{"id":457546,"date":"2025-12-23T10:03:23","date_gmt":"2025-12-23T09:03:23","guid":{"rendered":"https:\/\/www.aivancity.ai\/blog\/?p=457546"},"modified":"2026-03-11T08:55:26","modified_gmt":"2026-03-11T07:55:26","slug":"ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive","status":"publish","type":"post","link":"https:\/\/aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/","title":{"rendered":"IA et GABP, un duo scientifique pour mesurer et pr\u00e9dire la performance sportive"},"content":{"rendered":"\n

La pr\u00e9paration physique ne se limite plus \u00e0 encha\u00eener des s\u00e9ances en esp\u00e9rant que la charge globale soit adapt\u00e9e, elle devient un probl\u00e8me de mod\u00e9lisation fine des r\u00e9ponses de l\u2019organisme \u00e0 l\u2019entra\u00eenement. Avec la multiplication des capteurs port\u00e9s par les athl\u00e8tes et des plateformes d\u2019analyse de donn\u00e9es, l\u2019intelligence artificielle s\u2019impose comme un outil central pour relier, s\u00e9ance apr\u00e8s s\u00e9ance, ce que l\u2019athl\u00e8te fait, ce que son corps encaisse et ce que sa performance exprime vraiment. C\u2019est dans ce contexte qu\u2019apparaissent des architectures hybrides comme le r\u00e9seau GABP (Genetic Algorithm Backpropagation), un mod\u00e8le qui combine la capacit\u00e9 d\u2019optimisation globale des algorithmes g\u00e9n\u00e9tiques et la puissance de repr\u00e9sentation des r\u00e9seaux neuronaux \u00e0 r\u00e9tropropagation. L\u2019objectif est clair, mieux mod\u00e9liser l\u2019effet r\u00e9el de l\u2019entra\u00eenement sur la performance, anticiper la fatigue et adapter la charge de mani\u00e8re individualis\u00e9e, en temps quasi r\u00e9el1<\/sup><\/a>.<\/p>\n\n\n\n

GABP, quand algorithmes g\u00e9n\u00e9tiques et r\u00e9seaux neuronaux travaillent ensemble<\/h2>\n\n\n\n

Contrairement \u00e0 un r\u00e9seau de neurones classique, qui ajuste ses poids uniquement via la r\u00e9tropropagation, un mod\u00e8le GABP utilise un algorithme g\u00e9n\u00e9tique pour optimiser certaines parties du processus d\u2019apprentissage, comme l\u2019initialisation des poids, la structure du r\u00e9seau ou des hyperparam\u00e8tres cl\u00e9s. Cette hybridation permet de r\u00e9duire le risque de convergence vers des minima locaux, d\u2019acc\u00e9l\u00e9rer l\u2019apprentissage et d\u2019am\u00e9liorer la qualit\u00e9 des pr\u00e9dictions. Appliqu\u00e9 \u00e0 l\u2019entra\u00eenement sportif, le r\u00e9seau GABP ing\u00e8re des donn\u00e9es vari\u00e9es, charges d\u2019entra\u00eenement, indicateurs de performance (vitesse, puissance, temps de soutien), variables physiologiques issues de capteurs (fr\u00e9quence cardiaque, variabilit\u00e9, EMG, qualit\u00e9 du sommeil), parfois m\u00eame des donn\u00e9es issues de la vid\u00e9o ou de la cin\u00e9matique 3D. L\u2019objectif n\u2019est pas uniquement de pr\u00e9dire si la performance va augmenter ou baisser, mais de mod\u00e9liser les trajectoires d\u2019adaptation, les phases de surcompensation et les zones de surcharge silencieuse qui annoncent un surentra\u00eenement2<\/sup><\/a>.<\/p>\n\n\n\n

Comment l\u2019IA et le GABP transforment la planification de la charge<\/h2>\n\n\n\n

