Hola bienvenido y bienvenida a un nuevo episodio de ciclismo evolutivo. En el episodio de hoy
hablamos con Gabriel de la Matía. Gabriel es entrenador y programador informático y utiliza
la conjunción de estas dos cosas para utilizar la inteligencia artificial y las redes neuronales en
el entrenamiento ciclista. En la entrevista vamos a hablar precisamente de esto, de datos,
de aprendizaje, de redes neuronales y de cómo la inteligencia artificial puede ayudarnos a tomar
mejores decisiones como entrenadores. Y sin más os dejo con la entrevista. Hola Gabriel, bienvenido
al podcast. Hola Manu, gracias por invitarme. Soy fanático de los podcasts, los escucho cuando
estoy en el rodillo, así que me sirven mucho para poder desenfocarme en el sufrimiento y escuchar
tus podcasts. Bueno, pues yo también tengo muchísimo interés en escuchar lo que nos
puedes contar. Creo que es un tema muy novedoso, pero también que tiene unas potencialidades muy
buenas, lo que creo que vamos a hablar. Pero antes de empezar, me gustaría un poco que nos contases,
pues quién es Gabriel de la Matía. O sea, ¿por qué fuiste deportista? Pero bueno, quiero saber
un poco, pues ¿qué estudiaste? ¿Cómo fuiste llevando tu vida hacia el entrenamiento de deportistas?
Bien, bueno, yo estudié, en realidad empecé a estudiar matemática y todos estos temas en
el secundario. Yo acá en Argentina se llama industrial, que vendría a ser una rama del
secundario donde se ve mucho física, matemática y química, en mi caso de la electrónica. Y ahí
empecé a hacer ciclismo y natación en esa época, pero todo en forma muy suave, sin programas de
entrenamiento, nada. Después me entré a la ingeniería, ingeniería electrónica. También
hice a la par ingeniería en software, es decir, con las equivalencias de las matemáticas y todo,
se me hizo muy sencillo hacer las dos materias, dado que yo estaba programando y en el tema de
computadoras desde los 12 años. Así que toda la parte de ingeniería de software era bastante
sencilla. Y después, cuando en el 2001, 2002, me interesó tratar de volcar todo lo que sea los
procesos de análisis de ingeniería, tanto de ingeniería de software como de ingeniería en
procesos para poder tratar de mejorar los entrenamientos. En esa época, me acuerdo que
estamos hablando en 99, 98 al 2000, recién estaban como software, no me acuerdo si el WKO3,
el Golden Cheetah estaban haciendo, pero no había ningún software como para poder planificar algo
lo que es Training Picks ahora. Bueno, he llevado hace 10 años atrás, en realidad 20 años atrás,
era poder planificar y sin la necesidad de mandar planillas por mail y todo eso,
es decir, tener una plataforma. Estamos hablando en épocas que recién iniciaba internet,
no, en consumo general. Entonces, yo lo vi primero por ese lado, más que por el tema de
mejorar los modelos fisiológicos y tratar de mejorar el análisis de datos, y no tratar de
hacer la parte administrativa que vendría a ser nuestro back office, de hacer los planes de una
forma que no tenga que mandar, en esa época se mandaban fax o tal vez era una llamada por
teléfono. Bueno, y ahí nació mi primer software para planificación, que sería lo que es Training
Picks ahora, con un montón de macros que ayudaban al entrenador a poder hacerlo más ágil. Pero
bueno, estaba en una época que no pegó eso, es decir, nadie lo quería usar, estaban todos con el
tema todavía con las planillas, los papeles, que si bien servían, uno no tenía trazabilidad rápida,
es decir, era obvio que si llevás uno o dos atletas lo puedes llevar con papel fácilmente,
el tema era cuando empezabas a juntar muchos atletas y querías seguir la performance.
Y bueno, en base a eso me empecé a meter un poco más, empecé a entrenar triatlón,
yo había seguido haciendo ciclismo por varios años y empecé a entrenar triatlón desde cero,
es decir, yo no corría a pie nada, nadaba y pedaleaba, pero nadaba muy poco y pedaleaba mucho,
y empecé a entrenar con Filipe Esquiva, cuando ya estaba un poquito más maduro en el entrenamiento,
tuve otros entrenadores, pero empecé con Filipe Esquiva, que es el que me dio ese vuelco de,
como puedo decirte, ese punto a pie para poder iniciar todo esto. Y con él aprendí un montón
de cosas, aprendí cómo usar los modelos, empecé a aplicar mejoras en los modelos para poder predecir
cosas que él lo hacía bien, pero yo le ponía más variables y bueno, falla y error. Y ahí empecé a
probar con cinco amigos míos de entrenar gente, empecé a estudiar en realidad lo que hacemos los
ingenieros, nos dan un problema y lo que hacemos es ver qué soluciones posibles para mejorarlos.
Y bueno, empecé a estudiar de fisiología, empecé a ver papers, empecé a ver cuáles eran los problemas,
empecé a hacer lo que se llama Scrapping, es decir, buscar en los resultados de las carreras cuáles
eran los problemas concretos que tenían los tres atletas, por ejemplo los Crossover entre salir a
pedalear y correr, cómo se equivocaban en el pace y cómo la apagaban en los últimos 10 de un Ironman,
cómo atletas que nadaban muy bien no podían correr bien, bueno y todo eso lo fui volcando
como para buscar una solución. Y bueno, eso fue lo que me motivó a mí de empezar a probar modelos,
a tratar de buscar soluciones y como tenía gente que en esa época estaba dispuesto a probar cosas y
era muy disciplinada, es decir, gente que no se sacaba el gadget para nada, es decir, tenía los
datos de todas las actividades, todo lo que hacían en tiempo y forma y lo que tenía también es que esa
calidad de datos era muy buena porque desde el principio yo les enseñé a los chicos a calibrar
los medidores de potencia, a poder hacer los stomp test de los power tap que había en esa época,
es decir, nos preocupamos mucho por la calidad de datos. Y así fue pasando el tiempo, hice un curso,
quería tener una credencial de entrenador, entonces hice un curso hasta llegar al nivel 3 de
entrenador como para poder tener una credencial de entrenador y entrenar gente y empecé a entrenar
gente. Yo estaba en la parte de SEO de una fábrica que hacíamos envases para alimentos y llegué hasta
ser presidente de esa fábrica, manejando 200 personas y haciendo todo lo que es ingeniería de
planta, todo y a la vez hacía esto. Y bueno, hoy día ya a los 50 años, hace tres años que me dedico
plenamente a esto, ya dejé mi puesto de SEO en la fábrica y creé esta startup que es EndaCore ahí,
que hace software para los distintos Gatket, es decir, hay partes de Garmin que tiene EndaCore
y bueno, y me dedico a hacer software para los distintos Gatket, buscar soluciones para todo lo
que sea, ese proceso de inteligencia artificial que está teniendo Garmin, que está teniendo también
Fitbit y a la par lo tengo todo el set de millones de datos que tengo de estos últimos 10 años de
atleta, entonces con ese data mining, con ese big data, es donde pruebo yo todos los modelos.
Y en resumen eso es, son 20 años de triatlón, he corrido Kona, he desclasificado en Kona,
gracias a Esquiva que me armó unas mejoras muy buenas y esa es mi vida del triatlón y los datos.
Bueno, pues genial, la verdad que ha sido una vida hasta ahora por lo menos muy,
muy interesante. Y bueno, hablando de los datos y hablando de EndaCore,
¿cómo aplicas estos conocimientos estadísticos, matemáticos al entrenamiento? Por ejemplo,
tenemos leído, mucho hablar sobre las redes neuronales y me gustaría preguntarte lo primero
por esto, ¿qué son y cómo las podemos aplicar al ciclismo? Bueno, al ciclismo y al resto de
deportes de resistencia. Bien, bueno, lo que primero te voy a contar es que no hay ninguna magia y no
es muy fácil encontrar el fit de los modelos, es decir, no es que uso una red neuronal y en
una semana te estoy sacando un modelo que te va a predecir. No es nada sencillo, es más,
la cantidad de datos buenos que hoy día hacen falta es muy grande. La ventaja que tuve yo es
que tenía, tengo muchos datos buenos que sé que son buenos, entonces ya ese filtrado me los ahorra.
Y una red neuronal, básicamente, la que utiliza EndaCore, que es inteligencia artificial y
aprendizaje automático, significa, es un proceso donde el algoritmo va aprendiendo lo que vos le
vas enseñando porque vos les vas diciendo qué es cada cosa y ella aprende un comportamiento a lo
que vos le vas diciendo, es decir, no hace ninguna magia. Supongamos que vos tenés un proceso,
vamos a llamarlo proceso, a esta red neuronal y vos les querés enseñar cómo es una bicicleta,
entonces le ponés fotos de bicicletas y le vas diciendo que eso es una bicicleta. Lo que
hace esta red neuronal, aprende esos patrones que va leyendo de las fotos, entonces cuando
vos le pongas una foto de una bicicleta, te va a decir, es una bicicleta o qué probabilidad es
de una bicicleta. Es decir, como vos le enseñaste a un niño, esto es un juguete, esto es un juguete,
esto es otro juguete, el niño fue aprendiendo que era un juguete porque vos le dijiste que era un
juguete, eso genera un motor de conocimiento probabilístico que cuando vos le pongas una
foto de una de una rana te va a decir, esto no es una bicicleta. Cuando le pongas de una moto te
puede llegar a decir, hay un 50% de probabilidad que sea una bicicleta. ¿Me entendés la analogía?
