Lauftraining 2.0?: KI-Trainingspläne richtig nutzen (+9 Tipps)

Künstliche Intelligenz revolutioniert die Welt des Sports: Immer mehr Athlet*innen verlassen sich auf smarte Technologien zur Erstellung ihrer Trainingspläne und zum Tracking ihrer Leistungsdaten.

Doch wie gut sind diese digitalen Helfer wirklich? Unser Artikel beleuchtet die Stärken und Schwächen von KI im Sport und zeigt, worauf du bei der Nutzung achten solltest, um das Maximale für dich herauszuholen.

Legen wir los!

KI und Sport: Eine wissenschaftliche Analyse

Die Nutzung digitaler Technologie zur Erstellung von Trainingsplänen und zum Tracking von Leistungsdaten hat durch die Vervielfältigung von KI-Technologien in den vergangenen Jahren rasant an Fahrt aufgenommen. In kaum einer Sportart sind smarte technische Helfer noch wegzudenken.

Überblick über die Nutzung von KI im Sport

Beim Blick auf wissenschaftliche Forschungsergebnisse zum Thema KI im Sport zeigt eine systematische Literaturübersicht mit 109 eingeschlossenen Studien, dass die grundsätzliche Nutzung von KI neben Fußball im Bereich Laufsport mit am größten ist (Rajšp & Fister, 2020).

Hierbei wird unterschieden, ob die Leistungsdaten einfach nur getracked und gespeichert werden können oder ob bei der tatsächlichen Trainingsplanung KI-Intelligenz zum Einsatz kommt. Sucht man bei Google nach Trainingsplänen zur Erreichung bestimmter Zielzeiten bei Marathon und Halbmarathon oder der Gewichtsreduktion, wird man bei verschiedenen Anbietern schnell fündig. Derzeit häufen sich hierbei Trainingspläne und -konzepte, die durch KI erstellt und maschinelles Lernen entwickelt wurden. Bei den meisten Anbietern sind Einstiegspläne kostenlos und es reichen bereits wenige Auskünfte wie Körpergröße, Gewicht, Alter, Geschlecht und Anzahl der gewünschten Trainingstage, um sich einen vermeintlich individualisierten Wochen- und Monatsplan generieren zu lassen. Das klingt nicht nur verlockend, sondern spart ebenfalls Kosten für einen Trainer bzw. Trainerin!

Die Qualität von KI-generierten Trainingsplänen

Erste Eindrücke: Wie gut sind KI-erstellte Pläne wirklich?

Auf den ersten Blick wirken die erstellten Lauf- oder auch Fitnesspläne überraschend gut strukturiert und professionell konzipiert. Die Open AI Plattform Chat GPT rät sogar zu Beginn eines systematischen Trainings einen Arzt bzw. eine Ärztin zu konsultieren, um wirklich sicherzugehen, dass man gesundheitlich fit ist, bevor man startet. Das klingt erstmal gut durchdacht, ist jedoch weniger der „Intelligenz“ des Systems geschuldet, sondern rührt daher, dass sich die gegebenen Empfehlungen natürlich aus „menschlichem“ Wissen im Netz speisen, welches in Form von trainingswissenschaftlichen Büchern, sportwissenschaftliche V-/Blogs und Wikipedia Artikeln für die KI online verfügbar ist. Bei Trainings- und Lauf-Apps steht eine auch medizinische Anamnese am Beginn einer systematischen Trainingsplanung und -steuerung (oftmals „Check-up“ genannt). Die KI Content Plattform Jasper Chat liefert obendrein Quellenangaben zu gemachten Empfehlungen, so dass diese auf ihren Ursprung hin zurückverfolgt werden können. Dadurch kann durch Nutzer*innen selbst die Güte der Primärquellen hinterfragt werden.

Die Grenzen der künstlichen Intelligenz in der Trainingsplanung

Nichtsdestotrotz tritt bei dem Rückgriff auf solche Pläne in den meisten Fällen ein sog. „Missmatch“ der gemachten Empfehlungen zum durchführenden Athleten bzw. Athletin auf, da die KI natürlich nicht auf personenspezifische Besonderheiten eingehen kann.

