Alexej Kurov, Chief Product Officer & spoluzakladatel Zing Coach – Interview Series

Měli jste fascinující cestu od spoluzaložení Zenia po spuštění Zing Coach—můžete sdílet, co vás původně inspirovalo k vytvoření fitness platformy s umělou inteligencí, a jak vaše předchozí práce ovlivnila vizi pro Zing?

Pracoval jsem s produkty s umělou inteligencí po celou svou kariéru, počínaje tradičními metodami strojového učení, přes hluboké učení a nyní LLM. Před Zenia naše společnost pomáhala různým podnikům integrovat řešení s umělou inteligencí, zatímco jsme zároveň hledali nikši, kde bychom mohli vyřešit skutečný problém a vytvořit svůj vlastní produkt. V té době došlo k boomu řešení hlubokého učení, která mohla spouštět těžké algoritmy v reálném čase na zařízeních, jako jsou masky obličeje na Instagramu. Vyvinuli jsme svou vlastní technologii pro sledování pohybu na mobilních zařízeních, původně se zaměřením na virtuální kostýmy, ale po hlubším výzkumu jsme zjistili, že by mohla být velmi užitečná pro fitness.

Ve fitness existuje spousta produktů, ale zkušenost se příliš nezměnila od 80. let – stále pouze sledujete video z knihovny. Viděli jsme velký potenciál narušit trh hyper-personalizovaným, interaktivním koučováním. Začali jsme s jóhou v Zenia a po akvizici Zingem jsem pokračoval ve výstavbě naší původní vize.

Zing Coach nedávno uzavřel 10milionovou investici série A a nyní slouží více než milionu uživatelů. Jaké byly největší technické nebo strategické milníky, které vám pomohly dosáhnout této úrovně, a jak jste priorizovali funkce pro pohánění růstu?

Od samého začátku jsme věřili, že kouč s umělou inteligencí by měl být skutečně personalizován a proaktivní, takže jsme produkt postavili v tomto paradigmatu. Abychom mohli flexibilně generovat trénink, navrhli jsme architekturu, která by to zvládla. Když se LLM stalo široce dostupným, naše řešení se přirozeně spojilo s nimi a rozšířilo se na více uživatelských případů.

Druhým velkým milníkem byla naše komunikační vrstva. Náš kouč již nedává pouze rady – integruje se s jinými systémy, aby upravil uživatelskou cestu na základě zpětné vazby, a jedná se jako skutečný kouč. Nejde pouze o emoce, ale také o proaktivitu, pochopení, kdy a proč kontaktovat uživatele, a kdy potřebuje podnět nebo pouze přehled o své činnosti.

Jak je strojové učení použito k personalizaci každého uživatelského tréninku v reálném čase? Můžete nás provést modely a datové vstupy, které pohání adaptivní koučovací systém Zing?

Personalizujeme ve čtyřech okamžicích. Nejprve vytváříme plán na základě vašich cílů, tréninkové historie, zranění, tělesných měřítek, VO₂ max, klidové srdeční frekvence a preferencí. V den tréninku se díváme na signály zotavení, jako je spánek a bolest svalů, a upravujeme cvičení, zátěž, opakování a odpočinek. Během tréninku sledujeme srdeční frekvenci, počet opakování, tempo a zotavení srdeční frekvence mezi sériemi, abychom upravili následující sérii v reálném čase. Poté používáme odhadovanou sílu, drift srdeční frekvence, dobu zotavení, vaše preference nebo přeskočení a vaše poznámky, abychom neustále zlepšovali plán.

Naše analýza pohybu běží v reálném čase pro formu a kvalitu opakování. Používáme prediktivní modely pro stanovení cílů, GPT pro dlouhodobé plánování, koučovací signály a proaktivní motivaci, a počítačové vidění pro sledování tělesné kompozice a růstu svalů v čase, a vše se vrací do plánu.

Vyvinuli jste tělesné skenování a testy flexibility prostřednictvím ZingLab—jak se tyto fyzické vstupy integrují do vašich tréninkových algoritmů, a zda používáte nějakou formu ensemble učení nebo učení s posilováním pro jemné úpravy výsledků?

Používáme je dvěma způsoby: pro sledování pokroku a pro aktualizaci parametrů tréninkového plánu. Fitness test upravuje uživatelskou úroveň fitness, a tělesný skener upravuje plán s tělesnými kompozičními daty. Brzy spustíme analýzu svalů. Všechno je důležité pro vytvoření systému učení s posilováním, který může analyzovat, jak doporučení souvisí s skutečnými výsledky.

