Introducción: el auge de la IA y la falta de uso práctico en las ciencias del deporte

En los últimos años, los grandes modelos lingüísticos (LLM) y los chatbots se han convertido rápidamente en parte de nuestra vida diaria y profesional. Escriben, resumen, codifican, analizan y cada vez más piensan junto a nosotros. Sin embargo, en el campo del rendimiento deportivo y el entrenamiento, las aplicaciones prácticas de la IA siguen estando relativamente poco desarrolladas más allá de la publicidad que las rodea, donde muchas herramientas se etiquetan como «IA» a pesar de depender de la regresión lineal o logística clásica. Aunque estos métodos se consideran técnicamente modelos de aprendizaje automático, su utilización práctica es limitada en comparación con las capacidades de los modelos de lenguajes grandes (LLM) modernos.

Me interesaba explorar cómo estas tecnologías, en particular los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés), podrían ayudar a los entrenadores y atletas no solo entreteniendo o automatizando tareas, sino también brindando un valor genuinamente práctico.

Como entusiasta desde hace mucho tiempo tanto de la ciencia de datos como de la fuerza y ​​el acondicionamiento, me fascina cómo estos nuevos sistemas de inteligencia artificial podrían convertirse en verdaderos asistentes de entrenamiento en lugar de herramientas abstractas. Cuando Protocolos de contexto modelo (MCP) aparecieron en escena hace menos de un año, inmediatamente vi su potencial: podrían servir como conectores entre datos del mundo real (por ejemplo, registros de entrenamiento de AtletaSR, Stravao Conexión Garmin) y sistemas inteligentes que interpretan estos datos a través de la lente de los principios de la ciencia del deporte.

En este artículo, demostraré cómo construir un sistema que integre un MCP protocolo para el AtletaSR software (que también puede conectarse con el Strava aplicación o cualquier otra aplicación de fitness que admita el marco REST API) con una Recuperación-Generación Aumentada (RAG) sistema impulsado por investigaciones influyentes y marcos teóricos de la ciencia del deporte. Juntos, estos componentes forman un entorno de múltiples agentes: un agente recupera datos de rendimiento reales, mientras que el otro proporciona conocimiento experto. El resultado es un chatbot capaz de generar planes de entrenamiento personalizados y ofrecer recomendaciones basadas en evidencia, basadas tanto en el rendimiento monitorizado del atleta o en datos de bienestar como en marcos teóricos establecidos como los libros de Malden. Periodización ágil y Entrenamiento en intervalos de alta intensidad (HIIT) o similares.

A continuación, desglosaré cada componente del sistema (MCP y RAG) sin profundizar demasiado en los detalles técnicos y luego demostraré cómo trabajan juntos en sincronización para generar respuestas a las preguntas de los usuarios.

Protocolos de contexto modelo (MCP): qué son y por qué son importantes

En términos simples, los protocolos de contexto modelo (MCP) actúan como traductores inteligentes entre fuentes de datos y modelos de IA. Permiten que los modelos de lenguaje de gran tamaño (LLM) accedan y utilicen datos externos o en vivo (por ejemplo, extrayendo información de los atletas directamente desde AthleteSR) sin necesidad de copiar o pegar nada manualmente. MCP puede verse como un agente de inteligencia artificial compuesto por múltiples herramientas. En los sistemas basados ​​en agentes, las herramientas (a veces llamadas decoradores) son las capacidades centrales que permiten a los agentes realizar tareas e interactuar con usuarios u otros sistemas.

MCP define una estructura clara para la comunicación entre tres roles principales:

🖥️ 1. Anfitrión MCP

El host ejecuta el servidor MCP y administra uno o varios clientes MCP

En la configuración actual, todo el servidor está alojado en la nube FAST MCP y Ai Engline llama al servidor MCP a través de URL, carga los decoradores/herramientas de AthleteSR y maneja toda la comunicación entre el modelo LLM y el servidor MCP.

🤖 2. Cliente MCP

Cliente es un agente o aplicación LLM que utiliza esta interfaz para solicitar datos o acciones y recibir respuestas estructuradas. En esta configuración, el modelo de lenguaje grande (LLM) actúa como cliente y llama al servidor (herramientas).

Envía consultas de los usuarios al host, decide cuándo llamar a una herramienta específica e interpreta el resultado de la herramienta para crear respuestas en lenguaje natural.

🧰 3. Servidor

El servidor es un servicio web que expone datos y proporciona contexto a los clientes MCP.

Cada herramienta MCP realiza tareas definidas (leer datos, filtrar resultados o calcular estadísticas) y devuelve resultados estructurados al host (en nuestro caso, JSON).

En resumen, MCP actúa como un puente o como un “puerto USB-C para IA” entre el modelo de IA y los datos del mundo real: una interfaz única y estándar que permite que cualquier fuente de datos o herramienta se conecte con cualquier agente, sin un código de integración personalizado.

Permite que el modelo obtenga, procese y resuma información bajo demanda mientras mantiene todo estructurado, reproducible y ampliable a medida que se agreguen más herramientas o fuentes de datos en el futuro.

Puedes pensar en el flujo de trabajo de esta manera:

Usuario → LLM (Cliente) → MCP Host → AthleteSR MCP Server → Datos procesados ​​→ LLM → Salida (resumen o recomendación)

En esta configuración, el MCP maneja toda la comunicación detrás de escena entre los datos y el modelo de IA. Garantiza que la herramienta de IA (chatbot o similar) siempre tenga la información más relevante y actualizada al generar una respuesta (diagrama a continuación).