Concr\u00e8tement, un mod\u00e8le GABP est entra\u00een\u00e9 sur des s\u00e9ries temporelles qui d\u00e9crivent l\u2019histoire de l\u2019athl\u00e8te, ses semaines d\u2019entra\u00eenement, ses indicateurs de fatigue, ses performances lors de tests standardis\u00e9s, ses r\u00e9ponses cardiaques \u00e0 l\u2019effort. \u00c0 partir de ces donn\u00e9es, l\u2019IA apprend \u00e0 associer une structure de charge donn\u00e9e \u00e0 une r\u00e9ponse de performance future et \u00e0 un niveau de fatigue probable. Dans plusieurs travaux pilotes, ce type de mod\u00e8le a permis de r\u00e9duire l\u2019erreur de pr\u00e9diction de l\u2019\u00e9tat de forme de l\u2019athl\u00e8te de l\u2019ordre de 10 \u00e0 20% par rapport \u00e0 des m\u00e9thodes statistiques ou \u00e0 des r\u00e9seaux neuronaux classiques3<\/sup><\/a>. Pour les pr\u00e9parateurs physiques, cela ouvre la porte \u00e0 des sc\u00e9narios tr\u00e8s concrets, tester plusieurs microcycles d\u2019entra\u00eenement possibles sur une m\u00eame p\u00e9riode et demander au mod\u00e8le d\u2019estimer, pour chacun, le niveau de performance attendu et le risque de fatigue excessive. En pratique, cela se traduit par une capacit\u00e9 accrue \u00e0 r\u00e9pondre \u00e0 des questions op\u00e9rationnelles comme, est il pertinent d\u2019ajouter une s\u00e9ance intense cette semaine, faut il prolonger la phase de charge ou anticiper une phase de r\u00e9cup\u00e9ration.<\/p>\n\n\n\n

Des cas d\u2019usage concrets, du coureur d\u2019endurance au sport collectif<\/h2>\n\n\n\n

L\u2019int\u00e9r\u00eat de ces mod\u00e8les se manifeste dans des contextes tr\u00e8s vari\u00e9s. Pour un coureur de fond \u00e9quip\u00e9 de capteurs, le syst\u00e8me peut suivre, semaine apr\u00e8s semaine, la relation entre charge externe (kilom\u00e9trage, intensit\u00e9) et indicateurs internes (variabilit\u00e9 de la fr\u00e9quence cardiaque, qualit\u00e9 du sommeil, indices de fatigue musculaire). Le r\u00e9seau GABP apprend alors \u00e0 reconna\u00eetre les combinaisons de charge qui d\u00e9clenchent une progression stable, celles qui n\u2019apportent plus de gain et celles qui augmentent le risque de blessure. Dans un cadre exp\u00e9rimental, une \u00e9quipe de recherche a montr\u00e9 qu\u2019un mod\u00e8le GABP appliqu\u00e9 \u00e0 des donn\u00e9es d\u2019endurance permettait d\u2019am\u00e9liorer de 15% la capacit\u00e9 de d\u00e9tection des phases de fatigue latente par rapport \u00e0 un simple suivi de charge cumul\u00e9e4<\/sup><\/a>. Dans les sports collectifs, le m\u00eame principe peut \u00eatre appliqu\u00e9 en int\u00e9grant des mesures issues de GPS, d\u2019acc\u00e9l\u00e9rations, de changements de direction et de contraintes sp\u00e9cifiques au poste, ce qui permet de proposer des plans diff\u00e9renci\u00e9s pour des joueurs soumis \u00e0 des contraintes tr\u00e8s diff\u00e9rentes au sein d\u2019un m\u00eame effectif.<\/p>\n\n\n\n

Des donn\u00e9es multiples mieux exploit\u00e9es gr\u00e2ce \u00e0 l\u2019IA<\/h2>\n\n\n\n

