Alexey Kurov, Director de Producto y Co-fundador de Zing Coach – Serie de Entrevistas

Ha tenido un viaje fascinante al cambiar de co-fundador de Zenia a lanzar Zing Coach—¿puede compartir qué lo inspiró originalmente a crear una plataforma de fitness impulsada por inteligencia artificial, y cómo su trabajo anterior influyó en la visión para Zing?

He estado trabajando con productos de inteligencia artificial durante toda mi carrera, comenzando con lo que ahora llamamos aprendizaje automático tradicional, luego aprendizaje profundo y ahora LLM. Antes de Zenia, nuestra empresa ayudaba a diferentes empresas a integrar soluciones de inteligencia artificial, mientras también buscábamos una nicho donde pudiéramos resolver un problema real y construir nuestro propio producto. En ese momento, había un auge en soluciones de aprendizaje profundo que podían ejecutar algoritmos pesados en tiempo real en dispositivos, como las máscaras faciales de Instagram. Desarrollamos nuestra propia tecnología para el seguimiento de movimiento en dispositivos móviles, inicialmente pensando en disfraces virtuales, pero después de una investigación más profunda, nos dimos cuenta de que podría ser muy útil para el fitness.

En el fitness, hay muchos productos, pero la experiencia no ha cambiado mucho desde la década de 1980 – todavía solo sigues un video de una biblioteca. Vimos un gran potencial para disruptar el mercado con entrenamiento hiperpersonalizado e interactivo. Empezamos con yoga en Zenia, y después de la adquisición por Zing, continué construyendo hacia nuestra visión original allí.

Zing Coach recientemente cerró una ronda de financiación de $10M y ahora atiende a más de un millón de usuarios. ¿Cuáles fueron los hitos técnicos o estratégicos más importantes que lo ayudaron a alcanzar esta escala, y cómo priorizó las características para impulsar el crecimiento?

Desde el primer día, creímos que un entrenador de fitness de inteligencia artificial debería ser verdaderamente personalizado y proactivo, así que construimos el producto en ese paradigma. Para hacer que la generación de entrenamiento sea flexible, diseñamos una arquitectura desde el principio que pudiera manejarlo. Cuando las LLM se volvieron ampliamente disponibles, nuestra solución se combinó naturalmente con ellas y escaló a más casos de usuario.

El segundo gran hito fue nuestra capa de comunicación. Ahora nuestro entrenador no solo da consejos – se integra con otros sistemas para adaptar el viaje del usuario según la retroalimentación, actuando como un entrenador real. No se trata solo de emoción, sino también de proactividad, comprensión de cuándo y por qué contactar al usuario, y cuándo necesita un empujón o simplemente una idea sobre su actividad.

¿Cómo se utiliza el aprendizaje automático para personalizar el entrenamiento de cada usuario en tiempo real? ¿Podría explicar los modelos y las entradas de datos que alimentan el sistema de entrenamiento adaptativo de Zing?

Personalizamos en cuatro momentos. Primero, creamos un plan basado en sus objetivos, historial de entrenamiento, lesiones, métricas corporales, VO₂ max, frecuencia cardíaca en reposo y preferencias. En el día, miramos las señales de recuperación como el sueño y la sensibilidad y ajustamos los ejercicios, las cargas, las repeticiones y el descanso. Durante el entrenamiento, seguimos la frecuencia cardíaca, el recuento de repeticiones, el tempo y la recuperación cardíaca entre series para ajustar la siguiente serie en tiempo real. Después, utilizamos la fuerza estimada, la deriva cardíaca, el tiempo de recuperación, sus gustos o saltos y sus notas para seguir mejorando el plan.

Nuestro análisis de movimiento se ejecuta en el dispositivo en tiempo real para la forma y la calidad de la repetición. Utilizamos modelos predictivos para establecer objetivos, GPT para la planificación a largo plazo, pistas de entrenamiento y motivación proactiva, y visión por computadora para seguir la composición corporal y el crecimiento muscular con el tiempo, alimentando todo esto de regreso al plan.

¿Cómo se integran las entradas físicas de ZingLab, como el análisis de cuerpo y las pruebas de flexibilidad, en sus algoritmos de entrenamiento, y está utilizando algún tipo de aprendizaje de conjunto o aprendizaje de refuerzo para afinar los resultados?

Las utilizamos de dos maneras: para seguir el progreso y para actualizar los parámetros del plan de entrenamiento. La prueba de condición física ajusta el nivel de condición física del usuario, y el escáner de cuerpo refina el plan con datos de composición corporal. Pronto lanzaremos el análisis de músculos. Todo esto es importante para construir un sistema de aprendizaje de refuerzo que pueda analizar cómo las recomendaciones se conectan a los resultados reales.

