En el cambiante mundo del fitness y la tecnología, Strava lidera el cambio con un enfoque innovador para mantener la integridad de sus clasificaciones. Imagina que acabas de terminar una carrera o un recorrido agotador, estás empapado en sudor, con el corazón latiendo con fuerza, y subes tu actividad a Strava. Pero aquí está el truco: ¿cómo garantiza Strava que estos registros sean puros, sin la contaminación de accidentes en coche que podrían distorsionar el panorama competitivo? Descubre la maravilla del aprendizaje automático.
El innovador modelo "Coches en Segmentos" de Strava es un guardián digital que garantiza que cada kilómetro registrado se haya realizado con esfuerzo humano, no con caballos de fuerza. Este modelo analiza minuciosamente cada actividad subida mediante un sofisticado algoritmo que asigna una puntuación de probabilidad de 0 a 1. Si esta puntuación supera cierto umbral, indica que parte del recorrido podría haber sido con motor, lo que invita a los usuarios a ajustar el registro o mantenerlo privado.
Pero ¿cómo funciona esta magia digital? Es más simple de lo que crees, pero su ejecución es brillantemente compleja. Al finalizar la carga, el modelo analiza los datos y extrae más de 57 características distintivas de tu actividad. No se trata de simples números aleatorios; son métricas cuidadosamente calculadas, como promedios de velocidad, variaciones de aceleración e incluso el curioso "jerk": la tasa de cambio de la aceleración.
Una característica particularmente fascinante es el "Coeficiente Sendrix", llamado así por uno de los ciclistas más rápidos de Strava, Jimi Sendrix. Mide la rapidez y frecuencia con la que un ciclista puede acelerar hasta cierta velocidad antes de que se produzca la fatiga, una hazaña que ningún coche podría imitar.
Estas características se ponderan mediante valores SHAP, un método que ayuda a determinar en qué medida cada característica influye en la decisión del modelo hacia "moto" o "coche". Por ejemplo, alcanzar una velocidad máxima de 128 km/h inclinaría considerablemente la balanza hacia "coche", ya que lograr tal hazaña sobre dos ruedas es prácticamente improbable solo con la fuerza humana.
La belleza de este sistema reside en su mecanismo de aprendizaje. Strava ha entrenado su modelo utilizando un clasificador de árbol de decisión con gradiente potenciado con XGBoost, una reconocida biblioteca de aprendizaje automático. Este entrenamiento incluyó miles de actividades, claramente marcadas como con vehículo o exclusivamente impulsadas por humanos. Este riguroso régimen de entrenamiento permite al modelo discernir con una precisión reportada del 81% si un recorrido o carrera ha sido afectado por asistencia mecánica.
De cara al futuro, Strava no se detendrá aquí. Planean implementar modelos adicionales para mejorar la precisión de sus tablas de clasificación, incluyendo la diferenciación entre bicicletas eléctricas y convencionales, y la garantía de que las carreras no se registren erróneamente como recorridos.
Esta iniciativa de Strava no se trata solo de mantener la precisión de una tabla de clasificación, sino de preservar el espíritu de juego limpio en la comunidad atlética global. Es un testimonio de cómo se puede aprovechar la tecnología para mejorar nuestros logros deportivos, garantizando que cada gota de sudor cuente y que cada récord sea una verdadera medida de la resistencia y la fuerza de voluntad humanas.
En esencia, Strava establece un nuevo estándar para la deportividad digital, donde la tecnología y la honestidad van de la mano, inspirándonos a superar nuestros límites de forma justa y honesta. Así que la próxima vez que te pongas las zapatillas o montes la bicicleta, tómate un momento para apreciar al aliado invisible y de alta tecnología que garantiza que tus esfuerzos sean evaluados con precisión, motivándote a seguir luchando por tus mejores marcas personales.
¿Para qué se utiliza el modelo de aprendizaje automático “Autos en segmentos”?
El modelo de aprendizaje automático "Coches en Segmentos" se utiliza para identificar si alguna parte de la actividad subida a Strava se grabó en un vehículo, como coches, motos, trenes o aviones. Esto ayuda a garantizar que solo las actividades válidas de ciclismo y carrera aparezcan en las tablas de clasificación de Strava.
¿Cómo determina el modelo si se registró una actividad en un vehículo?
El modelo calcula una serie de 57 características a partir de los datos de actividad, como la velocidad promedio, la aceleración y otras métricas, para diferenciar entre vehículos y bicicletas. Utiliza estas características para generar una puntuación de probabilidad que indica la probabilidad de que se haya utilizado un vehículo en la actividad.
¿Qué sucede si el modelo identifica un vehículo en una actividad cargada?
Si la probabilidad del modelo de que un vehículo esté presente supera un umbral determinado, la actividad se marca antes de que aparezca en las tablas de clasificación. Se le solicita al usuario que recorte la parte del vehículo o que la actividad sea privada.
¿Qué es el ‘coeficiente de Sendrix’ y cómo se utiliza?
El «Coeficiente Sendrix» es una función desarrollada con Jimi Sendrix, uno de los ciclistas más rápidos del equipo de Strava. Mide la velocidad a la que un ciclista puede acelerar desde cero hasta 32 km/h y cuántas veces puede hacerlo antes de agotarse. Esta función ayuda al modelo a diferenciar los coches de las bicicletas, considerando las limitaciones del rendimiento humano.
¿Qué son los valores SHAP y cómo contribuyen a las decisiones del modelo?
Los valores SHAP se utilizan para explicar la contribución de cada característica a la decisión final del modelo. Indican si una característica es más representativa de un vehículo o de una bicicleta, lo que aporta transparencia a la evaluación de cada actividad por parte del modelo.
¿Cómo se entrenó el modelo de aprendizaje automático?
El modelo se entrenó utilizando un clasificador de árbol de decisión potenciado por gradiente con XGBoost, una biblioteca de aprendizaje automático ampliamente utilizada. Se entrenó con decenas de miles de actividades que incluían vehículos para identificarlas y marcarlas con precisión.
¿Cuáles son los planes futuros para mejorar la integridad de la tabla de clasificación de Strava?
Los planes futuros incluyen el lanzamiento de modelos para evitar que actividades incorrectas en bicicleta interrumpan las clasificaciones de carrera y para diferenciar entre bicicletas eléctricas y recorridos regulares. Strava también reprocesará los 10 mejores resultados para garantizar la precisión y la imparcialidad.
Fuente: https://stories.strava.com/articles/removing-cars-from-leaderboards
Descubre productos únicos con temática de triatlón, como elegantes camisetas, pegatinas, fundas para móvil y decoración para el hogar, ideales para atletas y entusiastas de los deportes de resistencia. ¡Compra ahora!
