Αλεξέι Κουρόφ, Chief Product Officer & Συνιδρυτής της Zing Coach – Σειρά Συνεντεύξεων

Έχετε μια φασcinující πορεία μετάβασης από την συνίδρυση της Zenia στην εκκίνηση της Zing Coach—μπορείτε να μοιραστείτε τι σας ενέπνευσε αρχικά να δημιουργήσετε μια πλατφόρμα προπονητή AI, και πώς η προηγούμενη δουλειά σας επηρέασε την όραση για τη Zing;

Έχω εργαστεί με προϊόντα ΤΝ σε όλη μου την καριέρα, ξεκινώντας από αυτό που σήμερα ονομάζουμε παραδοσιακή μηχανική μάθηση, περνώντας στη βαθιά μάθηση και πλέον στα LLM. Πριν από τη Zenia, η εταιρεία μας βοηθούσε επιχειρήσεις να ενσωματώσουν λύσεις ΤΝ, ενώ παράλληλα αναζητούσαμε έναν χώρο όπου θα μπορούσαμε να λύσουμε ένα πραγματικό πρόβλημα και να δημιουργήσουμε δικό μας προϊόν. Εκείνη την περίοδο γνώριζαν άνθηση οι λύσεις βαθιάς μάθησης που εκτελούσαν απαιτητικούς αλγορίθμους σε πραγματικό χρόνο πάνω σε συσκευές, όπως τα φίλτρα προσώπου του Instagram. Αναπτύξαμε δική μας τεχνολογία παρακολούθησης κίνησης σε κινητές συσκευές, αρχικά για εικονική δοκιμή ρούχων, αλλά έπειτα από βαθύτερη έρευνα καταλάβαμε ότι μπορούσε να αποδειχθεί πολύ χρήσιμη στη γυμναστική.

Στην φυσική κατάσταση, υπάρχουν πολλά προϊόντα, αλλά η εμπειρία δεν έχει αλλάξει πολύ από τη δεκαετία του ’80 – ακόμη ακολουθείτε ένα βίντεο από μια βιβλιοθήκη. Είδαμε μεγάλο δυναμικό να διαταράξουμε την αγορά με υπερπροσωποποιημένη, διαδραστική προπόνηση. Ξεκινήσαμε με το yoga στην Zenia, και μετά την απόκτηση από την Zing, συνέχισα να χτίζω προς την αρχική μας όραση εκεί.

Η Zing Coach πρόσφατα έκλεισε μια συμφωνία Series A 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 αυτή την κλίμακα, και πώς προτεραιότησατε τις λειτουργίες για να οδηγήσετε την ανάπτυξη;

Από την πρώτη μέρα, πιστεύαμε ότι ένας προπονητής AI πρέπει να είναι πραγματικά προσωποποιημένος και προδραστικός, οπότε χτίσαμε το προϊόν σε αυτό το παράδειγμα. Για να κάνουμε την παραγωγή της άσκησης ευέλικτη, σχεδιάσαμε μια αρχιτεκτονική από την αρχή που θα μπορούσε να χειριστεί αυτό. Όταν τα LLMs έγιναν ευρέως διαθέσιμα, η λύση μας συνδυάστηκε φυσικά μαζί τους και κλιμάκωσε σε περισσότερες περιπτώσεις χρήστη.

Το δεύτερο μεγάλο ορόσημο ήταν το επίπεδο επικοινωνίας μας. Τώρα ο προπονητής μας δεν δίνει μόνο συμβουλές – ενσωματώνεται με άλλα συστήματα για να προσαρμόσει το ταξίδι του χρήστη με βάση τις ανατροφοδοτήσεις, δρώντας σαν πραγματικός προπονητής. Δεν είναι μόνο για το συναίσθημα, αλλά και για την προδραστικότητα, την κατανόηση του πότε και του γιατί να επικοινωνήσει με τον χρήστη, και όταν χρειάζεται μια ώθηση ή απλώς μια εικόνα για τη δραστηριότητά του.

Πώς χρησιμοποιείται το machine learning για να προσωποποιήσει την άσκηση κάθε χρήστη σε πραγματικό χρόνο; Μπορείτε να μας οδηγήσετε μέσα από τα μοντέλα και τις εισόδους δεδομένων που ενεργοποιούν το σύστημα προπονητή της Zing;