Es decir, detecta las ruedas, detecta el manubrio, pero no está seguro que es una bicicleta. Entonces
esa magia que muchos quieren dar como que la renda oronal es la solución de todo, no es tan
así. Es decir, necesitas tener una buena ingeniería de características. En este caso es muy sencillo,
es una foto y vos sabes que es una moto. Pero en el caso de nuestro, donde en el ciclismo
tenemos variables fisiológicas, tanto subjetivas como objetivas, no es tan sencillo explicada la
máquina. Por ejemplo, Manu rodó una hora al 70%, no es tan sencillo como mostrarle una foto a una
bicicleta. Entonces la ingeniería de características, es decir, buscar esa arquitectura para enseñarle
a la red neuronal cómo predecir o cómo buscar patrones, que lo que más utilizo yo, no es nada
sencillo. ¿Se entendió más o menos lo que es la red neuronal? Sí, sí, perfectamente. Bueno, por lo
menos hay funcionamiento o resultado de esta red neuronal. Claro. Internamente es bastante compleja,
es más, todos esos circuitos internos que se hacen, que son probabilidades y números, muchas
veces no se conocen. Es decir, lo que hace dentro toda esa configuración, imagínate una consola,
viste, de esas consolas de los ingenieros de audio cuando hacen música que suben y bajan perillitas.
Sí, sí. Potenciómetros, bueno, imagínate eso. La red neuronal va subiendo y bajando eso para
poder armar un modelo que reconozca lo que vos le enseñaste. Esas se llaman redes supervisadas,
porque vos la estás supervisando y le estás diciendo cómo enseñarles. Y generalmente para
probar esas redes lo que se hacen es que se buscan dos lotes de información. ¿Qué quiere decir? Que
yo busco, suponete, agarro todos los datos tuyos de ciclismo, entonces digo, bueno, voy a ingresar
como entrada la intensidad relativa de cada rodada, voy a ingresar el tiempo, voy a ingresar las horas
que durmió Manu y voy a ingresar el HRV matutino, cuatro entradas. Entonces les voy a decir que bajo
esas cuatro entradas, ese día que Manu rodó al 80% que rodó dos horas, que durmió siete horas y
que su HRV a la mañana le dio 70, Manu me dijo que se sintió muy bien. Variable subjetiva que califica
todas esas variables subjetivas que vos mandaste al principio. Al otro día Manu rodó 80% pero ya
durmió seis horas, su HRV bajó a cinco y su intensidad fue del 73% y Manu informó que ese día
no se sintió bien. Eso lo va aprendiendo la red neuronal y yo utilizo todos datos de Manu. Para
probar esa red neuronal yo puedo utilizar datos míos con la misma configuración y ver si la red,
si la red en realidad generaliza. ¿Qué quiere decir? Que si la red aprendió a buscar esos patrones y
no sólo aprendió lo que yo le enseñé de Manu, sino que esa enseñanza le sirve para cualquier
tipo de atleta. ¿Me seguís hasta ahí? Sí, sí. Es decir que yo tengo que lograr que la red neuronal
aprenda un comportamiento general, no sólo de Manu, que trate de aprender un comportamiento de
cómo es un ciclo de entrenamiento para una carrera de ciclismo de tres etapas o, por ejemplo,
para un Ironman. Es decir, para cosas concretas y que pueda evaluar a todo tipo de atleta. Eso es
lo más difícil que tenemos que lograr, que muchas veces en muchos atletas se logra y en otros
atletas que no. Y esto lo que desmitifica esa magia que muchas veces es marketing de la red
neuronal, que vos ves que usando una red neuronal se detectó el cáncer en el ojo de tal persona.
Es decir, hay una validación muy grande que se debe hacer y con mucho cuidado tratar los datos.
Claro, al final es un poco el principio de individualización. No es como si decimos que
la media de cualquier población que cojamos casi al azar va a ser de 1,75 de altura, pero luego
entre individuos va a haber grandes diferencias. Y quizás en esto las redes neuronales me gustan,
me gusta muchísimo el concepto porque supera con gracias problemas que tenían, por ejemplo,
los modelos lineales de impulso-respuesta. Y es que, por ejemplo, tienen en cuenta la
complejidad de una situación determinada. Cuando ponía el ejemplo ese perfecto de
Manuel hace una hora a 70%, tienes que añadirle 1000 inputs más. Manuel hace una hora a 70%,
Manuel está triste porque se peleó con su amigo, Manuel tiene los depósitos de glucógeno al 100%,
Manuel trabajó en Artura, todas esas cosas. Quizás creo que es lo más complejo de hacer que esta
red funcione bien, ¿cierto? Cierto, lo que trata la ingeniería de características es tratar de
buscar. Es lo que yo insisto muchas veces con gente que recién entra a los datos. Viste que vos ves,
hoy día ves mucha gente que utiliza el WKO y muestra datos, muestra chart y muestra mucha
cantidad de datos y algunos posts tuyos que he leído que me gustan que dicen no necesitamos tanta
cantidad de datos. Es decir, nosotros como data science necesitamos buscar la mínima cantidad de
datos representativas. Es decir, no me sirve llenar la red neuronal de un montón de datos porque lo
que me va a generar es mucha entropía. Entropía quiere decir mucho error proyectado y sistemáticamente.
Yo necesito buscar esa cantidad mínima que a mí me genere algo representativo y eso es lo que
realmente es el arte, el state of the art de la ingeniería de características que es la materia
prima de estas redes. Por eso es cuando, viste, yo veo esos gráficos suponete de correr con el
stride, que veo el cool leg, el key bird, el fmax, el stance time y veo un montón de otros datos que
uno ve ese chart que lo único que ves es curvas que no las puedes relacionar una con otra y en
realidad no te están diciendo nada si la ves a simple vista. Entonces nosotros necesitamos ir
al mínimo, a la mínima cantidad de datos que podamos representar información. Y lo bueno de
esto que aparte de predecir, porque lo más difícil de predecir el futuro es conocer el futuro,
es poder buscar patrones. ¿Qué quiere decir esto? Imaginate que vos tenés, estamos hablando con
volúmenes de atletas. Es decir, si yo tengo un equipo de ciclismo de 6 o 7 integrantes,
mucho esta búsqueda de patrones nos sirve. Pero imaginate llevarte vos al cabo, nosotros en el
equipo tenemos 150 personas, 152 entre triatletas, en mountain bike, ciclismo y nosotros necesitamos
buscar patrones, por ejemplo, de aquellos que responden más al volumen que a la intensidad.
Porque vos sabrás muy bien que el atleta amateur no tiene esa cantidad de horas que todos deseamos
que tenga para aplicarle ese hermoso programa que tiene un elite o un profesional que le decís hoy
cuatro horas en z2, porque lo que buscamos es una estamina y buscamos ese estrés después de las
tres horas y buscamos ese consumo de grasa después de las tres horas. Vos le decís hoy,
yo le llevo a decir a un médico que entrenó hoy, el martes rodá cuatro horas y se me ríe en la
cara. Entonces nosotros necesitamos tener esa discriminación y poder buscar ese volumen,
la intensidad justa para poder proporcionarle a ese atleta amateur que quiere buscar resultados lo
mejor posible. Sabemos que va a buscar resultados bajo sus características, nunca va a poder
superar a aquel atleta que puede hacer todas las cosas bien y se dedica a esto. Pero bueno,
dentro del horario buscarle, dentro del horario disponible, sus condiciones de vida y todas
sus genética fisiológica que tiene, buscarle ese mix entre volumen e intensidad. Y eso es lo que las
redes neuronales saben hacer muy bien y nosotros necesitamos mucho tiempo para hacerlo. Es decir,
eso fácilmente yo lo puedo realizar por medio de, como vos dijiste, agarrar el modelo de impulso
respuesta de barnister o agarrar el pmc de kugan y ir configurándolo de una forma que me de buenos
resultados y esos resultados que sean alimentación reciclada de esta red neuronal. Entonces lo que yo
voy a tener poder es ir individualizando. Puedo llegar a decir Manu, Gabriel, Pepe, Juan son alta
respuesta al volumen. Entonces es en vano que a esta gente con esa restricción horaria que tenga
la pongo a hacer muchas horas en z2, ejemplo. Pero ¿qué pasa? Adriana, Pedro y Joaquín no reaccionan
bien al volumen, no reaccionan bien a la intensidad. Necesito darle más volumen. Cuando yo le doy
intensidad su curva de performance cae muy rápido. Entonces armo todo lo que se llaman clusters de
atletas alta respuesta, baja respuesta y yo los tengo individualizados bajo esa forma. Y la idea
es que aquellos atletas de baja respuesta los puede ir pasando a respuesta media y ese es el
state of the art. Es decir, tratar de ese atleta Pepe, un atleta, como le dicen ustedes, un globero,
tratar de meterlo a un atleta un poquito más de más calidad y eso es el estado de arte porque
suponete si vos agarras un atleta de elite no lo vas a estar llenando de hits y de un montón de
cosas porque ya el motor lo tiene. El atleta de elite necesita entrenabilidad, es decir,
necesita otro tipo de entrenamientos, necesita otro tipo de volúmenes. Entonces esa parametrización,
esos patrones te lo da el conocimiento de estos datos. ¿Me seguiste o me fui muy por la trama?