¿Qué pasos ha tomado para asegurarse de que las recomendaciones de inteligencia artificial se sientan humanas, motivadoras y de apoyo en lugar de robotizadas? ¿Cuánto de la voz del entrenador está impulsada por modelos de lenguaje en comparación con reglas preestablecidas?

Tenemos pautas para cómo el entrenador debe comunicarse, además de límites. No tenemos guiones predefinidos. Para asegurarnos de que funcione, realizamos varias capas de pruebas: comprobaciones automatizadas para el cumplimiento de las pautas, evaluadores humanos para evaluar la sensación “humana” y la tasa de resolución de casos, y pruebas A/B para medir el impacto en las métricas del producto junto con la retroalimentación del usuario. Los perfiles del entrenador se desarrollan en función de la investigación sobre nuestra audiencia para que se sientan reales pero efectivos para guiar a los usuarios.

Zing enfatiza la participación y la retención, y según se informa, supera a los competidores más grandes en más del 25%. ¿Qué técnicas de aprendizaje automático o diseño de producto han demostrado ser las más efectivas para impulsar ese tipo de retención?

Realizamos muchos experimentos y características que impactan positivamente en el viaje del usuario. Los principales impulsores son la proactividad, la personalización y las métricas gamificadas como las rachas de actividad y las puntuaciones de fuerza, impulsadas por los sistemas de inteligencia artificial que describí anteriormente.

¿Cómo abordó la gamificación dentro de la aplicación? ¿Se personalizan características como insignias, hitos y tablas de clasificación en función del comportamiento del usuario, y ve evidencia de que esta personalización aumenta el compromiso a largo plazo?

Es importante para nosotros encontrar herramientas que aumenten la participación. En el fitness, el progreso no siempre es visible de inmediato, y los resultados a menudo tardan en llegar. Es por eso que trabajamos en formas de medir y mostrar incluso mejoras pequeñas, como pruebas de condición física y flexibilidad, y la puntuación de fuerza. Las rachas de actividad ayudan a los usuarios a mantenerse consistentes, y muchos han mantenido sus niveles de actividad durante más de un año.

¿Qué desafíos técnicos enfrentó al construir Zing Vision, su función de corrección de forma en tiempo real? ¿Cómo se adapta el sistema a casos de borde como iluminación deficiente o ángulos inusuales en dispositivos móviles?

El desafío principal fue recopilar un conjunto de datos para entrenar los modelos. Pasamos mucho tiempo recopilando y etiquetando datos, y también construimos un fuerte sistema de aumento para hacerlo robusto para diferentes condiciones como iluminación deficiente o ángulos inusuales. Cuando comenzamos a desarrollarlo hace 7 años, no había soluciones para ejecutar esto localmente, así que creamos nuestra propia arquitectura. Incluso ahora, con mejores procesadores, esta arquitectura nos ayuda a mantener la eficiencia energética.

Con su expansión a modalidades como Pilates y yoga, ¿cómo se adaptan sus sistemas de inteligencia artificial actuales a nuevos patrones de movimiento? ¿Se construyen sobre los mismos modelos o está reentrenando nuevos?

Nuestro sistema es modular, así que el enfoque para nuevos tipos de entrenamiento es similar. Ahora también estamos trabajando en mejorar nuestro sistema de planificación de actividades para que pueda apoyar mejor diferentes tipos de entrenamiento.

¿Cómo personaliza el contenido o los planes de entrenamiento en función de las preferencias de fitness regionales o culturales mientras se expande globalmente y se asocia con estudios de fitness a través del Programa de socios de Zing?

Nuestro sistema puede priorizar ejercicios en función de las preferencias culturales. Es flexible gracias a una combinación de un enfoque de agente de LLM, donde el agente principal establece parámetros de entrenamiento y nutrición según el perfil del usuario.

¿Cómo ve el papel de la inteligencia artificial evolucionando en el fitness, especialmente en ayudar a los usuarios a no solo comenzar sino a mantenerse con las rutinas a largo plazo, y qué nuevas capacidades está más emocionado de construir?

Vemos que con entrenadores reales, las personas tienen tasas de participación fuertes. Pero ahora, la tecnología está en un nivel en el que puede superar incluso a los entrenadores humanos gracias a su disponibilidad, conocimiento profundo del usuario y capacidad para entrenar en grandes volúmenes de datos y utilizar patrones más efectivos.

Gracias por la gran entrevista, los lectores que deseen probar la aplicación deben visitar Zing Coach.