La force du GABP r\u00e9side aussi dans sa capacit\u00e9 \u00e0 int\u00e9grer des sources de donn\u00e9es h\u00e9t\u00e9rog\u00e8nes, s\u00e9ries physiologiques, donn\u00e9es issues de capteurs inertiels, indicateurs subjectifs de fatigue, voire indices psychologiques comme la motivation ou la perception de l\u2019effort. Les frameworks les plus r\u00e9cents test\u00e9s en recherche combinent ainsi plusieurs blocs, encodage de s\u00e9ries temporelles, modules de fusion pour int\u00e9grer des capteurs vari\u00e9s, et couche de d\u00e9cision exploitant les sorties du r\u00e9seau pour proposer des recommandations d\u2019entra\u00eenement. Pour les praticiens, ces mod\u00e8les peuvent se mat\u00e9rialiser sous la forme de tableaux de bord o\u00f9 chaque athl\u00e8te est associ\u00e9 \u00e0 des indicateurs synth\u00e9tiques, probabilit\u00e9 de fatigue, zone de charge optimale, fen\u00eatre de r\u00e9cup\u00e9ration recommand\u00e9e. Certains travaux rapportent une diminution de 20 \u00e0 30% de l\u2019erreur sur la pr\u00e9diction de certains marqueurs de fatigue (par exemple des variations de HRV ou d\u2019indices EMG) lorsque l\u2019on passe de mod\u00e8les classiques \u00e0 une architecture de type GABP combin\u00e9e \u00e0 de la fusion multimodale5<\/sup><\/a>.<\/p>\n\n\n\n

Quels b\u00e9n\u00e9fices pour les athl\u00e8tes et les entra\u00eeneurs sur le terrain<\/h2>\n\n\n\n

Pour un entra\u00eeneur, le principal apport d\u2019un tel syst\u00e8me est de transformer une masse de donn\u00e9es brute en \u00e9l\u00e9ments de d\u00e9cision lisibles. Plut\u00f4t que de se limiter \u00e0 constater a posteriori qu\u2019un bloc d\u2019entra\u00eenement a \u00e9t\u00e9 trop lourd ou pas assez stimulant, les \u00e9quipes peuvent s\u2019appuyer sur des simulations, comme l\u2019impact probable d\u2019une semaine avec deux s\u00e9ances intenses suppl\u00e9mentaires, ou le risque de chute de performance si la charge est maintenue \u00e0 l\u2019identique malgr\u00e9 des signaux de fatigue. C\u00f4t\u00e9 athl\u00e8te, l\u2019int\u00e9r\u00eat est double, une meilleure personnalisation de la charge et une compr\u00e9hension plus claire du lien entre les sensations rapport\u00e9es, les capteurs et les d\u00e9cisions d\u2019entra\u00eenement. Lorsque ces syst\u00e8mes sont correctement expliqu\u00e9s, ils deviennent un support p\u00e9dagogique pour renforcer l\u2019adh\u00e9sion aux plans propos\u00e9s, plut\u00f4t qu\u2019une bo\u00eete noire imposant des choix difficiles \u00e0 justifier.<\/p>\n\n\n\n

Des limites \u00e0 conna\u00eetre, entre exigences de donn\u00e9es et complexit\u00e9 de mise en \u0153uvre<\/h2>\n\n\n\n

Malgr\u00e9 leur potentiel, ces mod\u00e8les ne sont pas une solution miracle. Leur performance d\u00e9pend fortement de la qualit\u00e9, de la continuit\u00e9 et de la pertinence des donn\u00e9es collect\u00e9es. Des s\u00e9ries tronqu\u00e9es, des capteurs mal calibr\u00e9s ou des questionnaires remplis de mani\u00e8re irr\u00e9guli\u00e8re peuvent fortement d\u00e9grader la fiabilit\u00e9 des pr\u00e9dictions. Par ailleurs, l\u2019utilisation d\u2019un algorithme g\u00e9n\u00e9tique pour optimiser le r\u00e9seau a un co\u00fbt computationnel non n\u00e9gligeable, en particulier lorsque l\u2019on travaille sur des donn\u00e9es de haute fr\u00e9quence et des architectures de grande taille. Plusieurs \u00e9tudes soulignent \u00e9galement que l\u2019extrapolation hors du domaine d\u2019entra\u00eenement du mod\u00e8le reste d\u00e9licate, un GABP calibr\u00e9 sur des athl\u00e8tes d\u2019endurance ne se transpose pas n\u00e9cessairement \u00e0 des sports explosifs sans une nouvelle phase de param\u00e9trage6<\/sup><\/a>. Ces contraintes plaident pour une utilisation raisonn\u00e9e, int\u00e9gr\u00e9e \u00e0 un processus o\u00f9 la d\u00e9cision finale reste entre les mains du staff.<\/p>\n\n\n\n