Sí sí, me salen algunas preguntas interesantes de esto. Lo primero creo que además lo que decía
al principio de tu intervención porque recuerdo esa conversación que tuvimos en Facebook donde
decía es que los datos son o muchísimos datos es malo. Claro, no es que sean malos,
es que digamos tenían mucho ruido. Tú me hiciste ver que el problema no eran los datos,
sino que no lo estábamos utilizando bien, que digamos que estábamos utilizando sistemas de
impulso y respuesta, sistemas lineales típicos de TSS, de Bannister, en un mundo biológico que
es complejo, que depende de multitud de factores y de partes que se interrelacionan y no podemos
utilizar, digamos, matemáticas para determinar la velocidad a la que va a caer una manzana a suelo,
como hacía Newton, para saber las respuestas que va a tener un organismo al estímulo de entrenamiento.
Quizás de ahí venía el problema de que hasta ahora la forma en que se ha utilizado parte de
la matemática en el ciclismo había sido de una forma negativa o que yo sentía y siento
todavía que hacía en muchos casos más mal que bien. Y con esto ahora de las redes neuronales,
además con lo que comentaba antes, me surge una pregunta y es ¿cómo determina que alguien es
sensible o más o menos sensible a la alta intensidad? Porque imagino que siempre hay
un cierto límite de estímulo que provoca la adaptación o que no la provoca, pero claro,
también tenemos un punto de saturación, un punto donde más entrenamiento no es mejor. De hecho,
nos llevaría sobre entrenamiento y este punto es muy difícil de estimarlo porque depende muchísimo
del momento de la temporada, de las historias previas, de la genética del deportista,
de los depósitos de ferritina que tenga, en fin, de mil factores. Entonces,
no sé, quiero saber cómo aprende el sistema o cómo interpretas tú para saber, pues mira,
este deportista ¿le puedo meter ahora más cañas? Porque sé que va a poder asimilarla o no le puedo
entrenar más porque creo que va, digamos, a pasar la colina si lo veamos en forma gráfica y que va
a entrar en pérdida de rendimiento. Bien, es una pregunta excelente y parte de la respuesta,
sin irme, sin desviarme, es sobre cuando empezaste a nombrar condiciones que se le
empiezan a producir al atleta, es decir, bajas de glucógeno, ferritina y esas cosas. Y yo quiero
que en un momento de eso lo dejes aislado y las causas las dejes aisladas, esas son causas y vos
te concentres en los efectos, es decir, ¿qué efectos tuvimos bajo tantas circunstancias? Las
causas no la voy a poder descifrar yo si le faltó ferritina, si le faltó glucógeno, yo voy a imaginar
porque como vos harás, vos les das una receta de cuál es el plan nutricional para distintas
fases. Lo que yo voy a comprobar es que esa receta se está cumpliendo, es decir, Manu,
¿estás en los 4 gramos por kilogramos de carbohidratos diarios? Sí, entonces eso yo
lo voy a tener en cuenta cuando analice el resultado. Yendo al otro lado, es decir,
como vos dijiste, estos modelos de Barnister, impulso-respuesta, son modelos lineales. ¿Qué
quiere decir lineales? Que Barnister lo que te está diciendo es que la ganancia que voy a tener
cuando tenga 100, por ejemplo, CTL, va a ser la misma proporcional que cuando tenga 140 CTL. Y
nosotros sabemos que eso es mentira porque cuando vos estás muy cerca del límite la adaptación
empieza a ser muy finita. Entonces, como es un modelo lineal que sus ganancias son proporcionales
en el tiempo y se repiten, ese bosque me va a estar engañando. Si bien esquiva en el modelo
de impulso-respuesta, lo que hace es incorporar lo que se llama una ecuación de Hill, HILL,
es que lo que hace es que en un momento ese modelo saturable, no saturable que es el modelo
de Barnister, es decir, vos el modelo Barnister nunca satura, nunca tiene convergencia, sino
siempre carga que vos le das, carga que la vas sumando, carga que la vas sumando, carga que la
vas sumando, pero no te dice en realidad si vos estás entrenando o en realidad te estás sobre
entrenando. Entonces esquiva lo que incorpora en su modelo de IR, es lo que se llama la Hill
Equation que lo que hace es discriminar ese sistema, no saturable lo transforma en saturable.
Y después aparte, algo que tal vez en el ciclismo no haga falta porque el ciclismo es algo no es
tan complejo como el triatlón. Vos en el ciclismo tenés un solo casillero donde tenés que poner los
distintos tipos de libros, es decir, tenés que poner el librito de VO2, el librito de lactato y
el embrito de Z2 o estamina y endurán, pero vos en un triatleta tenés que poner un librito de
VO2 para la natación, otro librito de VO2 para el running, otro librito, entendés, se multiplica la
complejidad. Y acá es cuando estos modelos lineales es donde si no usas estas constantes de ganancia,
que casi nadie las usa, porque con todo lo que hablé ellos siempre usan el k1 igual a 1 y el
k2 igual a 2, te estoy hablando de esas variables que 42 y 7 las tenés en presente en el modelo
OPMC, todos usan 42 y 7, usan eso porque generalmente los 42 últimos días es lo que te va a dar esa
relevancia. Pero si vos ves la construcción general de la curva y la multiplicás por las
complejidades que tiene cada actividad, esa curva es engañosa. ¿Por qué es engañosa? Porque para
vos, Manu, si yo te tiro a hacer, no sé si vos sabes nadar... Sí, pero lento. Exactamente, si yo te tiro
a nadar ahora a vos y tengo que calificar la fatiga, es decir, tengo que calificar esa variable que es
k2, la ganancia de la TL, la tengo que calificar, ¿la puedo poner igual que la de ciclismo? Es decir,
a vos ejemplo, siéntese ese de ciclismo en percepción, ¿te van a ser igual a una hora de
natación? No, lógicamente no. Entonces eso pasa, nadie tiene esas variables iguales, es decir,
para los que son buenos nadadores, esa fatiga generada en la TL, estamos hablando de fatiga
aguda, es distinta a la fatiga aguda de aquellos que no nadamos como un buen nadador. El igual que
el runner, el corredor, el running en el triatlón es muy danino, entonces esa fatiga es muy más grande
que el ciclismo. Ese es el motivo por qué las ventajas del ciclista que puede llevar mucho volumen
y el runner do. Un kenyatta puede llevar un volumen de 130-140 kilómetros por semana,
algo que un amateur no lo podría llevar corriendo, pero es muy fácil para un ciclista
llevar, un ciclista más o menos bueno, llevar 300-350 kilómetros por semana. Entonces eso nos da
la pauta que la fatiga inducida, esa fatiga aguda, es distinta entre correr y andar en bicicleta,
es distinta entre nadar y andar en bicicleta. Y todos estos factores bien estipulados,
que los puedes estipular tanto por el modelo de esquiva que hace un solver de variables objetivas
como este modelo que utilizo yo, que es red neuronal, donde incluyo sueño, incluyo HRV,
incluyo calidad de sueño, dolor muscular. Entonces, base a eso, vos lo que estás generando es un fit
muy grande del modelo individualizado y por etapas. No es lo mismo cuando vos estás construyendo
un umbral funcional o estás subiendo ese umbral funcional hacia el techo de VO2. No es lo mismo
a que cuando ya estás en una etapa específica, donde los trabajos pasan a ser tempo y zona 2,
es decir, no es lo mismo cómo lastimas al cuerpo, cómo es el strain del cuerpo. Entonces eso
por ahora, sin modelos lineales, sin modelos no lineales, lo lográs. El problema es este que te
mencioné yo, que estos problemas, estos modelos lineales, lo que hacen es te dan ganancias
proporcionales a medida que vas subiendo la curva de CTL y eso es mentira. Entonces vos al usar,
por ejemplo, una red neuronal con una activación que se denomina relu, vos podés trazar esa curva
de cuando el CTL ya va a tener que empezar a bajar porque ya tu eficiencia, suponete potencia
divido pulso que te da un valor entre 2 para abajo, 1.9, ese valor empieza a bajar. El CTL
vos vas a ver que sube, pero ese valor empieza a bajar. Y bueno, esa es la ventaja de los modelos
no lineales que representan mucho más la realidad, porque como dijiste vos al principio,
la naturaleza es saturable en un punto, lastimar, lastimar, lastimar, va a aguantar hasta cierto
punto donde se va a quemar la flor, por ejemplo. Así es, lo veo la verdad un campo con mucho
potencial. Creo que quizá ahora hay algunas cosas que sinceramente no las veo claras. Por
ejemplo, utilizar o seguir utilizando TSS y su variante CTL para determinar este punto de
inflexión o este punto de saturación, ya que estamos hablando quizás de un campo como son
las adaptaciones del organismo, que no es lo mismo que por ejemplo determinar la tolerancia
o la resistencia que tiene un puente al paso de los vehículos o al tiempo. La adaptación es la
verdad que un tema complejo y te habrás dado cuenta, lo habrás visto en los tuyos, que ante
un mismo estrés o incluso ante estresadores diferentes e incluso dentro de un mismo deportista
en diferentes momentos de la temporada, la adaptación se da de una forma, se da de forma
más pequeña o no se da, poniendo el caso de las curvas que ponías de saturación, de las que hablábamos,
