Alexey Kurov, Chief Product Officer & Co-Founder von Zing Coach – Interview-Serie

Sie haben eine faszinierende Reise von der Gründung von Zenia zur Einführung von Zing Coach unternommen – können Sie uns erzählen, was Sie ursprünglich dazu inspiriert hat, eine künstliche Intelligenz-gestützte Fitnessplattform zu erstellen, und wie Ihre vorherige Arbeit die Vision für Zing beeinflusst hat?

Ich habe mein ganzes Berufsleben lang mit künstlichen Intelligenz-Produkten gearbeitet, angefangen mit dem, was wir jetzt traditionelle ML nennen, dann Deep Learning und jetzt LLMs. Bevor Zenia unsere Firma half, unterschiedlichen Unternehmen künstliche Intelligenz-Lösungen zu integrieren, suchten wir nach einer Nische, in der wir ein reales Problem lösen und unser eigenes Produkt aufbauen konnten. Zu dieser Zeit gab es einen Boom an Deep-Learning-Lösungen, die schwere Algorithmen in Echtzeit auf Geräten ausführen konnten, wie Instagrams Gesichtsmasken. Wir entwickelten unsere eigene Technologie für die Bewegungserkennung auf mobilen Geräten, zunächst dachten wir an virtuelle Kostüme, aber nach tieferer Forschung erkannten wir, dass sie sehr nützlich für Fitness sein konnte.

Im Fitnessbereich gibt es viele Produkte, aber das Erlebnis hat sich seit den 80er Jahren nicht viel geändert – man folgt immer noch einfach einem Video aus einer Bibliothek. Wir sahen ein großes Potenzial, den Markt mit hyperpersonalisierten, interaktiven Trainings zu stören. Wir begannen mit Yoga in Zenia, und nach der Übernahme durch Zing setzte ich die Arbeit an unserer ursprünglichen Vision fort.

Zing Coach hat kürzlich eine Serie-A-Finanzierung von 10 Millionen Dollar abgeschlossen und verfügt jetzt über über eine Million Benutzer. Welche waren die größten technischen oder strategischen Meilensteine, die Ihnen halfen, diese Größe zu erreichen, und wie priorisierten Sie Funktionen, um das Wachstum voranzutreiben?

Von Anfang an glaubten wir, dass ein künstlicher Intelligenz-Coach wirklich personalisiert und proaktiv sein sollte, also bauten wir das Produkt in diesem Paradigma auf. Um flexible Trainingspläne zu ermöglichen, entwarfen wir eine Architektur, die es von Anfang an handhaben konnte. Als LLMs weit verbreitet verfügbar wurden, kombinierte unsere Lösung sich natürlich mit ihnen und skalierte auf mehr Benutzerszenarien.

Der zweite große Meilenstein war unsere Kommunikationsschicht. Jetzt gibt unser Coach nicht nur Ratschläge – es integriert sich mit anderen Systemen, um den Benutzerweg basierend auf Feedback anzupassen, wie ein echter Coach. Es geht nicht nur um Emotionen, sondern auch um Proaktivität, das Verständnis, wann und warum man den Benutzer kontaktieren sollte, und wann er einen Anstoß oder einfach eine Einsicht in seine Aktivität benötigt.

Wie wird maschinelles Lernen verwendet, um das Training jedes Benutzers in Echtzeit zu personalisieren? Könnten Sie uns durch die Modelle und Dateninputs führen, die Zings adaptives Coachingsystem antreiben?

Wir personalisieren an vier Punkten. Zuerst erstellen wir einen Plan basierend auf Ihren Zielen, Trainingsgeschichte, Verletzungen, Körpermaßen, VO₂-Max, Ruheherzfrequenz und Vorlieben. Am Tag schauen wir auf Erholungssignale wie Schlaf und Muskelkater und passen Übungen, Lasten, Wiederholungen und Ruhezeiten an. Während des Trainings verfolgen wir die Herzfrequenz, Wiederholungszahl, Tempo und Herzfrequenzwiederherstellung zwischen den Sätzen, um den nächsten Satz in Echtzeit anzupassen. Danach verwenden wir die geschätzte Kraft, Herzfrequenzdrift, Erholungszeit, Ihre Likes oder Überspringen und Ihre Notizen, um den Plan weiter zu verbessern.

Unsere Bewegungsanalyse läuft in Echtzeit auf dem Gerät für Form und Übungsqualität. Wir verwenden prädiktive Modelle, um Ziele zu setzen, GPT für langfristige Planung, Coachingshinweise und proaktive Motivation und Computer-Vision, um Körperzusammensetzung und Muskelwachstum über die Zeit zu verfolgen, all dies wird in den Plan zurückgeführt.

Sie haben Body-Scanning und Flexibilitätstests durch ZingLab entwickelt – wie integrieren sich diese physischen Eingaben in Ihre Trainingsalgorithmen, und verwenden Sie eine Form des Ensemble-Lernens oder des Verstärkungslernens, um die Ergebnisse fein zu justieren?

Wir verwenden sie auf zwei Arten: um den Fortschritt zu verfolgen und um die Trainingsplanparameter zu aktualisieren. Der Fitnesstest passt das Fitnesslevel des Benutzers an, und der Körperscanner verfeinert den Plan mit Körperzusammensetzungsdaten. Bald werden wir Muskelanalyse einführen. All dies ist wichtig, um ein Verstärkungslernsystem aufzubauen, das analysieren kann, wie Empfehlungen mit tatsächlichen Ergebnissen zusammenhängen.

