Alexey Kurov, Διευθυντής Προϊόντος & Συνιδρυτής της Zing Coach – Σειρά Συνεντεύξεων

Είχατε ένα συναρπαστικό ταξίδι μετάβασης από τη συνίδρυση της Zenia στην έναρξη της Zing Coach—μπορείτε να μοιραστείτε τι σας ενέπνευσε αρχικά να δημιουργήσετε μια πλατφόρμα γυμναστικής με τεχνητή νοημοσύνη και πώς η προηγούμενη δουλειά σας επηρέασε το όραμα για τη Zing;

Δουλεύω με προϊόντα Τεχνητής Νοημοσύνης σε όλη μου την καριέρα, ξεκινώντας με αυτό που τώρα ονομάζουμε παραδοσιακή Μηχανική Μάθηση (ML), έπειτα βαθιά μάθηση και τώρα LLM. Πριν από τη Zenia, η εταιρεία μας βοηθούσε διάφορες επιχειρήσεις να ενσωματώσουν λύσεις Τεχνητής Νοημοσύνης, ενώ παράλληλα αναζητούσε μια θέση όπου θα μπορούσαμε να λύσουμε ένα πραγματικό πρόβλημα και να δημιουργήσουμε το δικό μας προϊόν. Εκείνη την εποχή, υπήρξε μια άνθηση στις λύσεις βαθιάς μάθησης που μπορούσαν να εκτελέσουν αλγόριθμους σε πραγματικό χρόνο σε συσκευές, όπως οι μάσκες προσώπου του Instagram. Αναπτύξαμε τη δική μας τεχνολογία για την παρακολούθηση κίνησης σε κινητές συσκευές, αρχικά σκεπτόμενοι εικονικές στολές, αλλά μετά από εις βάθος έρευνα, συνειδητοποιήσαμε ότι θα μπορούσε να είναι πολύ χρήσιμη για τη φυσική κατάσταση.

Στον τομέα της γυμναστικής, υπάρχουν πολλά προϊόντα, αλλά η εμπειρία δεν έχει αλλάξει πολύ από τη δεκαετία του '80 – εξακολουθείτε απλώς να παρακολουθείτε ένα βίντεο από μια βιβλιοθήκη. Είδαμε μεγάλες δυνατότητες να ανατρέψουμε την αγορά με υπερ-εξατομικευμένη, διαδραστική καθοδήγηση. Ξεκινήσαμε με τη γιόγκα στη Zenia και, μετά την εξαγορά από την Zing, συνέχισα να χτίζω προς το αρχικό μας όραμα εκεί.

Η Zing Coach πρόσφατα έκλεισε μια συμφωνία Series A αξίας 10 εκατομμυρίων δολαρίων και τώρα εξυπηρετεί πάνω από ένα εκατομμύριο χρήστες. Ποια ήταν τα μεγαλύτερα τεχνικά ή στρατηγικά ορόσημα που σας βοήθησαν να φτάσετε σε αυτήν την κλίμακα και πώς δώσατε προτεραιότητα στις λειτουργίες για να προωθήσετε την ανάπτυξη;

Από την πρώτη κιόλας μέρα, πιστεύαμε ότι ένας προπονητής φυσικής κατάστασης με τεχνητή νοημοσύνη θα πρέπει να είναι πραγματικά εξατομικευμένος και προληπτικός, γι' αυτό και δημιουργήσαμε το προϊόν με βάση αυτό το πρότυπο. Για να κάνουμε την παραγωγή προπονήσεων ευέλικτη, σχεδιάσαμε από την αρχή μια αρχιτεκτονική που μπορούσε να την διαχειριστεί. Όταν τα LLM έγιναν ευρέως διαθέσιμα, η λύση μας συνδυάστηκε φυσικά με αυτά και κλιμακώθηκε σε περισσότερες περιπτώσεις χρηστών.

