Alexey Kurov, produktchef og medstifter af Zing Coach – interviewserie

Alexey Kurov, Chief Product Officer og Co-founder af Zing Coach, er en teknolog og iværksætter, der specialiserer sig i AI-drevne fitnessløsninger. Hos Zing Coach står han i spidsen for udviklingen af en AI-coaching-platform, der leverer personlig træning, realtids-overvågning af fremgang og multi-modal interaktion. Tidligere grundlagde han Zenia, den første AI-yogalærer-app, og havde ledende roller i Gentleminds AI, Pixsee og WeSee, hvor han opbyggede en stærk track record i skabelse af intelligente, adaptive digitale sundhedsprodukter.

Zing Coach er en AI-drevet fitness-app, der skaber adaptive træningsprogrammer tilpasset hver brugers kropdata, mål, energiniveauer og tilgængeligt udstyr. Ved hjælp af funktioner som kropsskanning, fitness-tests og realtids-overvågning af form og teknik, justerer den intensitet og fremgang på fly, og tilbyder personlig vejledning på over 400 øvelser. Designet til at fungere som en digital personlig træner, leverer Zing Coach intelligente, fleksible og højtilpassede fitness-oplevelser hjemme eller på fitnesscenteret.

Du har haft en fascinerende rejse fra at co-founder Zenia til at lancere Zing Coach—kan du dele, hvad der oprindeligt inspirerede dig til at skabe en AI-drevet fitness-platform, og hvordan din tidligere arbejde har påvirket visionen for Zing?

Jeg har arbejdet med AI-produkter hele min karriere, fra hvad vi nu kalder traditionel ML, over dyb læring til LLM’er. Før Zenia hjalp vores virksomhed forskellige forretninger med at integrere AI-løsninger, samtidig med at vi ledte efter en niche, hvor vi kunne løse et reel problem og bygge vores eget produkt. På det tidspunkt var der en boom i dyb læring-løsninger, der kunne køre tunge algoritmer i realtid på enheder, som Instagrams ansigtsmasker. Vi udviklede vores egen teknologi til bevægelsesregistrering på mobile enheder, hvor vi først tænkte på virtuelle kostumer, men efter dybere research, indså vi, at det kunne være meget nyttigt for fitness.

I fitness er der mange produkter, men oplevelsen har ikke ændret sig meget siden 80’erne – du følger stadig bare en video fra en bibliotek. Vi så et stort potentiale for at disrupte markedet med hyper-personlig, interaktiv coaching. Vi startede med yoga i Zenia, og efter overtagelsen af Zing, fortsatte jeg med at bygge mod vores oprindelige vision der.

Zing Coach har nyligt lukket en $10M Series A og betjener nu over en million brugere. Hvad var de største tekniske eller strategiske milepæle, der hjalp dig nå dette niveau, og hvordan prioriterede du funktioner for at drive vækst?

Fra dag én troede vi på, at en AI-fitness-coach skulle være virkelig personlig og proaktiv, så vi byggede produktet i den paradigme. For at gøre træningsgenerering fleksibel, designede vi en arkitektur fra starten, der kunne håndtere det. Da LLM’er blev bredt tilgængelige, kombinerede vores løsning naturligt med dem og skalaerede til flere bruger-sager.

Det andet store milepæl var vores kommunikationslag. Nu giver vores coach ikke bare råd – det integrerer med andre systemer for at tilpasse brugerens rejse baseret på feedback, og fungerer som en rigtig coach. Det handler ikke kun om emotion, men også om proaktivitet, forståelse af, hvornår og hvorfor man skal kontakte brugeren, og hvornår de har brug for en push eller blot en indsigt om deres aktivitet.

Hvordan bruges maskinlæring til at personliggøre hver brugers træning i realtid? Kan du føre os igennem modellerne og dataindgangene, der driver Zings adaptive coaching-system?

Vi personliggør på fire tidspunkter. Først bygger vi en plan baseret på dine mål, træningshistorik, skader, kropsmålinger, VO₂ max, hvilehjerte-rate og præferencer. På dagen ser vi på gensnings-signaler som søvn og ømhed og justerer øvelser, belastninger, repetitioner og hvile. Under træningen sporer vi hjerte-rate, repetitions-tæller, tempo og hjerte-rate-genvinding mellem sæt for at justere det næste sæt i realtid. Efterfølgende bruger vi estimeret styrke, hjerte-rate-drift, genvindings-tid, dine likes eller skips, og dine noter til at forbedre planen.

Vores bevægelsesanalyse kører på enheden i realtid for form og repetitions-kvalitet. Vi bruger predictive modeller til at sætte mål, GPT til langsigtede planer, coaching-koder og proaktiv motivation, og computer-vision til at spore kropssammensætning og muskelvækst over tid, og føder det hele tilbage ind i planen.

