Cómo el aprendizaje automático desbloquea los secretos del movimiento humano – y da una nueva forma a los deportes profesionales
Es otra ocupada mañana en el laboratorio. Doce de los mejores jugadores de basquetbol en el planeta son, cada uno, un paquete de esperanza y acción.
Mientras el sonido del hip-hop llena el laboratorio, el grupo entrena sin tocar una sola pelota de basquetbol, saltan de manera individual de lado a lado en una pista techada, se elevan sobre una caja de tres pies de alto, y lanzan balones medicinales contra una pared. Sin embargo, un atleta produce tanto sudor como datos – salta, levanta y acelera mientras cámaras conectadas a la nube registran cada uno de sus movimientos en Peak Performance Project (P3) en Santa Bárbara, California.
Todos estos 12 atletas universitarios esperan disfrutar una larga carrera en la NBA. Y lejos del P3, muchos analistas deportivos también tienen la certeza de saber cuáles de estas promesas del Draft de la NBA se convertirán en leyenda, en un valioso iniciador o en un contribuidor clave desde el banco.
Pero de acuerdo con miles de puntos de datos biomecánicos capturados por las cámaras especiales del laboratorio, muchos de los pronósticos externos serán cortinas de humo. De acuerdo con lo que revelan los datos, algunos de los atletas se retirarán después de algunas temporadas para el olvido, algunos sufrirán lesiones que terminarán con sus sueños sobre el aro, y algunos prospectos con una clasificación más baja sorprenderán a los expertos y alcanzarán el estrellato en la NBA.
Nada de esto es noticia para el único hombre que se mantiene quieto dentro del bullicioso laboratorio. El doctor Marcus Elliot, médico capacitado en Harvard y fundador de P3, ha visto los datos y, cree, también el futuro.
“Entendemos a estos atletas y cómo se van a desempeñar en una cancha de la NBA antes de que la pisen”, comentó Elliott.
“Todos estos chicos que pasan por el Draft de la NBA – incluidos Zion Williamson y R.J. Barrett de Duke (Universidad) – han venido a vernos desde que tenían 16, 17 años. Con nuestros datos, les podemos dar modelos de riesgo de lesión y modelos de desempeño para ayudarlos a guiar el desarrollo de su carrera”, comentó Elliott. “Nadie tiene esta información biomecánica sobre ellos. Tenemos años de ella”.
“Es una vista increíble”.
Inaugurada en 2006, P3 es la primera instalación en aplicar un enfoque más dirigido por datos para entender cómo se mueven los competidores de élite. Utiliza estrategias avanzadas de ciencias del deporte para evaluar y entrenar atletas en formas que van a revolucionar a los deportes profesionales – y, de manera eventual, los cuerpos y habilidades de los guerreros del fin de semana, mencionó Elliott.
“Los desafiamos y los medimos. Pero no estamos interesados en qué tan alto saltan o qué tan rápido aceleran”, comentó Elliott. “Estamos interesados en la mecánica de su salto, cómo aceleran y desaceleran. Esto nos ayuda a desbloquear los secretos de los movimientos humanos”.
Al trabajar de manera directa con jugadores y sus agentes o familias, P3 ha evaluado a miembros de las pasadas seis generaciones del draft de la NBA, para conjuntar una base de datos de más de 600 atletas actuales y pasados de la NBA.
Algunos de los clientes de P3 incluyen a estrellas de la NBA como Luka Doncic y Zach LaVine, además de atletas de la NBA, Major League Baseball, futbol internacional, pista y campo, y más.
Muchos de esos clientes de la NBA, como el guardia de los Philadelphia 76ers Josh Richardson, regresan a P3 cada verano para volver a realizar pruebas que determinen si sus patrones de movimiento han ganado asimetrías que pudieran causar una lesión, o confirmar de nuevo la salud de los sistemas físicos que utilizan para saltar, parar y arrancar, lo que alimenta su ventaja en la cancha.
“Esta es mi quinta pretemporada ahora en P3”, comentó Richardson. “Cuando comencé con ellos durante mi preparación para el draft en la NBA, vi de inmediato que su enfoque era diferente y que podría ayudarme a tener la mejor oportunidad de mejorar mi nivel atlético. Cada pretemporada puedo ver justo dónde estoy a nivel físico, comparado a dónde estaba antes, y en comparación con otros jugadores de la NBA.
“Son capaces de ayudarme a identificar dónde podría tener riesgo de lesión y dónde puedo mejorar a nivel físico. Es importante para mí saber que el entrenamiento que realizo es específico para mis necesidades únicas”, mencionó Richardson.
Para recolectar todos esos datos granulares, P3 equipó su laboratorio con un sistema de cámaras de alta velocidad fabricadas por Simi Reality Motion Systemas GmbH, una compañía alemana parte de ZF Group y que también es socia de Microsoft.
Simi ofrece un software de captura de movimiento sin marcadores que elimina la necesidad de que los atletas utilicen sensores de rastreo mientras juegan o entrenan. Simi también trabaja con siete equipos de la Major League Baseball, para desplegar sistemas de cámaras de alta velocidad en sus estadios para registrar cada lanzamiento durante cada juego desde la temporada 2017.
El software de Simi digitaliza los ángulos del brazo del pitcher y los movimientos corporales relacionados, que abarcan 42 diferentes centros de articulación a través de 24 mil lanzamientos enviados por equipo, por temporada. Esto produce cientos de miles de millones de puntos de datos que son subidos y procesados en Microsoft Azure, lo que permite a los equipos crear un análisis biomecánico a profundidad para los jugadores, comentó Pascal Russ, CEO de Simi.