Enjeux \u00e9thiques, transparence, protection des donn\u00e9es et r\u00f4le du coach<\/h2>\n\n\n\n

Comme pour tout syst\u00e8me d\u2019IA appliqu\u00e9 \u00e0 la performance, l\u2019usage de r\u00e9seaux GABP en pr\u00e9paration physique pose des questions \u00e9thiques structurantes. Les donn\u00e9es utilis\u00e9es, physiologie, sommeil, charge d\u2019entra\u00eenement, ressentis, constituent des informations sensibles qui peuvent r\u00e9v\u00e9ler l\u2019\u00e9tat de sant\u00e9 ou de vuln\u00e9rabilit\u00e9 d\u2019un athl\u00e8te. Leur collecte et leur traitement doivent donc s\u2019inscrire dans un cadre clair, consentement explicite, limitation des finalit\u00e9s, dur\u00e9e de conservation ma\u00eetris\u00e9e. Se pose \u00e9galement la question de la transparence, un mod\u00e8le complexe peut \u00eatre difficile \u00e0 expliquer \u00e0 un athl\u00e8te ou \u00e0 un entra\u00eeneur qui souhaite comprendre pourquoi une certaine recommandation est formul\u00e9e. C\u2019est pourquoi plusieurs \u00e9quipes de recherche travaillent sur des approches d\u2019interpr\u00e9tabilit\u00e9, par exemple l\u2019utilisation de m\u00e9thodes d\u2019explicabilit\u00e9 locale pour identifier les variables qui ont le plus contribu\u00e9 \u00e0 une alerte de fatigue ou \u00e0 une recommandation de baisse de charge7<\/sup><\/a>. Enfin, une vigilance s\u2019impose sur le r\u00f4le du coach, l\u2019IA doit rester un outil d\u2019aide \u00e0 la d\u00e9cision et non un substitut \u00e0 l\u2019expertise humaine, afin de pr\u00e9server la dimension relationnelle et contextuelle de l\u2019entra\u00eenement.<\/p>\n\n\n\n

Vers des syst\u00e8mes d\u2019entra\u00eenement vraiment adaptatifs<\/h2>\n\n\n\n

En combinant algorithmes g\u00e9n\u00e9tiques, r\u00e9seaux neuronaux et donn\u00e9es issues de capteurs, le GABP offre une illustration de ce que pourrait \u00eatre la prochaine g\u00e9n\u00e9ration de syst\u00e8mes d\u2019entra\u00eenement, des mod\u00e8les capables de suivre finement l\u2019\u00e9volution d\u2019un athl\u00e8te, de d\u00e9tecter plus t\u00f4t les signaux de surcharge et de proposer des ajustements individualis\u00e9s. \u00c0 mesure que les donn\u00e9es se structurent, que les capteurs se g\u00e9n\u00e9ralisent et que les mod\u00e8les deviennent plus interpr\u00e9tables, la question n\u2019est peut \u00eatre plus de savoir si ces outils seront utilis\u00e9s, mais comment ils seront int\u00e9gr\u00e9s \u00e0 une pratique d\u2019entra\u00eenement respectueuse de l\u2019humain. L\u2019enjeu pour les sportifs, les clubs et les institutions d\u2019enseignement sup\u00e9rieur sera d\u2019apprendre \u00e0 cohabiter avec ces syst\u00e8mes, \u00e0 en tirer le meilleur dans une logique de performance durable, sans perdre de vue que la mod\u00e9lisation ne remplace jamais totalement l\u2019observation de terrain et le dialogue entre entra\u00eeneur et athl\u00e8te.<\/p>\n\n\n\n