Προσωποποιούμε σε τέσσερις στιγμές. Πρώτα, χτίζουμε ένα σχέδιο με βάση τους στόχους σας, την ιστορία προπόνησης, τις τραυματισμούς, τα μετρικά δεδομένα του σώματος, το VO₂ max, την καρδιακή συχνότητα αναπαύσεως και τις προτιμήσεις. Την ημέρα, κοιτάμε τα σήματα ανάκαμψης όπως ο ύπνος και η πόνος και προσαρμόζουμε τις ασκήσεις, τις φόρτες, τις επαναλήψεις και τις διακοπές. Κατά τη διάρκεια της άσκησης, παρακολουθούμε την καρδιακή συχνότητα, τον αριθμό επαναλήψεων, το τέμπο και την ανάκαμψη της καρδιακής συχνότητας μεταξύ των σετ για να προσαρμόσουμε το επόμενο σετ σε πραγματικό χρόνο. Μετά, χρησιμοποιούμε την εκτιμώμενη δύναμη, την καρδιακή συχνότητα, τον χρόνο ανάκαμψης, τις προτιμήσεις σας και τις σημειώσεις σας για να βελτιώσουμε το σχέδιο.

Η ανάλυση κίνησής μας τρέχει στην κινητή συσκευή σε πραγματικό χρόνο για τη μορφή και την ποιότητα επανάληψης. Χρησιμοποιούμε προβλεπτικά μοντέλα για να ορίσουμε στόχους, GPT για τη μακροπρόθεσμη προγραμματισμό, τις οδηγίες προπόνησης και την προδραστική мотивασία, και υπολογιστική όραση για να παρακολουθήσουμε τη σύνθεση σώματος και την ανάπτυξη μυών με τον καιρό, τα οποία ταξινομούμε όλα πίσω στο σχέδιο.

Έχετε χτίσει την σαρωτική σώματος και την δοκιμή ευελιξίας μέσω του ZingLab—πώς αυτές οι φυσικές εισόδους ενσωματώνονται στα αλγορίθμους προπόνησης, και χρησιμοποιείτε κάποια μορφή ensemble learning ή reinforcement learning για να βελτιώσετε τα αποτελέσματα;

Τις χρησιμοποιούμε με δύο τρόπους: για να παρακολουθήσουμε την πρόοδο και για να ενημερώσουμε τις παραμέτρους του σχεδίου προπόνησης. Η δοκιμή φυσικής κατάστασης προσαρμόζει το επίπεδο φυσικής κατάστασης του χρήστη, και η σαρωτική σώματος βελτιώνει το σχέδιο με δεδομένα σύνθεσης σώματος. Σύντομα, θα εκκινήσουμε την ανάλυση μυών. Όλα αυτά είναι σημαντικά για την κατασκευή ενός συστήματος reinforcement learning που μπορεί να αναλύσει πώς οι προτάσεις συνδέονται με τα πραγματικά αποτελέσματα.

Ποια βήματα έχετε πάρει για να διασφαλίσετε ότι οι προτάσεις AI αισθανθούν ανθρώπινες, мотивικές και υποστηρικτικές αντί για ρομποτικές; Ποιο ποσοστό της φωνής προπόνησης οδηγείται από μοντέλα γλωσσών έναντι σεναρίων;

Έχουμε οδηγίες για το πώς ο προπονητής πρέπει να επικοινωνήσει, συν με φράγματα. Δεν έχουμε κανένα προκαθορισμένο σεναρίο. Για να βεβαιωθούμε ότι λειτουργεί, κάνουμε πολλά επίπεδα δοκιμών: αυτόματες ελέγχους για συμμόρφωση με τις οδηγίες, ανθρώπινους αξιολογητές για να αξιολογήσουν το “ανθρώπινο” αίσθημα και το ποσοστό επίλυσης περιπτώσεων, και δοκιμές A/B για να μετρήσουμε την επίδραση στα μετρικά του προϊόντος μαζί με τις ανατροφοδοτήσεις χρηστών. Τα προφίλ προπονητή αναπτύσσονται με βάση την έρευνα για το κοινό μας, οπότε αισθάνονται πραγματικά αλλά αποτελεσματικά στην οδήγηση των χρηστών.

Η Zing τονίζει την εμπλοκή και τη διατήρηση, αναφέροντας ότι ξεπερνά τους μεγαλύτερους ανταγωνιστές κατά πάνω από 25%. Ποια συγκεκριμένα τεχνικά ή σχεδιαστικά τεχνικές έχουν αποδειχθεί πιο αποτελεσματικές στην οδήγηση αυτού του είδους διατήρησης;

Τρέχουμε πολλά πειράματα και λειτουργίες που έχουν θετική επίδραση στο ταξίδι του χρήστη. Οι κύριοι οδηγοί είναι η προδραστικότητα, η προσωποποίηση και τα γαμισμένα μετρικά όπως οι σειρές δραστηριότητας και οι βαθμοί δύναμης, που ενεργοποιούνται από τα συστήματα AI που περιέγραψα νωρίτερα.