Το δεύτερο μεγάλο ορόσημο ήταν το επίπεδο επικοινωνίας μας. Τώρα, ο coach μας δεν δίνει μόνο συμβουλές – ενσωματώνεται με άλλα συστήματα για να προσαρμόσει το ταξίδι του χρήστη με βάση τα σχόλια, ενεργώντας σαν πραγματικός coach. Δεν πρόκειται μόνο για το συναίσθημα, αλλά και για την προνοητικότητα, την κατανόηση του πότε και γιατί να επικοινωνήσει με τον χρήστη και πότε χρειάζεται μια ώθηση ή απλώς μια εικόνα για τη δραστηριότητά του.

Πώς χρησιμοποιείται η μηχανική μάθηση για την εξατομίκευση της προπόνησης κάθε χρήστη σε πραγματικό χρόνο; Θα μπορούσατε να μας εξηγήσετε τα μοντέλα και τις εισαγωγές δεδομένων που τροφοδοτούν το προσαρμοστικό σύστημα προπόνησης της Zing;

Εξατομικεύουμε την προπόνηση σε τέσσερις χρονικές στιγμές. Αρχικά, δημιουργούμε ένα πλάνο με βάση τους στόχους σας, το ιστορικό προπόνησής σας, τους τραυματισμούς, τις μετρήσεις σώματος, τη μέγιστη πρόσληψη οξυγόνου (VO₂), τον καρδιακό ρυθμό ηρεμίας και τις προτιμήσεις σας. Την ημέρα της προπόνησης, εξετάζουμε τα σήματα αποκατάστασης όπως ο ύπνος και ο πόνος και προσαρμόζουμε τις ασκήσεις, τα φορτία, τις επαναλήψεις και την ανάπαυση. Κατά τη διάρκεια της προπόνησης, παρακολουθούμε τον καρδιακό ρυθμό, τον αριθμό επαναλήψεων, το ρυθμό και την αποκατάσταση του καρδιακού ρυθμού μεταξύ των σετ για να προσαρμόσουμε το επόμενο σετ σε πραγματικό χρόνο. Στη συνέχεια, χρησιμοποιούμε την εκτιμώμενη δύναμη, την απόκλιση του καρδιακού ρυθμού, τον χρόνο αποκατάστασης, τα "μου αρέσει" ή τα "παραλείψεις" σας και τις σημειώσεις σας για να συνεχίσουμε να βελτιώνουμε το πλάνο.

Η ανάλυση κίνησής μας εκτελείται σε πραγματικό χρόνο στη συσκευή για τη βελτίωση της φόρμας και της ποιότητας των επαναλήψεων. Χρησιμοποιούμε προγνωστικά μοντέλα για να θέσουμε στόχους, GPT για μακροπρόθεσμο σχεδιασμό, συμβουλές προπόνησης και προληπτικά κίνητρα, καθώς και υπολογιστική όραση για την παρακολούθηση της σωματικής σύνθεσης και της μυϊκής ανάπτυξης με την πάροδο του χρόνου, τροφοδοτώντας τα όλα στο σχέδιο.

Έχετε δημιουργήσει σάρωση σώματος και δοκιμές ευλυγισίας μέσω του ZingLab—πώς ενσωματώνονται αυτές οι φυσικές εισροές στους αλγόριθμους προπόνησής σας και χρησιμοποιείτε κάποια μορφή μάθησης σε σύνολο ή ενισχυτικής μάθησης για να βελτιώσετε τα αποτελέσματα;

Τα χρησιμοποιούμε με δύο τρόπους: για την παρακολούθηση της προόδου και για την ενημέρωση των παραμέτρων του προγράμματος προπόνησης. Το τεστ φυσικής κατάστασης προσαρμόζει το επίπεδο φυσικής κατάστασης του χρήστη και ο σαρωτής σώματος βελτιώνει το πρόγραμμα με δεδομένα σύνθεσης σώματος. Σύντομα, θα λανσάρουμε την ανάλυση μυών. Όλα αυτά είναι σημαντικά για τη δημιουργία ενός συστήματος ενισχυτικής μάθησης που μπορεί να αναλύσει πώς οι συστάσεις συνδέονται με τα πραγματικά αποτελέσματα.