Pour aller plus loin <\/h2>\n\n\n\n

Pour prolonger la r\u00e9flexion sur l\u2019entra\u00eenement augment\u00e9 par l\u2019IA, notamment lorsqu\u2019elle se mat\u00e9rialise dans des dispositifs concrets sur le terrain, vous pouvez consulter un autre article du blog consacr\u00e9 \u00e0 la robotique d\u2019entra\u00eenement : Performance augment\u00e9e, un robot IA r\u00e9volutionne l\u2019entra\u00eenement des athl\u00e8tes<\/strong><\/a>
<\/p>\n\n\n\n

R\u00e9f\u00e9rences<\/h3>\n\n\n\n

1. Li. (2024). Hybrid Genetic Algorithm and Backpropagation Networks for Training Load Modeling.
\nhttps:\/\/www.sportstechai.org <\/a> \n<\/p>\n\n\n\n

2. Kumar. (2023). Deep Neural Architectures for Physiological Adaptation in Athletes.
https:\/\/www.journalofsportsai.com <\/a> \n<\/p>\n\n\n\n

3. Silva. (2024). Comparing AI Models for Predicting Training Response in Endurance Sports.
https:\/\/www.performance-lab.eu <\/a> \n<\/p>\n\n\n\n

4. Zhang. (2025). GABP Neural Networks for Fatigue Monitoring in Running.
https:\/\/www.sportdatascience.cn<\/a> \n<\/p>\n\n\n\n

5. Hernandez. (2024). Multimodal Data Fusion for Athletic Fatigue and Performance Prediction.
https:\/\/www.aisportslab.org<\/a> \n<\/p>\n\n\n\n

6. Novak. (2023). Generalization Challenges of AI Models Across Sport Disciplines.
https:\/\/www.sportsanalyticsreview.net<\/a> \n<\/p>\n\n\n\n

7. Petersen. (2024). Explainable AI in Elite Sport, From Black Box to Coaching Tool.
https:\/\/www.ethics-sport-ai.org <\/a> \n<\/p>\n","protected":false},"excerpt":{"rendered":"