por ejemplo imaginándonos que lo hacemos con TSS, no es lo mismo la adaptación que tendríamos al
meter un entrenamiento de 200 TSS cuando nuestro CTL es 100 y viene subiendo que el que tendríamos
cuando nuestro CTL es 100, pero ya viene bajando de un proceso de fatiga. De hecho a veces ese 200
puede que no genera adaptaciones y también lo veo complicado y a ver esto si podemos tenerlo en
cuenta y es que por ejemplo hay algunas adaptaciones que no las podemos medir como
rendimiento pero que a largo plazo nos van a hacer mejorar el rendimiento, por ejemplo el trabajo de
fuerza ya sea en gimnasio o ya sea en la bici. Veo harto complicado que ahora mismo el algoritmo
sea capaz de determinar que tú hayas pasado de levantar 60 kilos en sentadillas a levantar 80,
te marque como un punto de mejora de ese perfil de potencia o de ese punto de saturación pero
a la larga ese aumento de fuerza sí que tendrá un efecto en el rendimiento. Entonces bueno creo
que no sé qué opinión te parece esto la verdad y bueno qué uso le das tú también al modelo a la
hora de entrenar porque por ejemplo aunque me alargue un poco vi un tweet de Alan Cousens que
bueno un tweet o un artículo que lo enlazaba donde nos decía que la inteligencia artificial
o que esta red neuronal iban a ser como un ayudante de la entrenadora y a mí la verdad que eso me
gustó mucho verlo así no como un pequeño ayudante como el click de windows que nos va a decir oye
que este deportista está jatigado que este deportista necesita que lo revises porque porque
está cansado en fin me gustaría entonces saber cómo lo utilizas tú y cómo es tu método de trabajo
en este aspecto con tu deportista. Bien la primera pregunta es cuando vos empezás a mencionar sobre
gimnasio y esas cosas no me preocuparía por eso eso lo trataría como decís al final es un ayudante
todos los aspectos de cómo mejorarlo y cómo mejoró vamos a dejar que el entrenador siga con ese
trabajo no metamos a la red neuronal con todo esos datos porque no sabemos qué qué capacidad
tiene para poder ayudarnos lo que podemos lo que hacemos sobre el TCS en realidad nosotros
necesitamos una forma de medir y necesitamos una forma de medir que se denomina métrica porque
necesitamos juntar dentro de una variable muchas variables y que esa esa esa métrica sea lo más
representativo posible al decir sea lo más representativo posible estamos asumiendo que no
es una métrica exacta porque ya sabemos que el TCS tiene mucha cosmética y no representa
no representa bien el estrés durante el tiempo de una rodada porque por muchos otros factores
como vos mencionas y también por ese error de cálculo que tiene entonces lo que necesitamos
hacer es definir una métrica como para tener una cuantificación el TCS sirve sirve porque
yo ya sé las limitaciones que tiene el TCS es decir cuando yo analice esto voy a saber
qué limitaciones tiene el TCS sirve para gente que no lo entiende no sirve entonces primero uno
tiene que entender bien cómo funcionan los modelos cómo se calcula el TCS y tiene que tener una
experiencia de haberlo utilizado y saber si cómo representa la realidad y qué error tiene en los
distintos atletas una vez que asumimos esto lo que lo que sí necesitamos es esta una métrica sea el
TCS sea esa que me pasaste vos me acuerdo cómo se llamaba no recuerdo es exactamente decir son
todas métricas que nosotros si decidimos trabajar con ella es decir vamos a planificar en base a
esa y vamos a aceptar qué error sistemático tiene esa pero para este para eso nosotros necesitamos
conocer el modelo y cuando nosotros conocemos el modelo y tenemos estas variables que yo te
mencioné K2, T1 y T2 ese error lo vamos a ir regulando con estas perillitas en las distintas
fases de entrenamiento para poder hacer que ese TCS que nosotros prescribimos y sabemos cómo lo
recibimos es decir vos le mandaste a subir un puerto de montaña que tardó a hacerle un test
suponente quiero que subas este puerto de montaña que tarda una hora y después bajes
vos sabes que la subida va a ser 100 TCS por ejemplo y la bajada va a ser cero cuando vos
veas ese TCS te va a dar que es el TCS 50 y sabes que no es verdad entonces vos vas a asumir ese
error y vas a corregir ese error dentro de la planificación entonces lo que nosotros hacemos
es cuando trabajamos con métricas asumimos que es una estimación entonces estamos asumiendo un
error y vamos a buscar qué métrica queremos utilizar como ecosistema cuando llenamos de
métricas el problema es eso cuando llenamos de muchas métricas llenamos el sistema de
muchos errores y sumatoria de errores y sistemáticamente la sumatoria de errores
en modelos generan modelos entrópicos contestado eso como utilizo yo las redes neuronales para
que me ayuden a mí como dice Alan que estamos trabajando hace mucho mucha conversación entre
él y yo de cómo trabajar esto la red neuronal lo que tiene de bueno es la cantidad el poder
procesar muchos datos a mucha velocidad y poder darnos información sesgada de sentimientos
esto es muy importante lo que estoy diciendo una información vos me vas a decir pero nosotros no
somos máquina bueno pero hay veces que nosotros necesitamos información sesgada de sentimientos y
te digo esto porque porque una atleta muchas veces te va a querer decir a vos que él se siente bien
mientras los datos se están diciendo lo contrario y tu experiencia saben que esos datos están bien
es decir esta atleta no está mostrando una caída en su performance pero la atleta me está diciendo
que se está sintiendo bien y que no le duele nada entonces a ese sesgo de sospecha la red
neuronal no lo va a tener me va a decir pero también nos vamos a encontrar exactamente con
el ejemplo contrario o sea deportistas que nos estén diciendo que están mal y datos que estén
bien y donde donde hacemos caso al dato al deportista yo creo que aquí hace parte un proceso
también de educación al deportista de hacerle ver que las cosas que hay que ser sinceros no al
final de nada sirve engañar al entrenador igual que de nada sirve engañar al sistema no o engañar
al software entonces en este caso ya es determinar a qué le damos más importancia si a lo que nos
dice el deportista o a lo que nos dicen los datos y también siendo realistas muchos datos no reflejan
la realidad y tener un margen de ron muy alto no por ejemplo con la variabilidad de la frecuencia
cardíaca no podemos decir directamente que la variabilidad refleje un estado de fatiga o de
recuperación sé que cuando cogemos muchos datos de muchos deportistas en el tiempo la variabilidad
alta indica un estado de más recuperación pero es lo mismo que decíamos antes igual que si coges
una muestra muy grande pues por ejemplo ser más alto se va a correlacionar más con ser más bueno
o también más éxito jugando al baloncesto la cuestión aquí está en que en el día a día no en
los casos puntuales sepamos o tengamos una capacidad de tomar decisiones al corto plazo
no a que el deportista te diga imagínate si el deportista me dice que está bien y la variabilidad
de frecuencia cardíaca me dice el deportista está fatigado pues quizá me tengo que plantear si
esta variabilidad ha salido a lo mejor más alta o perdona más baja porque a lo mejor el deportista
está un poco más estresado se ha puesto despertado o no ha dormido bien no exactamente pero a ver
quiero que veas este escenario suponete que vos estás analizando los últimos cuatro días de
esta atleta y vos les mandaste supongamos el martes 2 de 20 minutos en 300 watt y él te hizo 2 de 20
minutos a 271 watt no le decís nada el miércoles le mandaste un día suave por toda esa intensidad
le mandaste dos horas de entrenamiento y vos ves que él siempre el endurance lo hacía a 220 watt
pero ayer lo hizo a 178 watt pasa el tercer día vos le mandaste unos hit de frc supongamos unos 10
de 10 por 2 minutos con recupero de mismo tiempo decir radio 111 y el atleta te los hacía antes
350 y ahora te lo hace a 310 watt ves esos valores crudos entonces te metes en el perfil
subjetivo y debida del atleta y vos ves que el hrb está más bajo que lo normal ves que las
horas de sueño está más bajo que lo normal entonces lo que haces agarras el whatsapp y le decís
manu te noto un poco cansado manu fanático del entrenamiento esos que no quieren frenar nunca
y te tengo un montón de ejemplos y como decía el doctor house la gente miente entonces manu me dice
no la verdad que no que estoy no tenía muchas ganas de presionar y no tenía muchas ganas entonces
ahí es donde está el sesgo como yo precaución en el ciclismo no tanto pero en el running donde
puede lastimar mucho al atleta yo como precaución la red neuronal me dice manu está notando registros
de hrb de un montón de cosas y una baja de performance importante como hace garmin el software
que yo hice para garmin recomendamos un día de descanso entonces yo miro eso y miro el día
descanso y yo no voy a arriesgarte yo te voy a decir mano tomate un día de descanso porque
tengo ese doble ese doble ese doble cheque en cambio si vos me empezás a convencer yo no tengo
ese doble cheque y vos me empezás a convencer vamos a hacer una cosa gabriel déjame que voy a
