Analyser Peloton-data med AI: Hvad du kan spørge om, og hvad du får tilbage

Den native Peloton-app giver dig allerede meget for hver tur: en outputgraf, en placering på leaderboardet, en løbende PR-liste og en pæn oversigtsskærm, så snart du klikker ud. Det, den ikke giver dig, er analyse. Den kan ikke fortælle dig i én sætning, om dit gennemsnitlige output faktisk er steget den seneste måned, om en række stærke ture er reel formfremgang eller tre heldige dage på leaderboardet, eller om en hård tur torsdag havde noget at gøre med, hvordan du sov onsdag nat. Hvert af de spørgsmål kræver, at du scroller tilbage gennem individuelle ture og selv laver sammenligningen.

Når dine ture er forbundet til Wellness Project, kan du i stedet stille spørgsmålet direkte til en AI-rådgiver. Claude eller ChatGPT kan ræsonnere over uger eller måneder med output, kadence og modstand i ét svar, ligesom en coach ville gøre ved at gennemgå din træningslog, og de kan gøre det uden at du eksporterer noget eller bygger et diagram i hånden. Peloton-appen er bygget til at vise dig en tur. En AI-rådgiver er bygget til at fortælle dig, hvad turen, og de tyve før den, faktisk betyder.

Når Peloton er forbundet, er dette den type spørgsmål, du kan skrive direkte ind i Claude eller ChatGPT. Ingen af dem kræver anden opsætning end den indledende forbindelse.

"Stiger min gennemsnitlige output denne måned?" giver en reel trend, for eksempel at dit gennemsnitlige samlede output pr. 45-minutters tur er steget 8 % over de seneste fire uger, ikke bare ja eller nej. "Skubber jeg modstand eller bare kadence?" skiller de to tal, der udgør output, ad og fortæller dig, hvilket der faktisk driver dine fremskridt, en forskel Pelotons outputgraf aldrig opdeler for dig. "Hvilke cykeltur-typer producerer min højeste pulsfrekvens?" sammenligner dine loggede ture efter klassestype og giver et rangeret svar, power zone-ture mod stigninger mod intervaller.

"Hvordan sammenligner min tirsdag power zone cykeltur sig med for fire uger siden?" henter de to konkrete ture og viser forskellen i output, gennemsnitspuls og modstand side om side, den slags uge-til-uge-sammenligning der normalt kræver, at du åbner to separate turoversigter og selv regner forskellen ud. "Skal jeg tilføje et recoveryløb denne uge?" afvejer din seneste ydelsestendens mod dine registrerede søvn- og restitutionsdata og giver en konkret anbefaling, ikke en generisk påmindelse om at hvile.

Et godt svar er altid konkret: faktiske tal hentet fra dine loggede ture, en tydelig trendretning og normalt et konkret forslag til din næste tur i stedet for en standardsætning om, at konsistens er vigtig.

Output, kadence og modstand er ikke tre urelaterede tal, de fortæller en historie sammen, og en AI-rådgiver, der læser dem på tværs af ture, kan opdage, hvad et enkelt turresumé ikke kan. Stigende output ved en stabil puls er et klart signal om, at din form forbedres, du producerer mere arbejde for den samme kardiovaskulære omkostning. Stigende kadence, mens modstanden forbliver flad, betyder omvendt som regel et plateau, du træder hurtigere uden reelt at presse hårdere, og output-tallene kan se stabile ud, selv når det reelle træningsstimulus stille og roligt falder.

Pulsdrift sent i længere ture, hvor din puls kryber opad, selvom effekt og kadence holder sig stabil, er et udmattelsessignal, der er værd at flage frem for at ignorere. Coach Jamie Reyes og de udholdenheds- og restitutionsfokuserede trænere kan fange disse mønstre automatisk på tværs af din turhistorik og oversætte dem til et konkret kald: skub en effektzonetur denne uge, fordi din effekt og pulsrespons begge peger på plads til at vokse, eller finjuster en Zone 2-restitutionstur, fordi de sidste tre ture viser drift, og din loggede søvn har været kort. Den samme ræsonnering gælder de dage, du ikke er på cyklen, en AI-træner der ser dine ture kan også se din styrketræningslog og flage, når tunge bendage æder ind i din cykeleffekt, den slags planlægningskonflikt en styrketræningsplan bygget sammen med dine ture kan afklare.

Fordi Peloton videresender via Apple Health eller Google Health Connect, ligger dine cykeldata i den samme tidslinje som HRV, søvn og hvilepuls hentet fra Oura, Fitbit, eller Apple Watch. Netop den ene tidslinje er det, der overhovedet gør et sammensat spørgsmål muligt: "Blev mit lavt output løb torsdag forklaret af kort søvn onsdag nat?" henter både dine cykeldata og din søvnlog for samme 24-timers vindue og giver dig et direkte svar, for eksempel fire en halv times søvn mod dine normale syv og output 12 % under dit rullende gennemsnit for den type tur.

En visning i en enkelt app kan slet ikke besvare det spørgsmål. Peloton-appen har ingen anelse om, hvornår du faldt i søvn, og en søvntracker-app har ingen anelse om, hvad din ydelse var på torsdagens cykeltur. Fordi begge tal allerede findes i den samme Wellness Project-historik, behøver AI'en ikke at få at vide, at sammenhængen eksisterer; den kan selv finde den i samme øjeblik, du spørger.