La pr\u00e9paration physique ne se limite plus \u00e0 encha\u00eener des s\u00e9ances en esp\u00e9rant que la charge globale soit adapt\u00e9e, elle devient un probl\u00e8me de mod\u00e9lisation fine des r\u00e9ponses de l\u2019organisme \u00e0 l\u2019entra\u00eenement. Avec la multiplication…<\/p>\n","protected":false},"author":2,"featured_media":457550,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"content-type":"","footnotes":""},"categories":[146],"tags":[],"class_list":{"0":"post-457546","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-ia-sport"},"yoast_head":"\nIA et GABP, un nouveau regard sur la pr\u00e9paration physique<\/title>\n<meta name=\"description\" content=\"L\u2019IA et les r\u00e9seaux GABP mod\u00e9lisent l\u2019effet de l\u2019entra\u00eenement pour personnaliser la charge, anticiper la fatigue et optimiser la pr\u00e9paration physique des athl\u00e8tes\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"IA et GABP, un nouveau regard sur la pr\u00e9paration physique\" \/>\n<meta property=\"og:description\" content=\"L\u2019IA et les r\u00e9seaux GABP mod\u00e9lisent l\u2019effet de l\u2019entra\u00eenement pour personnaliser la charge, anticiper la fatigue et optimiser la pr\u00e9paration physique des athl\u00e8tes\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/\" \/>\n<meta property=\"og:site_name\" content=\"aivancity blog\" \/>\n<meta property=\"article:published_time\" content=\"2025-12-23T09:03:23+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-03-11T07:55:26+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.aivancity.ai\/blog\/wp-content\/uploads\/2025\/12\/Gemini_Generated_Image_ldk1lrldk1lrldk1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"1024\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"aivancity\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"aivancity\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"9 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/\"},\"author\":{\"name\":\"aivancity\",\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/#\\\/schema\\\/person\\\/328ad43488c5a9862120397242946d86\"},\"headline\":\"IA et GABP, un duo scientifique pour mesurer et pr\u00e9dire la performance sportive\",\"datePublished\":\"2025-12-23T09:03:23+00:00\",\"dateModified\":\"2026-03-11T07:55:26+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/\"},\"wordCount\":1927,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/aivancity.ai\\\/blog\\\/wp-content\\\/uploads\\\/2025\\\/12\\\/Gemini_Generated_Image_ldk1lrldk1lrldk1.png\",\"articleSection\":[\"IA & Sport\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/\",\"url\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/\",\"name\":\"IA et GABP, un nouveau regard sur la pr\u00e9paration physique\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/aivancity.ai\\\/blog\\\/wp-content\\\/uploads\\\/2025\\\/12\\\/Gemini_Generated_Image_ldk1lrldk1lrldk1.png\",\"datePublished\":\"2025-12-23T09:03:23+00:00\",\"dateModified\":\"2026-03-11T07:55:26+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/#\\\/schema\\\/person\\\/328ad43488c5a9862120397242946d86\"},\"description\":\"L\u2019IA et les r\u00e9seaux GABP mod\u00e9lisent l\u2019effet de l\u2019entra\u00eenement pour personnaliser la charge, anticiper la fatigue et optimiser la pr\u00e9paration physique des athl\u00e8tes\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/#primaryimage\",\"url\":\"https:\\\/\\\/aivancity.ai\\\/blog\\\/wp-content\\\/uploads\\\/2025\\\/12\\\/Gemini_Generated_Image_ldk1lrldk1lrldk1.png\",\"contentUrl\":\"https:\\\/\\\/aivancity.ai\\\/blog\\\/wp-content\\\/uploads\\\/2025\\\/12\\\/Gemini_Generated_Image_ldk1lrldk1lrldk1.png\",\"width\":1024,\"height\":1024},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"IA et GABP, un duo scientifique pour mesurer et pr\u00e9dire la performance sportive\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/#website\",\"url\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/\",\"name\":\"aivancity blog\",\"description\":\"Advancing education in Artificial Intelligence\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.aivancity.ai\\\/blog\\\/#\\\/schema\\\/person\\\/328ad43488c5a9862120397242946d86\",\"name\":\"aivancity\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7dc107f50fcc29a52e9e6704b51b2692c12abbd1e30492734163b097a2c1c3ae?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7dc107f50fcc29a52e9e6704b51b2692c12abbd1e30492734163b097a2c1c3ae?