Besonders im Bereich der individualisierten Trainingspläne stößt das AI-System an seine Grenzen. Wenn man zum Beispiel bei Chat-GPT eine Anfrage für einen 8-Wochenplan für Anfänger zur Marathonvorbereitung erstellt, was aufgrund zu kurzer Vorbereitungszeit ganz klar eine wenig sinnvolle Anfrage wäre, folgt kein Hinweis auf eben diese oder gar eine erhöhte Verletzungswahrscheinlichkeit, stattdessen bekomme ich eine Trainingsplan mit konkreten Übungshinweisen in einer 4- Wochen Staffelung. In einem alternativen Versuch mit dem Ziel des Gewichtsmanagements kann mit dem Fallbeispiel einer Frau zwischen 20-30 Jahren und einem Gewicht von 53 Kilogramm bei einer Körpergröße von 175 cm (BMI 17,3 = Untergewicht) einen Trainingsplan zum Abnehmen erstellen lassen, um ein Zielgewicht 45 Kilogramm zu erreichen, was generalisiert gesprochen ebenfalls keine sinnvolle Empfehlung wäre. Ich bekomme in Sekundenschnelle von Chat-GPT einen Laufplan mit zusätzlichen ausgearbeiteten Workouts und dem Hinweis auf eine notwendige Ernährungsumstellung, abgestimmt auf mein Trainingsziel – was natürlich ein „richtiger“ Trainer bzw. Trainerin eher nicht raten würde.

Die Beispiele sollen illustrieren, dass bei Chat GPT & Co. keine analytisch-logische Kompetenz vorhanden ist, die die Anfragen adäquat einordnen und fundierte Einschätzungen geben kann, obwohl die Interaktion zwischen mir und der KI fast menschlich wirkt.

Menschliche Expertise trifft KI – Die perfekte Kombination?

Die Rolle von Trainern und Sportwissenschaftlern

In Kombination mit menschlicher Expertise von Trainer*innen und Sportwissenschaftler*innen kann KI jedoch zukünftig einen entscheidenden Mehrwert in der Trainingsplanung und -steuerung bieten. Die Berücksichtigung des Biofeedbacks in der Planung und systematisierten Trainingsdatensammlung bildet eine wichtige Grundlage zur guten Passung auf den/die Athletin und zur Verletzungsprävention. Wenn viele aktuelle Trainingsdaten einer Person für die KI verfügbar sind, können individuelle Trainingsaspekte sinnvoll in die Planung integriert werden und die Trainingsplanung mittels Deep Learning Mechanismen feinmaschiger modifiziert werden, um somit besser auf die betreffenden Athlet*innen zugeschnitten werden zu können. Wenn ich also ein Training verpasst habe, weil ich z.B. krank oder beruflich unterwegs war, passt die KI das nächste Training entsprechend an.

Handlungsempfehlungen für den Einsatz von KI im Leistungssport

Prof. Dr. Asteroth (Hochschule Bonn-Rhein-Sieg) hat im Hinblick darauf für das Bundesinstitut für Sportwissenschaft (BISp) eine Expertise mit dem Titel „Einsatzgebiete von Künstlicher Intelligenz (KI) im Spitzensport“ erarbeitet, welche Handlungsempfehlungen für den Einsatz von KI im Leistungssport gibt. Hierbei wurden auch jene KI Systeme berücksichtigt, die Bio-Feedback der Nutzer*innen zur fortwährenden Modifizierung der Trainingsplanung in die Trainingssteuerung integrierten und diese im Sinne des Deep Learnings somit immer präziser auf die betreffenden Athlet*innen und deren Trainingsroutinen adaptiert. Abbildung 1 zeigt Herausforderungen, die im Trainingsprozess unter Nutzung von KI von Prof. Asteroths Team identifiziert wurden.

Technische Herausforderungen bei der KI-Nutzung im Sport

Datenqualität und technische Anforderungen

Es muss zunächst sichergestellt sein, dass die gemessenen Daten über Wearables und Apps richtig erfasst und korrekt verarbeitet wurden (Siehe Abbildung 1, Step 1 Sense). Wer hierbei zum Beispiel an gemessene GPS-Streckendaten denkt, bei welchen die Internetverbindung schwach war, oder die Variation von Herzfrequenzdaten je nach Uhr bei Messung am Handgelenk kennt, weiß, dass hierbei bei vielen (vorallem günstigeren) Anbietern noch Verbesserungspotential zur validen Datenaufnahme besteht. Auch ob sich z.B. bei Handgelenksmessungen unter dem LED-Sensor Schweiß sammeln kann oder die Datenerfassung durch stärkeren Haarwuchs oder Tattoos oder Kratzer unter dem Sensor beeinträchtigt werden kann, sorgt für Variation bei den Messungen.

Feedback-Loops in der Trainingssteuerung

Weiterführend muss vom technischen System abgeglichen werden können, ob der Athlet oder die Athletin konkret an Training des zuvor erstellten Plans absolviert hat, um in einem sog. Feedback-loop das zukünftige Training gemäß der erfassten Leistungsdaten zu adaptieren (ebd.). Dies kann bereits seit längerem durch die Synchronisation von Smartwatch-Daten z.B. mit TrainingPeaks oder Strava unkompliziert erreicht werden und erstellte Aktivitäten als abgeschlossen gekennzeichnet werden.