Ποια βήματα έχετε κάνει για να διασφαλίσετε ότι οι προτάσεις για την Τεχνητή Νοημοσύνη έχουν ανθρώπινη, κινητήρια και υποστηρικτική αίσθηση αντί για ρομποτική; Σε ποιο βαθμό η φωνή της καθοδήγησης καθοδηγείται από γλωσσικά μοντέλα σε σχέση με τους κανόνες που έχουν γραφτεί;

Έχουμε οδηγίες για τον τρόπο επικοινωνίας του coach, καθώς και προστατευτικά κιγκλιδώματα. Δεν έχουμε προκαθορισμένα σενάρια. Για να βεβαιωθούμε ότι λειτουργεί, κάνουμε διάφορα επίπεδα δοκιμών: αυτοματοποιημένους ελέγχους για τη συμμόρφωση με τις οδηγίες, ανθρώπινους αξιολογητές για την αξιολόγηση της «ανθρώπινης» αίσθησης και του ποσοστού επίλυσης περιστατικών και δοκιμές A/B για τη μέτρηση του αντίκτυπου στις μετρήσεις προϊόντων μαζί με τα σχόλια των χρηστών. Τα προφίλ των coach αναπτύσσονται με βάση την έρευνα στο κοινό μας, ώστε να φαίνονται πραγματικά αλλά αποτελεσματικά στην καθοδήγηση των χρηστών.

Η Zing δίνει έμφαση στην αλληλεπίδραση και τη διατήρηση πελατών, φέρεται να ξεπερνά τους μεγαλύτερους ανταγωνιστές της κατά 25%. Ποιες συγκεκριμένες τεχνικές μηχανικής μάθησης ή σχεδιασμού προϊόντων έχουν αποδειχθεί πιο αποτελεσματικές στην προώθηση αυτού του είδους διατήρησης πελατών;

Εκτελούμε πολλά πειράματα και λειτουργίες που επηρεάζουν θετικά το ταξίδι του χρήστη. Οι κύριοι παράγοντες που το οδηγούν είναι η προνοητικότητα, η εξατομίκευση και οι παιχνιδιοποιημένες μετρήσεις, όπως οι σειρές δραστηριότητας και οι βαθμολογίες δύναμης, που υποστηρίζονται από τα συστήματα τεχνητής νοημοσύνης που περιέγραψα νωρίτερα.

Πώς προσεγγίσατε την gamification εντός της εφαρμογής; Προσαρμόζονται λειτουργίες όπως badges, milestimes και leaderboards με βάση τη συμπεριφορά των χρηστών και βλέπετε στοιχεία που αποδεικνύουν ότι αυτή η εξατομίκευση ενισχύει τη μακροπρόθεσμη δέσμευση;

Είναι σημαντικό για εμάς να βρίσκουμε εργαλεία που αυξάνουν την αλληλεπίδραση. Στη γυμναστική, η πρόοδος δεν είναι πάντα ορατή αμέσως και τα αποτελέσματα συχνά απαιτούν χρόνο. Γι' αυτό εργαζόμαστε πάνω σε τρόπους μέτρησης και εμφάνισης ακόμη και μικρών βελτιώσεων, όπως τεστ φυσικής κατάστασης και ευλυγισίας, καθώς και τη βαθμολογία δύναμης. Τα σερί δραστηριότητας βοηθούν τους χρήστες να παραμένουν σταθεροί και πολλοί έχουν διατηρήσει τα επίπεδα δραστηριότητάς τους για περισσότερο από ένα χρόνο.