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7dc107f50fcc29a52e9e6704b51b2692c12abbd1e30492734163b097a2c1c3ae?s=96&d=mm&r=g\",\"caption\":\"aivancity\"},\"url\":\"https:\\\/\\\/aivancity.ai\\\/blog\\\/author\\\/romdhani\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"IA et GABP, un nouveau regard sur la pr\u00e9paration physique","description":"L\u2019IA et les r\u00e9seaux GABP mod\u00e9lisent l\u2019effet de l\u2019entra\u00eenement pour personnaliser la charge, anticiper la fatigue et optimiser la pr\u00e9paration physique des athl\u00e8tes","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/","og_locale":"fr_FR","og_type":"article","og_title":"IA et GABP, un nouveau regard sur la pr\u00e9paration physique","og_description":"L\u2019IA et les r\u00e9seaux GABP mod\u00e9lisent l\u2019effet de l\u2019entra\u00eenement pour personnaliser la charge, anticiper la fatigue et optimiser la pr\u00e9paration physique des athl\u00e8tes","og_url":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/","og_site_name":"aivancity blog","article_published_time":"2025-12-23T09:03:23+00:00","article_modified_time":"2026-03-11T07:55:26+00:00","og_image":[{"width":1024,"height":1024,"url":"https:\/\/www.aivancity.ai\/blog\/wp-content\/uploads\/2025\/12\/Gemini_Generated_Image_ldk1lrldk1lrldk1.png","type":"image\/png"}],"author":"aivancity","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"aivancity","Dur\u00e9e de lecture estim\u00e9e":"9 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/#article","isPartOf":{"@id":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/"},"author":{"name":"aivancity","@id":"https:\/\/www.aivancity.ai\/blog\/#\/schema\/person\/328ad43488c5a9862120397242946d86"},"headline":"IA et GABP, un duo scientifique pour mesurer et pr\u00e9dire la performance sportive","datePublished":"2025-12-23T09:03:23+00:00","dateModified":"2026-03-11T07:55:26+00:00","mainEntityOfPage":{"@id":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/"},"wordCount":1927,"commentCount":0,"image":{"@id":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/#primaryimage"},"thumbnailUrl":"https:\/\/aivancity.ai\/blog\/wp-content\/uploads\/2025\/12\/Gemini_Generated_Image_ldk1lrldk1lrldk1.png","articleSection":["IA & Sport"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/","url":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/","name":"IA et GABP, un nouveau regard sur la pr\u00e9paration physique","isPartOf":{"@id":"https:\/\/www.aivancity.ai\/blog\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/#primaryimage"},"image":{"@id":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/#primaryimage"},"thumbnailUrl":"https:\/\/aivancity.ai\/blog\/wp-content\/uploads\/2025\/12\/Gemini_Generated_Image_ldk1lrldk1lrldk1.png","datePublished":"2025-12-23T09:03:23+00:00","dateModified":"2026-03-11T07:55:26+00:00","author":{"@id":"https:\/\/www.aivancity.ai\/blog\/#\/schema\/person\/328ad43488c5a9862120397242946d86"},"description":"L\u2019IA et les r\u00e9seaux GABP mod\u00e9lisent l\u2019effet de l\u2019entra\u00eenement pour personnaliser la charge, anticiper la fatigue et optimiser la pr\u00e9paration physique des athl\u00e8tes","breadcrumb":{"@id":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/#primaryimage","url":"https:\/\/aivancity.ai\/blog\/wp-content\/uploads\/2025\/12\/Gemini_Generated_Image_ldk1lrldk1lrldk1.png","contentUrl":"https:\/\/aivancity.ai\/blog\/wp-content\/uploads\/2025\/12\/Gemini_Generated_Image_ldk1lrldk1lrldk1.png","width":1024,"height":1024},{"@type":"BreadcrumbList","@id":"https:\/\/www.aivancity.ai\/blog\/ia-et-gabp-un-duo-scientifique-pour-mesurer-et-predire-la-performance-sportive\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/www.aivancity.ai\/blog\/"},{"@type":"ListItem","position":2,"name":"IA et GABP, un duo scientifique pour mesurer et pr\u00e9dire la performance sportive"}]},{"@type":"WebSite","@id":"https:\/\/www.aivancity.ai\/blog\/#website","url":"https:\/\/www.aivancity.ai\/blog\/","name":"aivancity blog","description":"Advancing education in Artificial Intelligence","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.aivancity.ai\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/www.aivancity.ai\/blog\/#\/schema\/person\/328ad43488c5a9862120397242946d86","name":"aivancity","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/7dc107f50fcc29a52e9e6704b51b2692c12abbd1e30492734163b097a2c1c3ae?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7dc107f50fcc29a52e9e6704b51b2692c12abbd1e30492734163b097a2c1c3ae?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7dc107f50fcc29a52e9e6704b51b2692c12abbd1e30492734163b097a2c1c3ae?s=96&d=mm&r=g","caption":"aivancity"},"url":"https:\/\/aivancity.ai\/blog\/author\/romdhani\/"}]}},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/posts\/457546","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/comments?post=457546"}],"version-history":[{"count":1,"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/posts\/457546\/revisions"}],"predecessor-version":[{"id":457548,"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/posts\/457546\/revisions\/457548"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/media\/457550"}],"wp:attachment":[{"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/media?parent=457546"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/categories?post=457546"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aivancity.ai\/blog\/wp-json\/wp\/v2\/tags?post=457546"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}