Um einen bestehenden Plan jedoch anhand von Leistungsdaten in Echtzeit durch die KI anpassen und sinnvoll modifizieren zu können, ist es vor allem wichtig, dass die verwendeten Anpassungsmethoden der KI für Trainer*innen und Athlet*innen nachvollziehbar werden, damit ihre Vorgehensweise durch die Brille der Fachkräfte aus dem Sport transparent bleibt. Als Trainer*in muss ich mit logischem Sachverstand nachvollziehen können, wieso die KI nach einem bestimmten Input jenen weiteren Trainingsreiz setzt und dies auch korrigieren können. Wenn dieser Verifizierungsschritt nicht erfolgt, produzieren selbstlernende Systeme fortwährend Empfehlungen auf Basis von nicht überwachten Lernmethoden, deren Beweggründe für die Fachkräfte aus dem Sport nicht nachvollziehbar sind und die Athlet*innen tatsächlich nicht in ihrer Individualität greifen können.

In der Expertise von Prof. Dr. Asteroth und seinen Kollegen wird ist dies als „unsupervised learning“ bezeichnet und als der fehlende Baustein, um die konkreten Vorhersagen der maschinellen Lernprozesse der Systeme nachzuvollziehen. Bei schlechten Plänen kann dadurch die Verletzungsanfälligkeit der Athlet*innen um ein Vielfaches erhöht werden, wenn wie im Beispiel im Rahmen einer Marathonvorbereitung die Trainingsumfänge und -intensitäten auf Basis falscher Leistungsdaten im Rahmen der KI-Lernprozesse gesteigert werden.

Praktische Anwendungen und Erfahrungen mit KI im Laufsport

Beliebte KI-Tools im Laufsport

Beliebte KI-Anwendungen zur Erstellung von personalisierten Trainingsplänen im Laufsport sind z.B.

• der Garmin Coach (adaptive Trainingspläne für 5 Km, 10, Km, HM),
• die TrainAsOne Software,
• Run With Hal,
• Runkeeper,
• Running Coach und auch seit einiger Zeit der
• Enduco KI-Coach.

Bei Garmin bekommt man bei unrealistischen Zielzeiten zumindest die unmittelbare Rückmeldung des Systems, dass das gesetzte Ziel anspruchsvoll gesetzt ist.

Zusätzlich gibt es Einstufungsläufe, in welchen grundlegende Belastungs- und Erholungsdaten erhoben werden, um der Trainingsplanung tatsächliches Biofeedback zugrunde zu legen. Bei TrainAsOne wird der Wetterbericht berücksichtigt. Meist werben auch prominente Sportler*innen für die Produkte bzw. unterstützten mit ihrem trainingspraktischen Know-How bei der Konzeption.

Soweit so gut.

Probleme und Herausforderungen in der Praxis

Meist sind in den Free-Versionen der Systeme die Funktionen der Trainingspläne jedoch leider deutlich eingeschränkt, die zahlungspflichtigen Versionen dann häufig direkt deutlich teurer. Die Firma Enduco kündigte kürzlich an, dass sie sich künftig ganz auf ihre zahlungspflichtige Version konzentrieren wird.

Was sich wiederholt bei verschiedenen KI-Anwendungen im Nutzer*innen-Feedback widerspiegelt, ist die Fehlermeldung #Accuracy/Genauigkeit/#fehlerhaft/wrong“. Hierbei kommen verschiedene Lauftracker bei gleicher Messung zu unterschiedlichen Ergebnissen, jedoch separat mit angeblich hoher Genauigkeit.

Wenn Trainings unter Realgegebenheiten nicht genauso abgeschlossen wurden wie geplant, melden Systeme zum Beispiel zurück, dass der „Workload zu niedrig oder die Ermüdung zu hoch war“ und verkomplizieren die weitere Trainingsplanung dadurch insofern, so dass die Deckung zwischen den geplanten und real absolvierten Trainings zunehmend auseinanderklafft. Ebenso werden die nachfolgenden Kalkulationen und Adaptationen dadurch zunehmend ungenauer und verlieren weiter an Passung. Adaptiv und dynamisch sind diese dann immer weniger, trotz teilweise hoher Abopreise – wodurch Frust bei den Sportler*innen entsteht.

Den adaptiven KI-Coaches droht, dass sie so das Vertrauen der Nutzer*innen verlieren, da der Eindruck entsteht, dass Trainingsempfehlungen „von einer verwirrten KI gewürfelt werden“ oder es sich aus Sicht der Nutzer*innen lediglich „um Standardpläne handelt, in denen geringfügig die Zahlen verändert wurden“ (Rezensionen bei gängigen Anbietern). Auch Zwischenbilanzen nach gewissen Trainingszeiten, die Rückschlüsse geben, wie sehr man auf dem Erfolgs- oder Holzweg ist, wünschen sich viele Athlet*innen, die mit KI-Coaches trainieren. Insbesondere deshalb, weil man die Passung der adaptiven Trainingsplanung prüfen will, da das Vertrauen in die Systeme noch sehr fragil ist.