Ποιες τεχνικές προκλήσεις αντιμετωπίσατε κατά την κατασκευή του Zing Vision, της λειτουργίας διόρθωσης φόρμας σε πραγματικό χρόνο; Πώς προσαρμόζεται το σύστημα σε ακραίες περιπτώσεις, όπως κακός φωτισμός ή ασυνήθιστες γωνίες σε κινητές συσκευές;

Η κύρια πρόκληση ήταν η συλλογή ενός συνόλου δεδομένων για την εκπαίδευση των μοντέλων. Αφιερώσαμε πολύ χρόνο στη συλλογή και την επισήμανση δεδομένων, ενώ παράλληλα δημιουργήσαμε ένα ισχυρό σύστημα επαύξησης για να το κάνουμε ανθεκτικό σε διαφορετικές συνθήκες, όπως κακός φωτισμός ή ασυνήθιστες γωνίες. Όταν ξεκινήσαμε την ανάπτυξή του πριν από 7 χρόνια, δεν υπήρχαν λύσεις για να το εκτελέσουμε τοπικά, οπότε δημιουργήσαμε τη δική μας αρχιτεκτονική. Ακόμα και τώρα, με καλύτερους επεξεργαστές, αυτή η αρχιτεκτονική μας βοηθά να παραμένουμε ενεργειακά αποδοτικοί.

Με την επέκτασή σας σε μορφές άσκησης όπως το Pilates και η γιόγκα, πώς προσαρμόζονται τα τρέχοντα συστήματα τεχνητής νοημοσύνης σας σε νέους τύπους κινητικών μοτίβων; Βασίζονται στα ίδια μοντέλα ή επανεκπαιδεύετε νέα;

Το σύστημά μας είναι αρθρωτό, επομένως η προσέγγιση στους νέους τύπους προπόνησης είναι παρόμοια. Αυτή τη στιγμή, εργαζόμαστε επίσης για την αναβάθμιση του συστήματος σχεδιασμού δραστηριοτήτων μας, ώστε να υποστηρίζει καλύτερα διαφορετικούς τύπους προπόνησης.

Καθώς επεκτείνεστε παγκοσμίως και συνεργάζεστε με στούντιο γυμναστικής μέσω του Προγράμματος Συνεργατών Zing, πώς προσαρμόζετε το περιεχόμενο ή τα προγράμματα προπόνησης με βάση τις τοπικές ή πολιτισμικές προτιμήσεις γυμναστικής;

Το σύστημά μας μπορεί να ιεραρχήσει τις ασκήσεις με βάση τις πολιτισμικές προτιμήσεις. Είναι ευέλικτο χάρη σε έναν συνδυασμό μιας προσέγγισης LLM-agent, όπου ο κύριος παράγοντας ορίζει τις παραμέτρους προπόνησης και διατροφής με βάση το προφίλ του χρήστη.

Κοιτάζοντας μπροστά, πώς βλέπετε να εξελίσσεται ο ρόλος της Τεχνητής Νοημοσύνης στη φυσική κατάσταση —ειδικά στο να βοηθά τους χρήστες όχι μόνο να ξεκινήσουν αλλά και να τηρήσουν τις ρουτίνες μακροπρόθεσμα— και ποιες νέες δυνατότητες είστε πιο ενθουσιασμένοι να αναπτύξετε;

Βλέπουμε ότι με τους πραγματικούς προπονητές (coaches), οι άνθρωποι έχουν ισχυρά ποσοστά αλληλεπίδρασης. Αλλά τώρα, η τεχνολογία έχει φτάσει σε ένα επίπεδο όπου μπορεί να ξεπεράσει ακόμη και τους ανθρώπινους προπονητές χάρη στη διαθεσιμότητά της, τη βαθιά γνώση του χρήστη και την ικανότητά της να εκπαιδεύεται σε τεράστιους όγκους δεδομένων και να χρησιμοποιεί πιο αποτελεσματικά μοτίβα.

Ευχαριστούμε fή τη σπουδαία συνέντευξη, οι αναγνώστες που επιθυμούν να δοκιμάσουν την εφαρμογή θα πρέπει να επισκεφθούν Προπονητής Ζινγκ.