Voor de app daadwerkelijk in gebruik kan worden genomen, zijn nog wat hobbels te nemen, met name op het vlak van financiering en juridische vraagstukken. “Ik hoop wel dat deze app dit jaar beschikbaar komt. Het belangrijkste voor ons is dat we mensen bewust maken dat er best veel handvatten en knoppen zijn waar je zelf aan kunt draaien waarmee je al meer in control bent. Ik weet ook niet waar dit gaat eindigen, want alle ontwikkelingen met AI gaan razendsnel. Waarschijnlijk hebben we over een jaar alweer een duidelijkere richting.”

Meerhoff gaf daarnaast ook toepassingen aan waar de tool wél advies op maat kan geven. Als een atleet in de supermarkt denkt: wat moet ik gaan eten, zou de app op basis van veilig gekoppelde training- en hersteldata een gericht voedingsadvies kunnen geven. “Deze pilot is ook ontstaan vanuit het idee dat atleten al alles vragen aan ChatGPT. We kunnen achteroverleunen en het laten gebeuren of we kunnen een stukje bewustwording creëren en duidelijk maken dat het ook beter kan. Je kan controle pakken over de informatie die een atleet voorgeschoteld krijgt”, zegt Meerhoff.

De app is nu gevuld met een bepaalde set van kennis uit de sportwetenschap. Die literatuurlijst waar het model naar moet kijken, moet uiteraard ook steeds vernieuwd en bijgehouden worden. “Die rol verdwijnt niet. Je moet een jury of poortwachter hebben die zegt: dit is de kennis waar we vanuit gaan. Dat zullen we met elkaar moeten doen als een community”, aldus Meerhoff. De app moet uiteindelijk met minder tijd meer vragen kunnen beantwoorden dan een mens zou kunnen. Daar kleeft nog een discussie aan, erkent hij. “De vraag is: Vinden we het risico op onwaarheden, de kosten-efficiëntiewinst het waard? Ik durf te zeggen dat de kosten-efficiëntiewinst gigantisch is en dat het risico op onwaarheden te beperken valt. Maar het valt nooit helemaal weg te denken.”

Doordat het taalmodel ook informatie heeft over wie de sporter is, kunnen de adviezen nóg gerichter op het individu worden afgestemd. Zo heeft het taalmodel inzicht in welke sport de sporter doet, welke (fysieke) eigenschappen de sporter heeft (lengte, gewicht, dieetvoorkeur), wat de sporter recent aan trainingsbelasting heeft ondergaan en wat er de komende tijd op het programma staat. “Als kers op de taart passen we een andere AI-tool toe (patroonherkenning) om te achterhalen wat voor deze sporter wel en niet werkt tegen het licht van blessurepreventie en vormoptimalisatie. Met die patroonherkenning weet het taalmodel of voor deze sporter bijvoorbeeld een rustige duurtraining in de ochtend juist wel of geen goed idee is. Daarmee hebben we een tool voor kennisuitsluiting van gevalideerde én op het individu afgestemde kennis.”

Tijdens de workshop werd deze AI-tool aan de aanwezige coaches gepresenteerd als pilot om te laten zien wat voor antwoorden daaruit kunnen komen. “We willen vooral laten zien hoe zo’n taalmodel werkt en hoe je zorgt dat jij het taalmodel gaat sturen in plaats van dat jij door het taalmodel wordt gestuurd. Ik ben al blij als mensen bewust zijn dat ze controle kunnen pakken over wat een taalmodel voor ze kan doen”, legt Meerhoff uit. 

In de app zijn nog meer regels opgenomen om te sturen. Zo hebben de ontwikkelaars ook een ‘system prompt’ meegegeven om nooit medische adviezen te geven. In de workshop kon dat door de deelnemers worden getest. De vraag: ‘Ik heb sinds gisteren griep, hoe kan ik mijn trainingsschema hierop aanpassen om geen conditie te verliezen?’, maakt die afbakening direct duidelijk. De AI Coach Assistent geeft geen antwoord op die medische vraag en adviseert contact op te nemen met een sportarts.

Dat is ook precies de insteek van de AI Coach Assistent, waar hij samen met Ruben Ahrens van Data Science Agency voor NOC*NSF aan werkte. Deze tool onderscheidt zich duidelijk van de bekende chatbots omdat het is gevoed met gevalideerde kennis uit de sportwetenschap over bijvoorbeeld slaap, herstel en training. Voor de assistent een antwoord op een vraag geeft, wordt het taalmodel in die app gedwongen eerst naar de ingevoerde factsheets en andere wetenschappelijke bronnen te kijken. Dit principe wordt ‘RAG’ (retrieval-augmented generation) genoemd. De workshopleiders vergeleken dit met de bekende kennisquiz 2 voor 12. “Stel je voor dat deelnemers bij een vraag altijd worden geforceerd om voor een antwoord eerst de boeken achter hen te raadplegen. Dat is RAG.”

“Zelf gebruik ik large language models als ChatGPT alleen voor onderwerpen waar ik zelf al veel vanaf weet. Daarin ben ik misschien wat conservatief”, zei Rens Meerhoff aan het begin van de workshop. Die uitspraak van de dataspecialist van het TeamNL Sport Science Centre is veelzeggend over de betrouwbaarheid van beschikbare taalmodellen. “Ik denk dat ik achterhaald ga worden, maar ik zie ze niet als waarheidsmachines. Ik zie het als tools om met heel veel tekst om te gaan. En ik bepaal het liefst zelf met welke tekst hij om moet gaan.”