Πώς προσεγγίσατε το gamification μέσα στην εφαρμογή; Είναι χαρακτηριστικά όπως τα βέλη, τα ορόσημα και οι πίνακες κατάταξης προσαρμοσμένα με βάση τη συμπεριφορά του χρήστη, και βλέπετε αποδείξεις ότι αυτή η προσωποποίηση αυξάνει την μακροπρόθεσμη δέσμευση;

Είναι σημαντικό για μας να βρούμε εργαλεία που αυξάνουν την εμπλοκή. Στην φυσική κατάσταση, η πρόοδος δεν είναι πάντα ορατή αμέσως, και τα αποτελέσματα συχνά παίρνουν χρόνο. Αυτό είναι το λόγο για τον οποίο εργαζόμαστε σε τρόπους για να μετρήσουμε και να δείξουμε ακόμη και μικρές βελτιώσεις, όπως οι δοκιμές φυσικής κατάστασης και οι βαθμοί δύναμης. Οι σειρές δραστηριότητας βοηθούν τους χρήστες να παραμείνουν συνεπείς, και πολλοί έχουν διατηρήσει τα επίπεδα δραστηριότητας τους για πάνω από ένα χρόνο.

Ποια τεχνικά προβλήματα αντιμετωπίσατε στην ανάπτυξη της Zing Vision, της λειτουργίας διόρθωσης μορφής σε πραγματικό χρόνο; Πώς το σύστημα προσαρμόζεται σε περιπτώσεις άκρων όπως ο κακός φωτισμός ή οι ασυνήθιστες γωνίες σε κινητές συσκευές;

Η κύρια πρόκληση ήταν η συλλογή ενός συνόλου δεδομένων για την εκπαίδευση των μοντέλων. Ξόδιασα πολύ χρόνο συλλέγοντας και αναγνωρίζοντας δεδομένα, συν με την κατασκευή ενός ισχυρού συστήματος αύξησης για να το κάνουμε robust για διαφορετικές συνθήκες όπως ο κακός φωτισμός ή οι ασυνήθιστες γωνίες. Όταν ξεκινήσαμε να την αναπτύσσουμε 7 χρόνια πριν, δεν υπήρχαν λύσεις για να τρέξει αυτό τοπικά, οπότε δημιουργήσαμε τη δική μας αρχιτεκτονική. Ακόμη και τώρα, με καλύτερους επεξεργαστές, αυτή η αρχιτεκτονική μας βοηθά να παραμείνουμε ενεργειακά αποδοτικοί.

Με την επέκταση σας σε modalities όπως το Pilates και το yoga, πώς τα τρέχοντα συστήματα AI προσαρμόζονται σε νέους τύπους μοτίβων κίνησης; Είναι αυτά χτισμένα πάνω στα ίδια μοντέλα ή είστε αναπτύσσοντας νέα;

Το σύστημά μας είναι modulaire, οπότε η προσέγγιση για νέους τύπους προπόνησης είναι παρόμοια. Τώρα, εργαζόμαστε επίσης στην αναβάθμιση του συστήματος προγραμματισμού δραστηριότητας για να υποστηρίξουμε καλύτερα διαφορετικούς τύπους προπόνησης.

Καθώς επεκτείνεστε παγκοσμίως και συνεργάζεστε με στούντιο φυσικής κατάστασης μέσω του προγράμματος Zing Partner, πώς προσαρμόζετε το περιεχόμενο ή τα σχέδια προπόνησης με βάση τις περιφερειακές ή πολιτιστικές προτιμήσεις φυσικής κατάστασης;

Το σύστημά μας μπορεί να προτεραιότητα τις ασκήσεις με βάση τις πολιτιστικές προτιμήσεις. Είναι ευέλικτο χάρη σε μια συνδυασμένη προσέγγιση LLM-agentic, όπου ο κύριος πράκτωρ ορίζει παραμέτρους προπόνησης και διατροφής με βάση το προφίλ του χρήστη.

Κοιτάζοντας μπροστά, πώς βλέπετε τον ρόλο του AI να εξελίσσεται στην φυσική κατάσταση—ειδικά στη βοήθεια των χρηστών να ξεκινήσουν αλλά και να παραμείνουν σε ρουτίνες μακροπρόθεσμα—και ποια νέα ικανότητες είστε πιο ενθουσιασμένοι να χτίσετε;

Βλέπουμε ότι με πραγματικούς προπονητές, οι άνθρωποι έχουν ισχυρές επιδόσεις. Αλλά τώρα, η τεχνολογία είναι 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 εκπαιδεύσει σε τεράστιους όγκους δεδομένων και να χρησιμοποιήσει πιο αποτελεσματικά μοτίβα.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να δοκιμάσουν την εφαρμογή πρέπει να επισκεφθούν Zing Coach.