TL;DR

La herramienta MCP realiza las siguientes tareas:

• Recibe solicitudes de usuarios a través del AI Engine Bot
• Llama a la API de AthleteSR en tiempo real
• Obtiene datos de seguimiento del atleta (por ejemplo, medidas de bienestar, carga de entrenamiento, calificaciones de preparación)
• Devuelve JSON estructurado al modelo AI LLM, segmentado por atleta, rango de fechas, parámetros u otras dimensiones.
• LLM crea una respuesta teniendo en cuenta los datos recuperados de la cuenta

Cómo funcionan las principales herramientas de AthleteSR

Recuperador de datos AthleteSR

Esta función recupera datos de Morning Wellness a través de una API, valida y limpia la lista de eventos y devuelve una respuesta JSON estructurada para el LLM. Garantiza que los datos del atleta estén presentes, elimina las entradas vacías, fusiona nombres y apellidos en un solo nombre de jugador y devuelve una lista vacía con una advertencia si faltan datos o no son válidos.

AtletaSR por jugador

Esta función realiza una búsqueda de nombres de atletas que no distingue entre mayúsculas y minúsculas, priorizando coincidencias exactas y recurriendo a coincidencias parciales. Solo devuelve los datos del atleta y una lista vacía si no se encuentra ninguna coincidencia.

AtletaSR por parámetro

Esto permite realizar búsquedas que no distingan entre mayúsculas y minúsculas por cualquier parámetro (sueño, estado de ánimo, energía o dolor corporal), incluidos filtros numéricos (p. ej., >5, <=3,5). Puede optar por obtener los detalles completos de los atletas o solo sus nombres.

AtletaSR por fecha

Esta función maneja los eventos del Cuestionario de bienestar, utilizando la fecha de inicio de la encuesta y admitiendo varios formatos de fecha. Puede consultar rangos como «las últimas 4 semanas», «este mes» o «entre X e Y». Si no se proporciona una fecha de finalización, el valor predeterminado es el último en el conjunto de datos y devuelve datos de todos los jugadores que coinciden con los criterios de fecha.

Estadísticas de parámetros de AthleteSR

Este es muy interesante y calcula las estadísticas de cada jugador, como su promedio y cuánto varían sus puntuaciones (desviación estándar), para un parámetro elegido. Luego clasifica a los jugadores como:

• Calificador alto o bajo (según su media frente a la mediana del grupo)
• Variabilidad alta o baja (según su DE frente a la mediana del grupo)

Si un jugador solo tiene un punto de datos, no se considerará para el análisis. Todos los resultados se redondean a tres decimales para mayor claridad.

Sistemas RAG: brindando conocimiento y contexto al LLM

La Generación Aumentada de Recuperación (RAG) complementa el MCP al brindarle al modelo acceso a conocimiento de dominio específico, en este caso, libros de Monitoreo de entrenamientos y Datos de desempeño en atletas. El sistema RAG recupera los pasajes más relevantes, por lo que el resultado del LLM se basa en la teoría de expertos, no en alucinaciones.

Consulta de usuario → Base de datos de vectores (libros) → Contexto recuperado → LLM → Respuesta (complementa la respuesta de MCP)

La configuración de múltiples agentes: cuando MCP y RAG trabajan juntos

1. El usuario envía una pregunta al Chatbot.
2. El AI Engine envía la solicitud al LLM
3. El LLM selecciona la herramienta MCP para recuperar datos de atletas en tiempo real de AthleteSR
4. La herramienta MCP obtiene información personalizada (p. ej., datos de bienestar matutino de jugadoras de fútbol) y la devuelve al modelo.
5. El usuario puede hacer preguntas de seguimiento, lo que activa la recuperación de RAG de Pinecone Vector Store (fragmentos textuales de un libro determinado)
6. RAG proporciona conocimiento experto de fuentes relevantes (p. ej., Monitoreo de datos de entrenamiento y rendimiento en atletas)
7. El LLM integra los datos personalizados del atleta y el conocimiento experto en un modelo unificado, generando recomendaciones individualizadas basadas en el atleta, el rango de fechas especificado y las métricas de seguimiento pertinentes.

La siguiente figura proporciona una descripción visual de cómo funciona todo el sistema.

Figura 3: El sistema utiliza datos de AthleteSR y un marco de seguimiento científico para ofrecer recomendaciones o resúmenes personalizados.

Ahora, veamos cómo funciona esto en la práctica en el siguiente ejemplo.

Ejemplo práctico:

Cuando le pedí al chatbot que clasificara a los jugadores según las calificaciones de sueño de las últimas 4 semanas, destacando la calidad del sueño alta versus baja y la variabilidad alta versus baja, e incluyendo solo jugadores con al menos 2 mediciones.

El atletasr:parameter_stats se activó la herramienta. Obtuvo y preprocesó los datos para el análisis estadístico, devolviendo una salida JSON estructurada, como se muestra a continuación.

La respuesta del AthleteSR Bot a esta consulta se muestra a continuación.

Entonces pregunté: Crear una matriz que clasifique a todos los jugadores de buena a mala calidad de sueño..

La respuesta fue:

Solicité detalles adicionales y la respuesta fue:

Para el siguiente mensaje: Identificar a los que duermen más tarde, sus horas habituales de acostarse y estrategias para ayudarles a acostarse más temprano..

La respuesta se muestra a continuación.

Luego solicité recomendaciones personalizadas para Vanesa McMilan, considerando su hora de despertarse. El Bot los generó utilizando el sistema RAG.

La siguiente imagen a continuación muestra la orquestación completa: los pasos que sigue el chatbot para generar una respuesta. Determina qué agentes o herramientas utilizar; Aquí, el chatbot combinó las 10 incrustaciones de RAG más relevantes con el atletasr:parameter_stats herramienta para responder la pregunta.

Por qué esto es importante para los entrenadores

La tecnología descrita anteriormente puede servir como una herramienta práctica que puede cambiar la forma en que los entrenadores planifican, monitorean,…