M

Intelligence artificielle, apprentissage automatique et éthique des données

L'apprentissage automatique construit des modèles à partir de données plutôt que de règles écrites à la main. Appliqué au sport, il sert à prédire, classer ou regrouper.

Principales tâches

• Classification : détecter une action (saut, réception), reconnaître une activité à partir d'un accéléromètre, repérer une fatigue.
• Régression : prédire une valeur (vitesse, performance, charge).
• Regroupement : identifier des profils de joueurs sans étiquettes.
• Séries temporelles : suivre l'évolution d'indicateurs et détecter des anomalies.

Qualité méthodologique

Séparer les données d'apprentissage, de validation et de test ; faire une validation croisée groupée par athlète (sinon des données du même sujet dans l'entraînement et le test gonflent la performance). Le surapprentissage survient lorsque le modèle mémorise les détails de l'échantillon et généralise mal. Les petits effectifs en sport (quelques dizaines d'athlètes) le rendent fréquent. Comparer à un modèle simple de référence (par exemple la moyenne de l'athlète). Évaluer par des métriques adaptées : erreur absolue moyenne, sensibilité et spécificité plutôt que la seule exactitude lorsque les classes sont déséquilibrées. Expliquer les prédictions (importance des variables) pour que l'entraîneur y comprenne quelque chose.

Risque de fausses certitudes

La prédiction de blessure en est l'exemple : les modèles publiés sont généralement peu performants une fois validés sur de nouvelles données. Un résultat est une aide à la discussion, pas un verdict.

Éthique et RGPD

Les données de santé entrent dans les catégories particulières de l'article 9 du RGPD : leur traitement est en principe interdit sauf exception, comme le consentement explicite. La CNIL (2024) précise qu'elles peuvent l'être par nature (bilan médical, blessure), par croisement (poids et taille) ou par usage, et qu'une mesure de performance physique peut en relever ; elle donne l'exemple de la fréquence cardiaque, acceptable à l'entraînement mais excessive en mesure permanente par montre connectée. Les données biométriques ne sont des catégories particulières que lorsqu'elles servent à identifier une personne de manière unique. Il faut aussi une base légale de l'article 6, la minimisation, une finalité précise, une durée de conservation, la sécurité, le droit d'accès, de rectification et d'effacement. Une analyse d'impact (article 35) est requise quand le traitement présente un risque élevé, notamment le traitement à grande échelle de données sensibles. Selon la CNIL, le recours à un hébergeur certifié HDS (article L. 1111-8 du code de la santé publique) vise la prise en charge médicale ; pour une finalité d'optimisation de la performance, seuls le RGPD et la loi Informatique et Libertés s'appliquent. Les entraîneurs n'ont pas accès aux dossiers médicaux couverts par le secret professionnel. Le consentement d'un athlète salarié ou dépendant de son entraîneur est discutable car il n'est pas toujours libre. Le règlement européen sur l'IA s'applique progressivement, avec un calendrier susceptible d'évoluer : à vérifier pour les usages à risque.

Pour s'entraîner

✅ QCM : Évaluation de la performance, capteurs et data sport 🃏 Fiches

Calculateurs liés

• Vitesse critique et D' à partir de deux efforts
• Z-score, T-score et percentile par rapport à une norme
• RMSSD et ln RMSSD à partir de 8 intervalles RR
• Rapport charge aiguë / chronique simple (ACWR)

← Introduction à Excel, Python et R pour le sport Rédiger un rapport d'évaluation et le restituer à l'athlète →