L'IA au service de l'excellence olympique

Peut-on confier les notes d'une épreuve de plongeon aux Jeux Olympiques à une intelligence artificielle ? Selon l'étude récente intitulée "Can Vision-Language Models Judge Olympic Diving? From Reasoning to Scores in Zero-Shot Action Quality Assessment" (arXiv:2609.19354), la réponse est un oui nuancé, à condition de privilégier le raisonnement textuel sur les simples chiffres.

Réponse directe et définitions clés

Les systèmes actuels d'IA, plus précisément les Modèles Vision-Langage (VLM), sont désormais capables d'évaluer la qualité d'actions complexes comme le plongeon avec une précision croissante. L'étude démontre qu'en utilisant des techniques d'apprentissage d'ensemble, l'IA peut atteindre une corrélation de 0,67 (Spearman) avec les scores des juges humains.

Définitions essentielles :

• VLM (Vision-Language Model) : Une famille de modèles d'IA capables de comprendre et de générer du contenu à partir d'images, de vidéos et de texte (ex: GPT-4o, Claude 3.5 Sonnet, ou Grok-1.5V d'xAI).
• AQA (Action Quality Assessment) : Le domaine de la vision par ordinateur dédié à l'évaluation quantitative de la qualité d'une exécution physique.
• AQA-7 : Le jeu de données de référence utilisé pour tester ces modèles sur des vidéos de plongeon olympique.

Pourquoi le jugement sportif est-il un défi pour l'IA ?

Le jugement d'un plongeon olympique n'est pas seulement une question de physique ; c'est un mélange complexe de vitesse de rotation, de position du corps et de netteté de l'entrée dans l'eau. Traditionnellement, l'automatisation de cette tâche (AQA) se heurtait à deux obstacles :

1. La complexité du mouvement humain : Des rotations rapides en quelques secondes.
2. La subjectivité : L'interprétation des experts peut varier légèrement.

L'innovation de cette recherche réside dans l'utilisation de modèles Zero-Shot, c'est-à-dire des modèles qui n'ont pas été spécifiquement entraînés sur des vidéos de plongeon, mais qui utilisent leur compréhension générale du monde pour analyser la scène.

La méthodologie : Le triomphe du texte sur le nombre

L'étude a testé plusieurs configurations de VLM open-source. Les chercheurs ont découvert un phénomène fascinant : les explications textuelles générées par l'IA sont plus utiles pour prédire le score final que les notes numériques directes données par le modèle.

Le Framework de Régression Proposé

Pour transformer les observations de l'IA en notes olympiques, l'équipe a mis en place une structure en plusieurs étapes :

• Génération de raisonnement : Le VLM décrit les phases du plongeon (appel, vol, entrée).
• Vectorisation TF-IDF : Conversion des descriptions textuelles en données mathématiques.
• Réduction de dimensionnalité : Compression des données pour ne garder que l'essentiel.
• Apprentissage d'ensemble : Combinaison de plusieurs modèles pour stabiliser la prédiction.

Comparaison des technologies VLM : Grok, GPT et les autres

Bien que l'étude se concentre sur des modèles open-source, il est pertinent de situer ces résultats par rapport aux leaders du marché :

• Grok (xAI) : Développé par xAI, la famille de modèles Grok (notamment Grok-1.5V) se distingue par sa capacité à traiter des contextes visuels longs. Contrairement à l'application grand public sur X, l'API xAI permet aux développeurs d'intégrer ces capacités de raisonnement visuel dans des outils d'analyse sportive spécialisés.
• GPT-4V / Gemini Pro Vision : Ces modèles propriétaires offrent souvent une meilleure cohérence dans le raisonnement sémantique, mais leur coût et leur nature fermée peuvent limiter la recherche académique comparée aux modèles open-source utilisés dans l'étude AQA-7.

L'avenir : Un assistant pour les juges

L'objectif n'est pas de remplacer les juges humains, mais de leur fournir un outil d'assistance explicable. Grâce au raisonnement généré par les VLM, un entraîneur ou un juge peut comprendre pourquoi l'IA a détecté une imperfection dans la phase de vol, rendant le score plus transparent.

FAQ - Questions Fréquentes

Q : L'IA peut-elle déjà remplacer un juge humain aux JO ?
Non. Avec une corrélation de 0,67, l'IA est encore loin de la précision des experts mondiaux, mais elle est excellente pour le filtrage initial et l'entraînement.

Q : Quels sont les modèles utilisés dans cette recherche ?
L'étude s'appuie sur des modèles Vision-Langage open-source afin de garantir la reproductibilité des résultats via leur code public sur GitHub.

Q : Quel est le principal avantage des VLM par rapport à l'IA classique ?
C'est la capacité d'explication. Une IA classique donne une note brute sans justification. Un VLM explique : "Le plongeur a manqué de verticalité lors de l'entrée", ce qui est crucial pour le sport de haut niveau.

Source : Velesaca, H. O., et al. (2026). "Can Vision-Language Models Judge Olympic Diving?". arXiv:2609.19354.