Представленное исследование посвящено разработке комплексной AI-системы для персонализированной спортивной подготовки, интегрирующей современные предсказательные модели машинного обучения с биометрическими данными, собираемыми с носимых устройств. Научная новизна работы заключается в создании гибридной модели, эффективно объединяющей Random Forest, XGBoost и rule-based логику адаптации тренировочной нагрузки для формирования архитектуры виртуального спортивного консультанта. В отличие от существующих решений в спортивной аналитике, авторами впервые предложена комплексная система, одновременно осуществляющая прогноз травм, анализ восстановления и динамическое изменение тренировочных рекомендаций на основе актуального состояния спортсмена. Уникальность подхода заключается в реализации модели прогнозирования ухудшения формы игрока, основанной на детальном анализе длительности восстановления и типологии травм. Методологическая база исследования включает применение корреляционного и регрессионного анализа, методов машинного обучения с визуализацией данных через библиотеки Python. Прогностическая модель, обученная на эмпирических данных о травмах и восстановлении, продемонстрировала высокую точность классификации в диапазоне 0,83–0,85 и значения AUC на уровне 0,85–0,87, подтверждая применимость разработанной системы для оперативной оценки риска функционального спада у спортсменов. Авторами проведена детальная экономическая оценка внедрения предложенного решения, включающая анализ затрат на разработку программного обеспечения, приобретение оборудования, обучение персонала и поддержку жизненного цикла системы. Результаты показывают значительный потенциальный экономический эффект: снижение расходов на лечение и реабилитацию травм на 25–35 %, сокращение потерь от вынужденного простоя спортсменов на 15–20 %, рост результативности команды до 25 % и увеличение капитализации отдельных атлетов на 10–30 %. Модельный расчет демонстрирует окупаемость менее одного года с показателем ROI на уровне 224 % в первый год эксплуатации. Практическая значимость разработанной системы заключается в возможности масштабируемого внедрения в спортивный консалтинг в качестве инструмента трансформации управления подготовкой и восстановлением спортсменов. Предложенная методология адаптируется для различных видов спорта, возрастных категорий и уровней профессиональной подготовки, значительно повышая персонализацию тренировочного процесса, снижая вероятность травм и увеличивая адаптивность системы спортивной подготовки.
The presented study is devoted to the development of a complex AI system for personalized sports training, integrating modern predictive machine learning models with biometric data collected from wearable devices. The scientific novelty of the work lies in the creation of a hybrid model that effectively combines Random Forest, XGBoost and rule-based logic of training load adaptation to form the architecture of a virtual sports consultant. Unlike existing solutions in sports analytics, the authors for the first time proposed a complex system that simultaneously predicts injuries, analyzes recovery and dynamically changes training recommendations based on the current state of the athlete. The uniqueness of the approach lies in the implementation of a model for predicting the deterioration of a player's form, based on a detailed analysis of the duration of recovery and the typology of injuries. The methodological basis of the study includes the use of correlation and regression analysis, machine learning methods with data visualization through Python libraries. The predictive model trained on empirical data on injuries and recovery demonstrated high classification accuracy in the range of 0,83–0,85 and AUC values at the level of 0,85–0,87, confirming the applicability of the developed system for prompt assessment of the risk of functional decline in athletes. The authors conducted a detailed economic assessment of the implementation of the proposed solution, including an analysis of the costs of software development, equipment acquisition, personnel training and support of the system life cycle. The results show a significant potential economic effect: a decrease in the cost of treatment and rehabilitation of injuries by 25–35 %, a reduction in losses from forced downtime of athletes by 15–20 %, an increase in team performance up to 25 % and an increase in the capitalization of individual athletes by 10–30 %. The model calculation demonstrates a payback of less than one year with an ROI of 224 % in the first year of operation. The practical significance of the developed system lies in the possibility of scalable implementation in sports consulting as a tool for transforming the management of athletes' training and recovery. The proposed methodology is adaptable to various sports, age categories and levels of professional training, significantly increasing the personalization of the training process, reducing the likelihood of injuries and increasing the adaptability of the sports training system.