statusu regeneracji na podstawie HRV, czyli zmienności rytmu serca, wskaźnika pokazującego, jak wypoczęty jest organizm. To pierwsza warstwa pomocy: wychwycenie sygnału na podstawie którego trener może podjąć konkretną decyzję.

Druga warstwa to rekomendacje dot. treningów albo całych cykli treningowych. Na podstawie wymienionych sygnałów model może zasugerować, czy dany trening można zrealizować zgodnie z planem, a może warto zmienić objętość, intensywność lub zaproponować zupełnie nowy mikrocykl treningowy. To nie jest gotowa decyzja, to punkt wyjścia, który trener sprawdza, zatwierdza albo koryguje na podstawie swojej najlepszej wiedzy i obserwacji zawodnika.

LLM może zaproponować plan, który potem trener sprawdzi i zweryfikuje.

Dokładnie. I to sprawdzanie to nie formalność, tylko sedno tego, jak to powinno działać. Model widzi liczby, ale nie widzi zawodnika, więc trener konfrontuje propozycję ze swoim doświadczeniem, z tym co wie z bezpośredniej obserwacji i dopiero na tej podstawie decyduje, w jakim stopniu wykorzystać propozycje modelu które może odrzucić w całości. Właśnie dlatego, mimo tej pomocy, ostateczna odpowiedzialność zawsze zostaje po stronie trenera, nie modelu.

To zresztą staje się jeszcze ważniejsze przy większej skali. Są trenerzy, którzy mają pod opieką kilkunastu, a czasem choćby kilkudziesięciu zawodników. Model pomaga wtedy przygotować pierwszą wersję analizy i rekomendacji dla wszystkich z nich, a trener weryfikuje i koryguje propozycję. Bez tego wsparcia, przy tak dużej grupie, szczegółowa analiza każdego zawodnika z osobna często w ogóle nie jest możliwa, model nie zastępuje tu trenera, tylko pomaga mu w codziennej pracy.

A czy Twoim zdaniem w bliskiej przyszłości AI zastąpi całkowicie trenerów biegania?

Nie sądzę, i mówię to z perspektywy kogoś, kto na co dzień korzysta z AI i współpracuje z zawodowym trenerem. AI nie zastąpi trenerów, a raczej usprawni ich pracę. jeżeli jakiś fragment tego zawodu zniknie, to będzie to praca papierkowa, powtarzalna, pierwsze podsumowania danych, wstępne analizy, a nie sama praca trenerska. Profesjonalizm trenera zbudowany jest na doświadczeniu, obserwacji zawodników, intuicji i tego żaden model nie zastąpi.

Widzę w tym raczej dwa równoległe kierunki. Po pierwsze, trenerzy dzięki wsparciu AI będą mogli pracować z większą liczbą zawodników bez utraty jakości opieki nad każdym z nich. Po drugie, i to jest dla mnie ważniejsze: wielu biegaczy, którzy dziś w ogóle nie mają dostępu do trenera, bo ich na to nie stać albo nikogo takiego nie mają w okolicy, dostanie choć pierwszą warstwę wsparcia. Dostępność trenerów realnie się nie zwiększa tak szybko, jak liczba amatorów tego pięknego sportu. W tej sytuacji dla wielu z nich to właśnie chat staje się pierwszym źródłem wiedzy i rekomendacji ale ze wszystkimi zastrzeżeniami, o których dziś rozmawialiśmy.

To też nie zmienia jednego: dane i model mogą Ci powiedzieć, co się dzieje w liczbach. Doświadczone oko trenera, w czasie rzeczywistym, widzi to, czego żadna liczba nie pokaże.