Du har bygget body-scanning og fleksibilitets-test igennem ZingLab—hvordan integrerer disse fysisk indgang i dine træningsalgoritmer, og bruger du nogen form for ensemble-læring eller forstærkning-læring til at finjustere resultaterne?

Vi bruger dem på to måder: til at spore fremgang og til at opdatere træningsplan-parametre. Fitness-testen justerer brugerens fitness-niveau, og body-scanneren forfiner planen med kropssammensætnings-data. Snart lancerer vi muskel-analyse. Alt dette er vigtigt for at bygge et forstærkning-læring-system, der kan analysere, hvordan anbefalinger forbinder sig til faktiske resultater.

Hvad har du gjort for at sikre, at AI-anbefalingerne føles menneskelige, motiverende og støttende i stedet for robotiske? Hvor meget af coaching-voicen er drevet af sprogmodeller versus skrevne regler?

Vi har retningslinjer for, hvordan coachen skal kommunikere, samt sikkerhedsforanstaltninger. Vi har ingen foruddefinerede script. For at sikre, det fungerer, udfører vi flere lag af test: automatiserede kontroller for retningslinje-overholdelse, menneskelige vurderere til at evaluere den “menneskelige” følelse og sag-løsnings-rate, og A/B-test til at måle effekten på produkt-målinger sammen med bruger-feedback. Coach-profiler udvikles baseret på research i vores målgruppe, så de føles ægte, men effektive i guiden af brugere.

Zing betoner engagement og retention, og rapporterer at overgå større konkurrenter med over 25%. Hvilke specifikke maskinlærings- eller produkt-design-teknikker har vist sig at være mest effektive til at drive denne retention?

Vi kører mange eksperimenter og funktioner, der positivt påvirker bruger-rejsen. De primære drivere er proaktivitet, personliggørelse og gamificerede målinger som aktivitet-streaks og styrke-score, drevet af de AI-systemer, jeg tidligere har beskrevet.

Hvordan har du tilgangen til gamification inden for appen? Er funktioner som badges, milepæle og leaderboards tilpasset baseret på brugeradfærd, og ser du bevis for, at denne personliggørelse booster langsigtede engagement?

Det er vigtigt for os at finde værktøjer, der øger engagement. I fitness er fremgang ikke altid synlig med det samme, og resultater tager ofte tid. Derfor arbejder vi på måder at måle og vise selv små forbedringer, som fitness- og fleksibilitets-test, og styrke-score. Aktivitets-streaks hjælper brugere med at blive konsekvente, og mange har opretholdt deres aktivitetsniveauer i over et år.

Hvile tekniske udfordringer havde du med at bygge Zing Vision, din realtids-form-korrektionsfunktion? Hvordan tilpasser systemet sig til edge-cases som dårlig belysning eller usædvanlige vinkler på mobile enheder?

Den primære udfordring var at samle en dataset til at træne modellerne. Vi brugte meget tid på at indsamle og mærke data, samt byggede et stærkt augmentation-system for at gøre det robust for forskellige betingelser som dårlig belysning eller usædvanlige vinkler. Da vi startede udviklingen for 7 år siden, var der ingen løsninger til at køre dette lokalt, så vi opbyggede vores egen arkitektur. Selv nu, med bedre processorer, hjælper denne arkitektur os med at forblive energi-effektive.

Med din udvidelse til modaliteter som Pilates og yoga, hvordan tilpasser dine nuværende AI-systemer sig til nye former for bevægelsesmønstre? Er disse bygget oven på de samme modeller, eller træner du nye?

Vores system er modulært, så tilgangen til nye træningsformer er lignende. Lige nu arbejder vi også på at opgradere vores aktivitet-planlægnings-system til bedre at understøtte forskellige træningsformer.

Da du udvider globalt og samarbejder med fitness-studier gennem Zing Partner Program, hvordan tilpasser du indhold eller træningsplaner baseret på regionale eller kulturelle fitness-præferencer?

Vores system kan prioritere øvelser baseret på kulturelle præferencer. Det er fleksibelt takket være en kombination af en LLM-agentic-tilgang, hvor den primære agent sætter trænings- og ernærings-parametre baseret på brugerens profil.

I fremtiden, hvordan ser du rollen for AI udvikle sig i fitness—specielt i hjælp til brugere ikke kun til at starte, men også til at fastholde rutiner på lang sigt—og hvilke nye funktioner er du mest begejstret for at bygge?

Vi ser, at med rigtige trænere, har folk stærke engagement-rater. Men nu er teknologien på et niveau, hvor den kan endda overgå menneskelige trænere takket være dens tilgængelighed, dybe kendskab til brugeren og evne til at træne på enorme mængder af data og bruge mere effektive mønstre.

Tak for det gode interview, læsere, der ønsker at teste appen, skal besøge Zing Coach.