Welche Schritte haben Sie unternommen, um sicherzustellen, dass die künstlichen Intelligenz-Empfehlungen menschlich, motivierend und unterstützend wirken, anstatt roboterhaft? Wie viel des Coachings ist durch Sprachmodelle im Vergleich zu skriptbasierten Regeln gesteuert?

Wir haben Richtlinien für die Kommunikation des Coaches, plus Schutzmechanismen. Wir haben keine vordefinierten Skripte. Um sicherzustellen, dass es funktioniert, führen wir mehrere Testschichten durch: automatisierte Überprüfungen auf Richtlinienkonformität, menschliche Prüfer, um den “menschlichen” Charakter und die Falllösungsrate zu bewerten, und A/B-Tests, um die Auswirkungen auf Produktmetriken sowie Benutzerfeedback zu messen. Coach-Profile werden auf der Grundlage von Forschungsergebnissen zu unserem Publikum entwickelt, damit sie real, aber effektiv im Leiten der Benutzer wirken.

Zing betont Engagement und Bindung, angeblich über 25 % besser als größere Wettbewerber. Welche spezifischen maschinellen Lern- oder Produkt-Design-Techniken haben sich als besonders effektiv bei der Steigerung dieser Bindung erwiesen?

Wir führen viele Experimente und Funktionen durch, die den Benutzerweg positiv beeinflussen. Die Haupttreiber sind Proaktivität, Personalisierung und gamifizierte Metriken wie Aktivitätsstreaks und Kraftwerte, die durch die künstlichen Intelligenz-Systeme angetrieben werden, die ich zuvor beschrieben habe.

Wie haben Sie die Gamification innerhalb der App angegangen? Sind Funktionen wie Abzeichen, Meilensteine und Ranglisten basierend auf Benutzerverhalten zugeschnitten, und sehen Sie Beweise, dass diese Personalisierung die langfristige Bindung steigert?

Es ist wichtig für uns, Werkzeuge zu finden, die das Engagement erhöhen. Im Fitnessbereich ist der Fortschritt nicht immer sofort sichtbar, und Ergebnisse benötigen oft Zeit. Deshalb arbeiten wir an Wegen, um sogar kleine Verbesserungen zu messen und zu zeigen, wie Fitness- und Flexibilitätstests und die Kraftwertung. Aktivitätsstreaks helfen Benutzern, konstant zu bleiben, und viele haben ihre Aktivitätslevel über ein Jahr hinweg aufrechterhalten.

Welche technischen Herausforderungen haben Sie beim Aufbau von Zing Vision, Ihrem Echtzeit-Form-Korrektur-Feature, erlebt? Wie passt sich das System an Randfälle wie schlechte Beleuchtung oder ungewöhnliche Winkel auf mobilen Geräten an?

Die größte Herausforderung war die Sammlung eines Datensatzes für die Schulung der Modelle. Wir haben viel Zeit damit verbracht, Daten zu sammeln und zu kennzeichnen, und wir haben ein starkes Augmentations-System entwickelt, um es für verschiedene Bedingungen wie schlechte Beleuchtung oder ungewöhnliche Winkel robust zu machen. Als wir es vor 7 Jahren entwickelten, gab es keine Lösungen, um es lokal auszuführen, also erstellten wir unsere eigene Architektur. Selbst jetzt, mit besseren Prozessoren, hilft uns diese Architektur, effizient zu bleiben.

Bei der Expansion in Modalitäten wie Pilates und Yoga – wie passen sich Ihre aktuellen künstlichen Intelligenz-Systeme an neue Bewegungsmuster an? Sind diese auf den gleichen Modellen aufgebaut oder trainieren Sie neue?

Unser System ist modular, also ist der Ansatz für neue Trainingsarten ähnlich. Zurzeit arbeiten wir auch daran, unser Aktivitätsplanungssystem zu verbessern, um verschiedene Trainingsarten besser zu unterstützen.

Wie passen Sie Inhalte oder Trainingspläne basierend auf regionalen oder kulturellen Fitness-Präferenzen an, während Sie global expandieren und durch das Zing-Partner-Programm mit Fitness-Studios zusammenarbeiten?

Unser System kann Übungen basierend auf kulturellen Präferenzen priorisieren. Es ist flexibel dank einer Kombination aus LLM-agenter Ansatz, bei dem der Hauptagent Trainings- und Ernährungsparameter basierend auf dem Benutzerprofil setzt.

Wenn Sie in die Zukunft blicken, wie sehen Sie die Rolle der künstlichen Intelligenz in der Fitness – insbesondere bei der Unterstützung der Benutzer, nicht nur mit dem Start, sondern auch mit der langfristigen Einhaltung von Routinen – und welche neuen Fähigkeiten sind Sie am meisten daran interessiert, aufzubauen?

Wir sehen, dass mit echten Trainern die Menschen starke Engagement-Raten haben. Aber jetzt ist die Technologie auf einem Level, auf dem sie sogar menschliche Trainer überbieten kann, dank ihrer Verfügbarkeit, tiefen Kenntnis des Benutzers und Fähigkeit, auf enorme Datenmengen zu trainieren und effektivere Muster zu verwenden.

Vielen Dank für das großartige Interview, Leser, die die App testen möchten, sollten Zing Coach besuchen.