tirar las dos de 20 minutos de nuevo porque me siento más confiado y bueno y ahí viene una
enfermedad viene una un refrio viene una molestia en la rodilla viene una fatiga extrema un over
rushing que después me va a costar cinco días y eso lo que yo evalué durante 10 años antes de
hacer de poder confiar en esta en estas redes neuronales es decir evalué qué verdad tenía y
lo hice en forma numérica supongamos yo en el 2005 de 20 atletas de 18 atletas que ponía en el
perdón en el 2010 de 18 a 20 atletas que ponía en un ironman tenía una tasa de gente que llevaba
resfriada de 6 atletas 5 atletas porque porque tenía ese sesgo porque el atleta me decía que
quería estrenar no podía aceptar que en la mitad del proceso esté cansado cómo voy a hacer entonces
todo ese relato de la atleta que muchas veces es verdad que se siente bien y muy pocas es mentira
pero existe esa posibilidad siempre está claro que si es deportista no está acostumbrado a
escucharse o quiere no tiene esa ambición por entrenar y entrenar y no ha sido bien educado en
que menos es más sí que puede darse darse el caso no tal y como tal y como la punta aunque
también en el ejemplo no te diría que simplemente con la eurística de que si ponemos una serie que
los días de serie son como días sagrados y está 350 y no la he hecho es porque yo entiendo que no
has podido así un día de serie no me digas que no querías apretarte el día de serie puede que
estés cansado no si no hay ningún problema yo le puedo decir a alguien mira tu escucha tu cuerpo
el cuerpo no va todos los días bien si te pongo una serie y las piernas no van dejarás pero claro
no me diga entonces que iba que iba a sobrar o sea si no ha hecho el entrenó es porque iba
cansado exactamente es eso lo que pasa es que nosotros tenemos que tratar de lidiar con gente
que te va a decir la verdad y gente que te va a decir que quiere seguir entrenando y generalmente
cuando esa gente que te quiere decir que quiere seguir entrenando lo que va a pasar es que si
vos no escuchas no ves las variables que acompañan ese decaimiento o ese overarching se termina por
lo menos en mi experiencia en lo que mis 10 años de data science sobre sobre triatletas me dice no
tanto ciclistas no estamos hablando de triatletas donde es mucho más complejo me dice que le tengo
que hacer caso a lo que la red neuronal me dice porque siempre se da lo que pasa es decir tiene
un fit muy grande porque la calidad la cantidad de datos que tiene esta red neuronal como conoce
la atleta es tan buena como yo lo conozco él lo que le veo es quizá una complejidad ahora la verdad
de medir la carga interna por encima de lo que nos pueda decir el propio deportista y es que
cómo integra en una red neuronal por ejemplo la fatiga mental que tenga el deportista de estar
todo el día a tope la ansiedad la tristeza o por el contrario la sensación de plenitud cuando sale
con la bici el disfrute porque sabemos ya por numerosos estudios que por ejemplo los sentimientos
negativos de miedo de ansiedad generan una mayor respuesta de cortisón el organismo que nos lleva
a mayor acumulación de fatiga ante una misma carga y parece parece que estados de bienestar
pueden hacer lo contrario entonces creo que no sé que ahora mismo la verdad no sé qué métricas
puedes tener o podemos usar que sean mejores que nuestras propias sensaciones que el mecanismo
evolutivo con el que venimos de serie que nos dice siempre o que hace que los animales en la
naturaleza no se sobreentrenen ni coman sin hambre ni caigan en fallos como podríamos caer nosotros
si por ejemplo siguiésemos una dieta con unas calorías predeterminadas estrictamente que hay
días que fallará por exceso y otros por defecto es que eso nunca lo va a poder saber la red neuronal
pero tan vos necesitas algo que te muestre en el caso que vos entrenes con la persona
suponete vos salís con tu grupeta y todos sus atletas los ves todos los días le ve la cara
lo ves como están rodando lo ves como están sudando ven cómo está es cómo terminan los ojos
después por ejemplo de dos pasadas de 20 minutos o dos subidas a un puerto es una cosa cuando vos
tenés atletas a distancias la única forma que vos tenés de poder cruzar informaciones por medio
de datos y métricas y por medio del feedback por un lado tenés el feedback donde vos le podés creer
el 100% y por el otro lado tener los datos ese cruce de datos y feedback cuando vos te dan algo
que te convence tomás la decisión con respecto a lo que vos me mencionás sobre todas las
características emocionales y características la red neuronal no le importa eso lo que le importa
es su vida media que vos le pongas depende el tipo de reportista que es si es un deportista
de alta respuesta su vida media va a ser 5 o 6 días si es un deportista de baja respuesta su vida
media es de dos o tres días que quiere decir esto cuando la red neuronal encuentra que esa media de
tres días está deficiente generó un aviso y me informa a mí que manu está bajo estas condiciones
que yo la decida o no es problema mío la red neuronal nunca va a poder decidir sólo me va a
ofrecer a mí alternativas recomiendo que y esto es lo bueno de estas cosas es que la última
decisión la tiene manu la tengo yo como entrenador y la red neuronal ofrece decisiones pero que yo le
dé y haga caso es bueno es cuestión mía y esta cantidad de procesamientos de datos suponete que vos
tenés yo tengo hoy día 120 atletas y vos me decís cómo manejas 120 atletas bueno porque yo
generalmente me dedico totalmente a hablar con el atleta todo lo que sea el back office todo lo que
sea cálculo de datos lo hacen robots es decir a mí me y ahí te contesto la otra pregunta que
había quedado cómo trabajas tú a mí todo lo que sea procesamiento no es que yo lo tenga que ir a
buscar al wk o ir a ver punto por punto cómo está el atleta a mí generalmente me tengo toda
una infraestructura que dice que a mí estos sistemas autónomas me dan información ya
digerida entonces lo que me evita a mí por estar metiéndome en datos por datos todos los días lo
que hago yo es cuando encuentro una anomalía o la red me dice que hay una anomalía me meto a ver qué
pasa y ahí sí me meto en el doble de cabo y me meto en una gráfica dos o tres gráficas tampoco
tengo yo hice dos o tres paneles de control que son los que generalmente uso con muy pocas
variables y me muestran cómo va el barco no pero bueno tengo ese back office que a mí me ayuda
bastante a poder poder brindarle el mismo calidad de proceso el mismo calidad de servicio a todos
los atletas es decir analizar día tras día todas sus métricas diarias vitales compararlas
con su entrenamiento y poder estar en el momento de decidir si esa atleta necesita un descanso
o llamarlo por teléfono imagínate que yo no voy a estar llamando a los 100 personas todos los días
como estás como estás como está pero generalmente me genera una lista donde yo tengo que llamar a
pepe a manuel a claudia porque veo anomalías y estas ventajas en la que habla alan sobre estos
estos sistemas que nos van a ayudar a nosotros a esto no nos van a ayudar a a cambiar esa percepción
que tiene la atleta sobre el cuerpo que eso es lo que me eso es el lo que mejor el atleta va a lograr
pero para lograr eso se necesitan varios años es decir el atleta cuando viene un atleta nuevo
un globero un amateur con ganas de aprender con ganas de mejorar esa percepción del esfuerzo ese
conocimiento del cuerpo no es instantáneo lleva datos lleva lleva perdón años lleva mucha mucho
de voz de enseñarle cómo cómo cómo es la percepción cómo correr cómo dejar la bici
salir a correr qué paisaje que llevar todos esos conocimientos hacen que el atleta madure y esa
percepción y ese conocimiento del cuerpo lo tenga una vez que hayas conseguido eso el atleta
se va manejando solo mucho más sencillo me seguiste hasta ahí si llevamos 53 minutos y
si casi sin darnos cuenta que como va de tiempo podemos seguir con la entrevista si yo no tengo
problemas vale pues vamos a ir un pelín más porque otra cosa que de la que hablaba y creo
que puede ser interesante saberlo es cómo sabe que barco va en buena dirección o sea antes
hablábamos no del punto de saturación y de saber si un entrenamiento pues nos hace mejorar
o no nos hace mejorar la cuestión está aquí en que tampoco tenemos herramientas muy buenas
para medirlo o sea sabemos lógicamente que lo mejor sería el propio rendimiento o sea hacer un
test pero claro no podemos estar testando al deportista cada poco y aún y así sabemos que
por ejemplo la motivación que tenga ese día no como se levanta incluso a la hora que lo haga
respecto a otros días la actitud a la que la haga o a veces la propia calibración ya sabemos que a
veces mide un pelín de más un pelín de menos los potenciómetros adaptan este este resultado luego
no sé si pueden mirar mejor factores de eficiencia pero claro también el curso tiene
ciertas variaciones en función de la temperatura entonces como como puedes saber al final si si lo
que está haciendo va hacia adelante o hacia atrás bien bueno para esto te invito a ver un