Jaké kroky jste podnikli, aby se doporučení s umělou inteligencí cítila lidská, motivační a podpůrná, a ne robotická? Kolik koučovacího hlasu je řízeno jazykovými modely versus skriptovanými pravidly?

Máme směrnice, jak by měl kouč komunikovat, plus bezpečnostní zábrany. Nemáme žádné předem definované skripty. Abychom zajistili, že to funguje, provádíme několik vrstev testování: automatizované kontroly pro dodržování směrnic, lidské hodnotitele pro hodnocení „lidského“ pocitu a míry řešení případů, a testy A/B pro měření dopadu na produktové metriky spolu s uživatelskou zpětnou vazbou. Profily koučů jsou vyvinuty na základě výzkumu naší cílové skupiny, aby se cítili skutečnými, ale efektivními při vedení uživatelů.

Zing zdůrazňuje zapojení a udržení, a podle zpráv překonává větší konkurenty o více než 25 %. Jaké konkrétní techniky strojového učení nebo produktového designu se ukázaly jako nejúčinnější pro pohánění tohoto druhu udržení?

Běžíme mnoho experimentů a funkcí, které pozitivně ovlivňují uživatelskou cestu. Hlavními hnacími silami jsou proaktivita, personalizace a gamifikované metriky, jako jsou aktivity, síla a skóre, poháněné systémy s umělou inteligencí, které jsem dříve popsal.

Jak jste přistupovali k gamifikaci v aplikaci? Jsou funkce, jako jsou odznaky, milníky a žebříčky, přizpůsobeny na základě chování uživatelů, a vidíte důkazy, že tato personalizace zvyšuje dlouhodobou angažovanost?

Je důležité pro nás najít nástroje, které zvyšují zapojení. Ve fitness nejsou výsledky vždy okamžitě viditelné, a výsledky často vyžadují čas. Proto pracujeme na způsobech, jak měřit a ukazovat i malé zlepšení, jako jsou fitness a flexibility testy, a síla. Aktivita pomáhá uživatelům zůstat konzistentními, a mnoho z nich udrželo svou aktivitu po více než rok.

Jaké technické výzvy jste čelili při budování Zing Vision, vaší funkce pro opravu formy v reálném čase? Jak se systém přizpůsobuje okrajovým případům, jako je špatné osvětlení nebo neobvyklé úhly na mobilních zařízeních?

Hlavní výzvou byla sbírka dat pro trénování modelů. Strávili jsme spoustu času sběrem a označováním dat, a také jsme vyvinuli silný systém augmentace, aby to bylo robustní pro různé podmínky, jako je špatné osvětlení nebo neobvyklé úhly. Když jsme začali vyvíjet to před 7 lety, nebyly žádné řešení, které by to mohly spustit místně, takže jsme vytvořili svou vlastní architekturu. I teď, s lepšími procesory, tato architektura nám pomáhá zůstat energeticky efektivní.

S vaším rozšířením do modalit, jako je Pilates a jóga, jak se vaše současné systémy s umělou inteligencí přizpůsobují novým typům pohybů? Jsou tyto postaveny na stejných modelech, nebo jste trénovali nové?

Náš systém je modulární, takže přístup k novým typům cvičení je podobný. Pracujeme také na vylepšení našeho systému pro plánování aktivit, aby lépe podporoval různé typy cvičení.

Jak expandujete globálně a spolupracujete s fitness studii prostřednictvím programu Zing Partner, jak přizpůsobujete obsah nebo tréninkové plány na základě regionálních nebo kulturních preferencí fitness?

Náš systém může upřednostňovat cvičení na základě kulturních preferencí. Je flexibilní díky kombinaci přístupu LLM a agentního přístupu, kde hlavní agent nastavuje parametry tréninku a výživy na základě uživatelského profilu.

Pohledem do budoucna, jak vidíte roli umělé inteligence v fitness—zejména při pomoci uživatelům ne pouze začít, ale také setrvat v rutinách dlouhodobě—and jaké nové schopnosti jste nejvíce nadšení vybudovat?

Vidíme, že s opravdovými trenéry mají lidé silné angažmá. Ale nyní je technologie na úrovni, kde může dokonce předčit lidské trenéry díky své dostupnosti, hlubokému poznání uživatele a schopnosti trénovat na obrovských objemech dat a používat účinnější vzorce. Děkuji za skvělý rozhovor, čtenářům, kteří chtějí otestovat aplikaci, doporučujeme navštívit Zing Coach.