Die tatsächliche Güte der gemachten Empfehlungen und Adaptationen der KI bleibt den Nutzern derzeit zudem meist vorenthalten (War die Modifikation der KI wirklich richtig? Trainiere ich weiterhin wirklich nach Plan?). Die meisten Trainingsapps machen ihre zugrundeliegenden Programmierungsalgorithmen nicht öffentlich und ermöglichen somit nicht die Nachvollziehbarkeit und Verifizierbarkeit der zugrundeliegenden Mechanismen für Dritte. Dies ist nachvollziehbarer Weise auch dem Wettbewerb der Anbieter geschuldet, fördert aber nicht das Vertrauen der Nutzer in die Systeme und die Kontrolle über die Daten für Fachkräfte im Sport.

Gemäß Hammes, Hagg, Asteroth & Link (2022) fehlt aktuell meist genau dieser letzte Schritt der Re-evaluation, um die Schleife zu einer aktuell wirklich sinnvollen und veritablen Anwendung zu Ende zu führen. Die Kontrolle über die Empfehlungen der KI sollte immer noch der Mensch selbst behalten, daher ist die Nutzung von KI-gesteuerter Trainingsplanung nur in Kombination mit menschlicher Expertise im Trainingsprozess ratsam.

Der nächste Schritt: Explainable AI und die Zukunft der Trainingsplanung

Der nächste Entwicklungsschritt sollte gemäß den Autoren der BISp-Expertise eine „Explainable AI“ sein, die allgemeinverständlich nachvollziehbar macht, wie das System zu seinen Vorhersagen und Empfehlungen kommt. Nur so kann die Güte der ausgesprochenen Empfehlungen und des Lernprozesses der KI sinnvoll durch kompetente Trainer*innen und Sportwissenschaftler*innen geprüft werden. Es werden künftig sicherlich KI-basiert hochgradig nützliche adaptive Trainingspläne entwickelt werden können. Aber bis dahin gilt es vorerst, das Training der KI selbst adäquat zu steuern.

Für dich als Läuferin oder Läufer empfiehlt es sich, die Testversionen der bereits favorisierten App zu erproben und stetig zu hinterfragen, ob die angebotene Trainingsplanung mit deinen eigenen Vorstellungen kompatibel ist.

Und dann besprich mit deinem Trainer oder deiner Trainerin des Vertrauens die Trainingsplanung unter Nutzung der App.

Und nun zu unseren 9 praktischen Tipps, damit du KI zur Erstellung eines Trainingsplans optimal nutzen kannst:

Weiterführende Media-Empfehlungen zum Thema

Hajj-Boutros, G., Landry-Duval, M.A., Comtois, A.S., Gouspillou, G., Karelis, A.D. (2023). Wrist-worn devices for the measurement of heart rate and energy expenditure: A validation study for the Apple Watch 6, Polar Vantage V and Fitbit Sense. European Journal of Sport Science, (23/2). Zugriff unter https://doi.org/10.1080/17461391.2021.2023656

Podcast-Papertalk @SportsandScicence -Sportwissenschaft für die Praxis „Können Smartwatches die VO2MAX messen?“ Gespräch Prof. Billy Sperlich mit Peter Düking und Bas van Hooren (Spotify)

Quellen

Bütow, S. (2023). KI in den Kinderschuhen – wie hilfreich sind Trainingspläne von ChatGPT & Co? Zugriff unter: https://www.ispo.com/health/kuenstliche-intelligenz-vs-personal-trainer

Hagg, A., Asteroth, A. Rasche, C., Bach, K., Pfeiffer, M. (2021). Künstliche Intelligenz für den Spitzensport im Spannungsfeld zwischen Big und Small Data. Bundesinstitut für Sportwissenschaft (BISp) (Hrsg.). Köln: Sportverlag Strauß. Zugriff unter https://www.bisp.de/DE/Home/Shiny_Projects/KI_Expertise.html

Hammes, F., Hagg, A., Asteroth, A. & Link, D. (2022). Artificial Intelligence in Elite Sports—A Narrative Review of Success Stories and Challenges. Front. Sports Act. Living, Volume 4. Zugriff unter https://www.frontiersin.org/articles/10.3389/fspor.2022.861466/full#B15

Rajšp, A., & Fister, I. (2020). A Systematic Literature Review of Intelligent Data Analysis Methods for Smart Sport Training. Applied Sciences, 10(9), 3013; Doi:10.3390/app10093013.Zugriff unter https://www.mdpi.com/2076-3417/10/9/3013