vídeo en youtube que dice sobre se llama sobre curvas de influencia donde está en un pizarro
explico la matemática que no es fácil si no le querés dar importancia a la matemática está
explicado sobre las curvas lo que tiene de bueno las curvas de influencia que salen de
de este pmc o de ir model sobre utilizando estas constantes es que a mí me va a determinar cuando
es el pic y cuando es el tapper o puesta a punto para una carrera pero si yo uso estas curvas de
influencia para cada micro ciclo supongamos que yo estoy preparando una carrera objetivo digamos
un ironman de hawaii entonces yo digo voy a generar los distintos micro ciclos para poder
evaluar lo que vos me estás preguntando si el atleta con esa carga que le estoy está adaptando
o no las cargas que yo le estoy dando entonces en base a eso y vas a estas curvas de influencia lo
que hago es saber cuándo voy a tener que testear para no seguir generando error en el modelo
entonces lo que hago yo es bueno definir esta curva y me dice a las cinco semanas necesito que
hagas un test es decir una bajada de la rampa de carga hagas un test esa semana y evaluando ese
test voy a saber si esas semanas esos entrenamientos sirvieron para poder adaptar vos me podrás decir
bueno pero tal error de instrumentos casi está descansado bueno eso lo tengo que garantizar de
alguna forma como primero sabiendo cuántos días voy a tener que dejarle suaves para que el test
sea lo mayor representativo eso también me lo va a dar la curva de influencia me va a decir cuántos
días necesito para recuperar más o menos esa ese último pico de carga entonces ahí le genera un
test y evalúo cómo está el atleta si el test me dio que el test me dio que el atleta por ejemplo
produce más potencia bueno ya es obvio que a más carga y más potencia el atleta adaptó si el
atleta me produce la misma potencia también es bueno es decir no bajó la potencia a medida que
subió la carga otro símbolo que está adaptando bien porque vos hay atletas que ya no pueden subir
más la potencia llegaron a su techo yo tengo atletas de 45 o 42 años entre atletas que su
ftp siempre es el mismo mantenerlo ya es una es un logro bueno entonces ahí si el ftp con cinco
semanas de carga con una rampa supongamos de 3 4 ctl por semana mantuvo ese valor de potencia
bueno estamos en un buen camino ahora bien cuál es el problema qué pasa si cae el valor de potencia
bueno si cae el valor de potencia yo tengo dos o tres días más para generar otros test
representativo es decir hago el test más importante pues supongamos un día martes
no me gustó cómo salió si salió muy bajo quiere decir que ya la rampa de incremento de todas esas
semanas que yo hice son muy elevadas tengo el otro microciclo para cambiar t1 y t2 del modelo
para llevarlos a que la fatiga de este atleta es mucho más elevada que la que yo calculé entonces
me va a dar qué rampa de incremento tengo en base a eso ya no voy a tomar no voy a hacer
microciclo muy largo voy a hacer un microciclo más corto y ver cómo se comporta si ya me está
bajando aún más la potencia digo esta atleta no puede cargar más y lo voy a mantener en una meseta
para que yo no baje más este ctl es porque porque la atleta no está durmiendo bien porque
tiene mucho trabajo por un montón de factores que lo voy a tener representados por los datos
que me está cargando ese es el caso el peor caso que tenga el atleta no me está adaptando y lo
tengo que llevar a una meseta o a una reestructuración global del macrociclo lo que me está diciendo que
no va a tener una buena carrera es decir la elección de la carrera no fue buena porque
muchas veces uno elige una carrera más en la iron man donde tiene que anotarse muchos meses
antes elige una carrera y no sabe cuáles son las circunstancias que le van a tocar más trabajo
encontró un trabajo nuevo que tiene que cambiarse el niño no anda bien en el colegio y está de acá
para allá para llevarlo a aprender a otros salones matemática y otras cosas y bueno no sabe
la vida es así entonces ese es el más complicado en el caso que yo tenga potencia la misma pero la
carga subió está adaptando en el caso que tenga más potencia y la carga subió estoy en el mejor
escenario pues claro quiero que te olvides de todas las las minivariables que es decir
nosotros estamos que tenemos que enfocarnos en un proceso de arte es decir tenemos que tratar
de buscar con la poca cantidad de variable lo mejor que podamos hacer estamos hablando de
proceso como te dije es procesos saturables fisiológicos y de multifactoriales si nos vamos
a meter en un montón de pelillos no vamos a poder planificar nada y sin planificar nunca vamos a
llegar bueno entonces como te dije anteriormente quiero que te metas en la cabeza que nosotros
estamos estimando un error es decir nosotros estamos asumiendo errores estamos estimando lo
que vamos a hacer es que esta planificación año tras año tenga la menor cantidad posible de
errores y eso lo vamos a lograr generando los patrones guardando esta cantidad de datos que
yo te estoy diciendo y generando año tras año estas curvas de influencia y modelos de impulso
respuesta bien configurados para poder decir bueno tenemos tenemos esta herramienta que en
este atleta nos funciona bien si la cuestión como yo lo veo es que estos pequeños mini detalles
o sea el dolor en una uña del pie termina con con el guerrero más fuerte o sea es que por pequeño
que nos parezca algo un mini detalle a la larga acaba siendo súper importante si quitamos las
abejas del ecosistema que son una cosa muy pequeña que hay todo el sistema con él y lo mismo aquí
creo que si empezamos a descartar pequeñas variables pequeñas o grandes no porque al
final creo que por ejemplo la fatiga mental o la ansiedad pueden ser variables grandes pero si
las quitamos al final el sistema va a tener más y más errores pero bueno a un quitado hermano son
causas son causas nosotros estamos eval vos cuando haces un plan cuando tanto en ingeniería es decir
cuando vos haces un plan haces el proceso óptimo y decís este proceso tiene un 95 por ciento de
probabilidad de éxito es pensar que nosotros estamos haciendo modelos estocásticos es decir
tenemos mucho azar como decís vos se le rompió la uña le picó una abeja en el ojo y se quedó
tres días sin entrenar son modelos estocásticos tenemos mucho azar dentro de cada día pasa que
nosotros esto lo planeamos de antemano y después a medida que vaya día tras día se va cambiando la
ventaja de estos sistemas que no son determinísticos es decir yo no lo doy toma vos querés correr un
Ironman toma este 12 enero esto es febrero y esto en marzo llamame cada fin de mes y
decirme cómo vos estás eso es determinístico yo no sé es decir yo determino que el atleta
vas a comportarse de tal forma y lo mando a hacer esa ruta de entrenamiento porque
estoy convencido que no le va a cuestionar nada y otra cosa es relevar el tema en forma
estocástica yo sé que le voy a tener que planificar semana por semana es más tal vez
semanas voy a tener que cambiar un miércoles porque le picó una abeja porque tuvo un día
trabajo muy grande pero bueno estamos hablando del plan anual o el plan semestral de los
objetivos del atleta lo planteamos de esta forma y como es estocástico voy a tener muchas
intervenciones dentro del plan y cada intervención dentro del plan me va a remodelar el plan para
bien o para mal es decir si yo veo que esta atleta ha mejorado mucho con esta carga puedo
ser un poquito más optimista y subirle un poquito más la carga y todo ese desencaderamiento del
plan futuro cambia es un plan dinámico no estamos hablando de plan si vos estás intentando que esto
sea un plan determinístico es como decís vos es un caos y el tcs el ctl y todo está este conjunto
de cosas lo único que va a generar es un caos y un atleta lastimado y fuera de adaptación en
el mejor de los casos fuera de adaptación si eso es importante que quede claro no que al final
hombre son estresores o causados que estén de una forma o de otra igual que al mantenernos en
equilibrio en la bici pues si nos desequilibramos hacia derecha compensamos con el cuerpo hacia
la izquierda o si tenemos más estrés en el trabajo tenemos que compensar el entrenamiento
si no lo tenemos pues también compensarlo hacia hacia el alza en vez de hacia la baja cuando
estábamos más agotados luego también con el entrenamiento y con ver las mejoras pues hablaba
de la evolución entre la potencia generada y la carga propuesta pero dónde entra aquí el
concepto de percepción de esfuerzo porque de la forma en la que me lo ha expuesto entiendo que eso
implica que la que las áreas deben ser siempre a tope no porque es la única forma de ver que va
mejorando ante la misma carga si no tiene en cuenta por ejemplo la percepción de esfuerzo del
deportista no en las las las eso es lo que yo trato siempre de es un error muy común en
en la gente es tratar de estar siempre en el tope de el i-level o en el tope de la zona y yo lo que
siempre trato de hacerle es una progresión sistemática dentro del microciclo que quiere
decir esto que después te voy a contestar lo de la percepción esto quiere decir que yo dentro
