Même les manipulations GPS les plus sophistiquées laissent des empreintes numériques. Ces traces sont souvent subtiles, mais systématiquement reconnaissables. Notre mission chez LaceUp est claire : détecter ces empreintes avant qu'elles ne faussent les classements ou ne sapent l'esprit de compétition loyale.

Focalisation sur la qualité GPX plutôt que sur la manipulation

Dans la plupart des cas, il s'agit moins de falsification intentionnelle que de qualité GPX: quelle est la précision des données de position ? Quelle est la stabilité du taux d'échantillonnage ? Quel est le degré de plausibilité des vitesses et des accélérations ?

C'est pourquoi nous combinerons à l'avenir l'apprentissage automatique et la vérification humaine. Nous nous assurons ainsi que chaque trajet est évalué de manière fiable - de manière automatisée, mais avec du bon sens là où la technique atteint ses limites.

L'équipe derrière le projet

Le projet est une véritable œuvre collective : la profondeur scientifique de l'ETH Zurich rencontre l'expérience pratique de centaines d'événements LaceUp. Des étudiants comme Kevin Kosch et Nikolaus Rath ont apporté des contributions centrales dans le cadre de leurs travaux de bachelor, tandis que Benedikt Soja, Matthias Aichinger-Rosenberger, Tobias W., Nico Schefer et Sebastian de Castelberg ont fait avancer la recherche, la validation et la mise en œuvre dans la plateforme.

Ce n'est que par cette combinaison de recherche et de pratique que l'on obtient un système qui est robuste, compréhensible et équitable.

Comment battre le "faux" parfait

• Création de fausses données contrôlées : nous avons délibérément construit des trajets qui ressemblent à s'y méprendre à des données réelles - afin de mettre au défi nos systèmes de reconnaissance de manière ciblée.
• Analyser systématiquement : Nous recherchons les modèles les plus fins - par exemple des interpolations non plausibles, des profils d'accélération ou des métadonnées qui ne vont pas ensemble.
• Combiner le ML & l'humain : L'algorithme évalue automatiquement, les reviewers examinent les cas critiques manuellement.
• Faire preuve de transparence : Si une activité est exclue, le participant reçoit une justification claire et compréhensible.

Ce qui vient ensuite

• Extension des épreuves aux vélos électriques, aux véhicules à moteur et à de nouvelles disciplines sportives (course à pied, course d'orientation, natation, ski)
• Reconnaissance des soi-disant athlètes virtuels ("Strava Jockeys")
• Amélioration du cryptage et de l'intégrité des données pour le GPS/GNSS
• Construire un avenir plus intelligent et plus équitable pour le sport numérique

Un coup d'œil en coulisses

‍

‍

‍

Conclusion

Le dopage numérique est réel - mais pas invincible.
En comprenant et en simulant nous-mêmes les attaques, nous apprenons à les reconnaître et à les prévenir. Le fair-play reste notre boussole : le plaisir et la participation sont au centre des préoccupations, mais le contrôle de la qualité est aujourd'hui indispensable pour que chaque résultat reflète une véritable performance.

Crédits

Kevin KoschNikolaus RathBenedikt Soja, Matthias Aichinger-Rosenberger, Nico Schefer, Sébastien de Castelberg, Tobias W.