“El primer equipo que implemente esto de manera efectiva en el campo para elegir alineaciones o para ver qué ángulos de lanzamiento funcionaron bien contra cuáles bateadores, verá una enorme separación entre ellos y los otros equipos que no lo utilizan”, mencionó Russ.
“Tiene una precisión sorprendente”.
Mientras que Russ visualiza que de manera eventual esta tecnología va a rehacer al baseball, esos radicales cambios ya han comenzado a suceder en la NBA a través de las evaluaciones a jugadores por parte de P3, comentó Benedikt Jocham, jefe de operaciones de Simi para Estados Unidos.
“Brindamos la solución de software que puede cuantificar el movimiento analizar, por ejemplo, cuánta presión y torque pone una persona en varias partes del cuerpo”, mencionó Jocham. “P3 agrega el ingrediente secreto. Ellos son unos magos en descubrir qué significa todo eso y darle sentido para los atletas”.
Después de que las cámaras registran los movimientos de un jugador en el laboratorio de P3, esos conjuntos de datos son cargados en Azure donde los algoritmos de aprendizaje automático revelan cómo los sistemas físicos de ese jugador se relacionan más a otros jugadores de la NBA que fueron evaluados de manera similar. Luego, el algoritmo asigna a ese jugador a uno de los varios grupos o ramas que predicen cómo se podría desarrollarse su carrera en el basquetbol, comentó Elliott.
Una rama, por ejemplo, contiene a atletas que tuvieron una breve experiencia en la NBA y nunca se volvieron jugadores significativos. Otra rama abarca a los jugadores que tuvieron un impacto durante sus primeras tres o cuatro temporadas y luego sufrieron serias lesiones que disminuyeron sus habilidades. En otra, los jugadores comparten raras combinaciones de longitud, poder y fuerza que alimentaron carreras de élite – y se mantuvieron sanos.
“El ojo humano es bueno para medir tamaño y tal vez peso estimado, y muy malo para comparar sistemas físicos de los atletas y simetrías de movimiento entre ellos”, mencionó Elliot. “Pero podemos medir esas cosas en el laboratorio y la máquina nos dice las similitudes entre los atletas jóvenes”.
“Es un sólido punto de apoyo en un área de las ciencias del deporte que había pasado desapercibido hasta ahora”, comentó.
Los datos también ayudan a romper con las añejas teorías de que los jugadores exitosos de la NBA que, a primera vista, carecen del tamaño, la habilidad para saltar o la rapidez de las estrellas tradicionales sólo compensan al aprovechar intangibles que no se pueden medir como “intuición” o “IQ” o “corazón”.
“Así es como la gente habría definido a James Harden (jugador más valioso de la NBA en la temporada 2017-2018), como alguien que tiene este IQ super alto para el basquetbol”, mencionó Elliott. “Tal vez lo tiene. Pero también tiene un mejor sistema de parada o freno que cualquiera en la NBA que hayamos evaluado”.
“Eso crea ventajas competitivas”, agregó. “Existen física newtoniana detrás de esas ventajas”.
Caso en cuestión: Luka Doncic, novato de los Dallas Mavericks. En su evaluación previa al draft de Doncic, en 2018, P3 identificó la misma métrica de desempeño escondida – la habilidad de élite de detenerse de manera rápida. P3 sabía, antes del Draft de la NBA, que Doncic y Harden estaban en la misma rama de jugador. Doncic registró una sorprendente primera temporada como profesional.
La información también ayuda a los atletas a evitar lesiones al adoptar nuevas técnicas de entrenamiento para cambiar patrones de movimiento poco saludables revelados en los datos, mencionó Elliott, que antes fungió como el primer director de ciencias deportivas en la MLB (para los Seattle Mariners) y como el primer director de ciencias del deporte en la NFL (para los New England Patriots).
Cada jugador de la NBA o prospecto para el draft evaluado por P3 recibe un reporte que resalta sus riesgos de lesión y los compara con colegas en la liga basado en su desempeño.
“Los atletas vienen a nosotros porque confían en que vamos a cuidar mejor sus cuerpos a como lo harían en otro lugar”, comentó Elliott. “De manera tradicional, y todavía hoy, cuando esas cosas malas les pasan a los jugadores, todos dicen, ‘Esa fue una fea lesión’. Yo les puedo decir que los modelos de aprendizaje automático predicen muchas de ellas”.
“No puedo imaginar un mundo donde de la nada sufres, digamos, una fractura por tensión en la tibial derecha – no en la izquierda, no en el fémur, en tu tibia, de la nada”, agregó. “Sin duda, no se trata de eventos aleatorios. Las ciencias del deporte no han sido buenas para identificarlas”.
De manera eventual, esta misma información podría estar disponible para atletas amateur y para todo mundo, comentó Elliott. Las mismas tecnologías podrían predecir, por ejemplo, que un guerrero de fin de semana tiene mucha fuerza en la pierna izquierda mientras salta o aterriza además de una pequeña pero poco saludable rotación de su rodilla izquierda y su fémur, lo que causa mucha fricción y, de manera eventual, una erosión del cartílago de la rodilla izquierda.
“¿Qué pasa si identificaras eso cuando tienes 30 o 20, en lugar de aprenderlo cuando tienes 50 y ya no tienes cartílago? Ese es el futuro”, mencionó Elliott.
“El poder del aprendizaje automático y la inteligencia artificial (de Microsoft) van a ayudarnos a desbloquear esos secretos en formas que no existían. En la actualidad ya lo realizamos, pero se encuentra en la etapa inicial de lo que va a revolucionar este espacio”, comentó. “Ya viene. En definitiva, ya viene”.
Foto principal: Stanley Johnson, delantero de New Orleans Pelicans de la NBA, se mueve de manera lateral dentro de una banda de ejercicio en el laboratorio de P3. (Todas las fotos cortesía de P3).