del microciclo supongamos un microciclo de seis semanas les voy a decir bueno vamos nosotros
empezamos con esta potencia crítica de 200 watt hicimos estas zonas de entrenamiento que
son prescript son descriptivas es decir no quiere decir que que tengan que ser sí o sí de este
rango este rango lo que yo quiero es que la primer semana nos mantengamos en la zona baja del
rango en la segunda semana intentemos estar en la zona media del rango en la tercera semana en las
en las en los tres tercios del rango y en la última semana intentemos buscar están en el tope del
rango si esa progresión sistemática se logra hay casi 99% que el test salga bien si hago todo al
revés si el primer semana estoy en el 100% la segunda semana en el 100% la tercer semana ya
voy al 95 la cuarta semana ya voy al 90% es decir que yo lo que trato de enseñar a la gente que las
zonas se deben utilizar en todo su rango y no significa que vos entrenando siempre a la máxima
si yo te digo zona de ftp vayas al 105% todas las veces y eso no es así también yo le aclaro
al atleta y le empiezo a enseñar de esa percepción es decir busquen progresión en las series busquen
sentirse bien hasta que puedan presionar busquen hacer la última siempre mejor que la primera
busquen esa progresión mientras que estén en la zona de entrenamiento ya es un trabajo de intensidad
es decir si ustedes arrancan de la de los 200 watt y terminan en lo último de la zona es mejor
que empezar en la parte última de la zona y terminar entre la 200 y ahí es donde yo le empiezo
a enseñar a sentir a conocer la potencia es la experiencia sobre eso habrá otros métodos pero yo
ahí le enseño le empiezo a sentir esa esa percepción de potencia y rp aquí como como lo veo es que
imagina no yo empezamos con el primer entre no de los que pone al 90% vale de la zona de lo que
digamos y mi percepción de esfuerzo es un 8 vale aunque no la aunque no le tengan en cuenta vale
pero pero bueno imagina que es depredista con una percepción de esfuerzo de un 8 sobre 10 luego
le piden 95 y ser deportista pues se pone a un 9 de percepción de esfuerzo y luego le pide el 100
por 100 y ese deportista la hace también te la cumple te las cumple las tres sesiones pero está
dándolo todo eso no implica que el deportista haya mejorado simplemente que se ha esforzado más duro
en las sesiones siguientes que en la primera pero ahí no de ahí no puede decir de ninguna forma por
lo menos por lo menos no de esta forma que el deportista está mejorando no te tienes que tener
algo que no diga hoy el deportista va a más bateos con menos esfuerzo o con el mismo esfuerzo
va más bateos o bueno la he hecho toda la tope pero este entrenamiento pues me hizo 3 por 10 y
en la segunda y en la siguiente me ha hecho 3 por 12 vale pero pero es que en el primero ya lo hizo
a tope pero por eso tengo los test y por eso tengo la eficiencia es decir si la la percepción del
esfuerzo es un es costo beneficio si el costo me subió es decir las pulsaciones me subieron para
producir la misma cantidad que antes me hacían a menos pulsaciones la el esfuerzo que yo requiero
decir el gasto que yo tengo es mucho mayor entonces ahí yo lo que te comparo es la eficiencia
y la potencia más menos eficiencia para mi misma potencia es que el atleta su percepción del
esfuerzo fue menor y después tengo el test es decir yo no me va no me guío por cómo fue
solamente la potencia durante el micro ciclo me guío sobre cómo salió el test y en el caso que
el test ya se ha salido bueno ya estoy estoy notando que mejoró la potencia crítica en tanto
porcentaje si encima eso en la potencia crítica mejoró y su pulso a esa potencia crítica abajo
en la atleta no sólo mejoró la potencia crítica sino es más eficiente sobre esa potencia crítica
sí pero aquí también entra el juego lo que lo sabe perfectamente que al final la eficiencia
tiene mucho margen de error ya no sólo mira ya no voy a decir lo básico no que sería por la
temperatura o que sabemos que cuando estamos más descansados pues la eficiencia más baja porque
el pulso es más es que si comparamos diferentes entrenos entre sí simplemente por la dinámica
de la frecuencia cardíaca por ejemplo porque tarda en subir tendremos que en intervalos más
cortos la eficiencia va a ser mayor que en intervalos más largos aunque no estemos más
en forma simplemente porque los primeros minutos del intervalo el pulso aún está subiendo entonces
por supuesto no ahí sí que sí que lo veo la mejora clara pero creo que se podría beneficiar
mucho el sistema de raíces neuronales si hay de alguna forma o de otra fuésemos capaces de meterle
la percepción de esfuerzo la fatiga el estado de estrés del deportista el estado de ánimo
eso está contemplado el deportista el estrés del deportista lo toma en caso que lo lo toque
el garmin los nuevos garmin guardan el hrb diariamente toman medidas sistemáticas del
hrb en todo tiempo del día y en base a eso generan lo que se generan un estrés parasimpático eso
los que tienen el estrés los que tienen ese tipo de reloj la red neuronal directamente toma ese
valor también tienen la opción que yo últimamente la saqué sobre dolores musculares y eso porque
había mucha mucho error de percepciones no me resultó útil y con respecto a lo que vos me decís
la eficiencia es totalmente cierto bueno yo lo puse en un en un hilo de facebook el otro día que
no podemos comparar entrenamientos un entrenamiento con otro entrenamiento porque hay un montón de
otros factores como decir la temperatura y cuando lo hayan hecho una de las cosas que yo hago el
respecto para reducir ese problema que mencionas y vos tenés razón es siempre recetar los trabajos
de intensidad a cierta hora del entrenamiento que quiere decir esto supongamos que tengo dos
horas de dos horas de ciclismo lo que hago es decir ustedes van a hacer las dos de 20 va a
ser siempre lo último que hagan de cada sesión es decir van a ser una hora 20 de zona 2 endurance
y ahí van a ser las dos de 20 con eso me garantizo que siempre la intensidad está en el último
periodo donde la frecuencia cardíaca se acomodó un poco mejor que si la hago al principio
me seguiste en eso sí sí sí pero estoy totalmente de acuerdo con vos en que comparar
entrenamientos en distinta de distinta época o distinto clima o distintas circunstancias y la
hizo indoor o outdoor es bastante complejo con respecto a lo que vos me decís sobre el estrés
y todo eso todo eso lo contempla la red neuronal en nácor contempla todo eso es nácor se hizo
para los cadgets que tienen todo ese tipo de inferencia no todo ese ese conocimiento de tu
estado del diario lo tiene y lo incorpora pero lo incorpora o sea a través de la variabilidad de
la frecuencia cardíaca no si lo incorpora ahí porque mi experiencia sobre la consulta
yo hice también puse una tabla de decisión de lo que después fíjate mi muro puse una tabla de
decisión un árbol de decisión un árbol de decisión lo que hace es busca las relaciones y
por medio de probabilidades desencadena cómo fue el comportamiento de algo y fíjate que yo
hice un árbol de decisión sobre variables subjetivas y variables subjetivas y se relacionan
perfectamente es decir cuando el atleta dijo que que estaba estresado que estaba cansado en el lote
que no me acuerdo si era un lote de 50 atletas míos o 100 atletas el hrb fue 100% representativo
entonces lo que hice yo fue sacar un montón de cosas que no que no que no me daban resultado
sí sí hombre aquí te digo lo mismo que decía antes no que a veces cuando hay muchos números
en grandes poblaciones la correlación aparece pero que al tomar decisiones solamente de un
deportista y de un día a otro hay esa cor esa relación tienen un margen de ron muchísimo
muchísimo más más grande no te creas eso eso eso puede ser no te digo que es un 100% pero
estamos hablando como dije yo estamos hablando de estimaciones una estimación mientras que esté
superando el 80.08 o el 85 estadísticamente es una buena predicción es una buena estimación y
en el orden del hrb y la percepción del atleta sobre el estrés y sobre cómo se sintió estamos
hablando de mediciones buenas si no me hablé de hrb en la muñeca estamos hablando de una buena
banda cardio donde donde está implementado bien la medida de lant para poder agarrar todo el
ciclo del hrb la frecuencia del hrb estamos hablando de una aplicación buena hrb como puede
estamos hablando de buenas medidas estamos estamos en calidad de datos entre el 91 y 92 en relaciones
estoy hablando de 150 atletas también alan tiene una tiene en su batería de atletas una buena una
buena relación es decir no te creas que están tan variable el asunto cuando haces cuando te vas
al mundo en este caso en este caso particular habría que desde luego habría que verlo no en
cada caso yo te hablo por lo que por la experiencia que tengo con deportistas con por ejemplo con
variabilidad a frecuencia cardiaca y es que hombre si sacas todo el año y sacan medias semanales
probablemente vaya viendo un aumento con el aumento de estado de forma pero o sea de día a día de un
día que se supone que debería estar baja porque el día de antes compitió y le sale alta eso pasa
un montón de veces y viceversa no entonces sé que hay cierta relación y está claro que la
variabilidad es una de tantas cosas que ocurren dentro del organismo que tiene una relación con
la recuperación con la fatiga con el nerviosismo como hablábamos antes con la ansiedad con mil
cosas pero no creo que sea más potente que la propia percepción de fatiga que tiene deportista
por ejemplo cuando cuando se levanta y se ponen estas cosas se pone a trabajar o cuando sales con
la bici ya en las primeras 20 minutos ya sabes si se va activado no vas pero bueno si no bueno
estamos eso es lo que mencionas a lo último también pasa muchas veces no sé si a vos te
habrá pasado es que cuando vos te levantás muy cansado después de los 30 a 35 minutos ya estás
ya estás andando como siempre sobre todo cuando tenés mucha carga vamos a suponer mucha carga
crónica mucho ctl esa fatiga residual que tenés los primeros 30 minutos es como que tenés que
aguantar esos 30 35 minutos estoy hablando sobre experiencia mía y experiencia de un montón de
gente que me comenta esto son 35 minutos nefastos donde uno transpira se sienta mal y después es
como que se switchea y empieza de a poco a mejorar a mejorar a mejorar y si vos ves el hrb de esos son
hrb buenos es decir que en ningún momento te está explicando esa fatiga que sienta esos 30 minutos
cosa que después de esos 30 minutos 40 ponerles el atleta se siente en forma y hace un entrenamiento
perfecto eso también es no sé si te ha pasado pero es una intriga que yo tenía antes de tener
todos estos datos que es lo que me pasa me levanto muy mal me levanto muy mal salgo a rodar la primer
40 minutos me quiero a mi casa me quiero poner una ducha y decir no va más a los 45 cambio el aire
empiezo a sentirme bien y digo bueno ya está y meto un entrenamiento que buenísimo bueno eso me
ha pasado muchas veces y el hrb representa que estaba bien y si yo me decía el hrb de los
primeros 40 minutos este aparato me está mintiendo decía claro si a mí me ha pasado yo creo que en
estadios iniciales de sobre entrenamiento pues bueno aún cuando pasamos este mal rato luego
tenemos un buen rendimiento porque aún no estamos sobre entrenados pero ya eso nos está indicando
es como una alarma no que nos está diciendo oye que sí que a lo mejor hoy te va a recuperar pero
que te queda una semana o sea eso es como una alarma de hoy levanta el pie y eso hay que tenerlo
en cuenta también de alguna forma hay que encontrar la forma de meter ahí lo que pasa en el cuerpo
es deportista lo que controla el cerebro el gobernador central de nuestro cuerpo lo que se
da cuenta de lo que pasa por dentro hay que ser capazes de meterlo en la inteligencia si al
final si queremos que las redes neuronales sean como un cerebro tenemos que meter pues al cuerpo
dentro de la red neuronal no creo que porque al final sabemos que cerebro y cuerpo son solo uno
actúan de forma similar o meter sólo la causa porque vos podés tener relaciones entre entre causas
porque decir por qué buscar esa esa infinidad de situaciones que generan una causa porque no buscar
la causa y qué generosa causa en lo que yo hice es decir en el momento que yo me senté a plantear
esto me encontré con la con lo que vos decís tengo que hacer que la red neuronal sea lo más
parecido un cerebro y en un momento me volví loco tengo que ver fibra musculares tengo que ver
volumen de volumen de los pulmones tengo que ver cuánto bombear un montón de variable dije
vamos directamente a la causa esta causa de las variables más representativas que yo sé que las
puedo medir y que son objetivas llamemos pulso llamemos potencia llamemos hrv llamemos horas de
sueño las puedo medir objetivamente qué causa me da y me da esta causa se repiten en el tiempo
no no se sirve cambio saco horas de sueño y busco calidad de sueño es decir voy a tomar
voy a hacer una métrica de lo que sea sueño ligero con sueño profundo me sirve no me sirve y así
fui buscando las entradas pero me enfoqué en la causa de esas entradas y en la causa sobre
el entrenamiento que generaba en esas entradas tal vez no lo puedo transmitir esto pero quiero
que te enfoques en las causas y no en los efectos de la causa porque si nos nos enfocamos en los
efectos de la causa como decís vos hay hay una inmensidad de efectos que yo no los voy a poder
meter una red neuronal porque por cada día y por cada atleta voy a necesitar una computadora de la
nasa para poder procesar esa cantidad entonces me enfoco en la causa y esa causa que reflejó un
buen entrenamiento sí y al otro día que reflejó un buen entrenamiento sí y la media de tres cuatro
días que reflejó un buen entrenamiento señor cuando el atleta duerme siete horas el hrv está
sobre el nivel de siete el volumen fue dos horas y es y la intensidad promedio fue 80% durante los
tres cuatro días rindió esto y eso y ese conocimiento lo va a ir guardando y va guardando
cada vez más iba a guardar las veces que no pasó las veces que ese entrenamiento con las
mismas condiciones tuvo otra otro efecto iba a guardar todo eso y en base a eso me va a dar la
decisión sí pero gabriel no sé si lo entendí bien pero con causa te refieres a la respuesta
ya por ejemplo en este caso que poníamos antes la causa puede ser la ansiedad y la respuesta
pues la elevación de cortisod por ejemplo no o la bajada del hrv hablaba de en este caso de
tener en cuenta las causas de tener en cuenta la ansiedad las peleas o el entrenamiento o de tener
en cuenta las respuestas fisiológicas de tener en cuenta la respuesta de decir las causas vos
tenés varios varios tenés causa y efecto sobre la red neuronal y tenés las causas y efectos sobre
la sobre el entrenamiento que vos hiciste las causas las causas que vos tuviste sobre la red
neuronal se deben a las entradas que vos elegiste las causas de esa red el efecto de esa red
neuronal son los que tuviste por causas de las entradas que le pusiste la red neuronal y el efecto
que produjo en los cuatro cinco seis o siete días móviles del entrenamiento
perfecto yo te lo hablo así pero esto está bueno verlo en valores y qué valores de predicción
estás teniendo lo que lo que lo que hay que como yo te mencioné en el principio lo que hay que
tratar es buscar la mejor ingeniería de características que a mí me den soluciones viables
sí sí hay aún muchos todavía muchos por qué no por por determinar pero bueno creo que la verdad
llevamos una hora casi una hora y media y como lo hablaremos más no lo va a escuchar nadie así
que así que poco más gabriel no sé no sé si hay algo que hayamos que haya faltado en la entrevista
o que creas que sea interesante por ejemplo bueno una pregunta si ya para terminar que así si si
fuese brevemente que crees que es lo más importante donde más correlación encuentra entre entre
rendimiento y entrenamiento para los deportistas lo que más encuentro es
la relación que más encuentro son horas de entrenamiento con rendimiento
y es decir intensidad y horas de entrenamiento es lo que más
lo que más relación tiene con una buena adaptación y el descanso obvio a atletas que duermen cuatro
horas es imposible que puedan entrenar bien pero es básicamente eso es decir volumen intensidad y
descanso ahí se mueve ahí se mueve el mundo del entrenamiento no el resto es todo todos perillas
finas para que nosotros los entrenadores que estamos a distancia podamos darle lo mejor con
el tiempo que tienen pero la realidad es esa tiempo me encanta sí sí fíjate la vuelta que
hemos dado a todo para al final decir oye que luego lo básico entrenar descansar y repetir
exactamente lo que pasa que nosotros no lo vemos al atleta nosotros tenemos que tratar que no se
lastime que llegue a sus objetivos sin lastimarse entonces tenemos que tener una tenemos que tener
datos de lo que está haciendo vos fíjate que para terminar esto y no seguir dando números vos fíjate
que lo que vos recetas y lo que vos obtenes muchas veces no es lo que vos esperas es decir vos recetas
tal intensidad y obtenes otra intensidad que quiere decir que el entrenamiento que vos das
no es realmente la realidad que vos obtenes muchas veces y bueno y eso lo tenés que conocer y esa
forma de conocerla es llevarla a un número que te quede en el tiempo perfecto pues nada
habría sido un placer tenerte en el posca y para terminar me gustaría pedirte dos cosas una donde
pueden contactar contigo quien esté interesado y segunda que me diga una canción que te guste y
terminamos el episodio con ella bueno yo generalmente pongo todo yo uso mucho facebook para compartir
cosas que voy aprendiendo y que traer crítica para poder mejorarlas mi facebook es gato snow
gato de gato del animal snow de nieve y la canción que más me gusta te puedo decir el grupo que más
me gusta es de cult vale y la canción la elijo yo y la canción elegir a vos porque hay un montón
de canciones que me gusta vale perfecto pues nada un placer tenerte gabriel un saludo igual
manu estamos en contacto saludos a todos
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i
i