Haastattelut
Alexey Kurov, Zing Coachin tuotejohtaja ja perustaja – Haastattelusarja
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Alexey Kurov, Zing Coachin tuotejohtaja ja perustaja, on teknologiayritysten asiantuntija ja yrittäjä, joka on erikoistunut tekoälypohjaisiin kuntoutusratkaisuihin. Zing Coachissa hän johtaa tekoälyohjattujen harjoitussuunnitelmien kehittämistä, jotka tarjoavat henkilökohtaisen valmennuksen, reaaliaikaisen edistymisen seuraamisen ja monikanavaista vuorovaikutusta. Aikaisemmin hän perusti Zenian, ensimmäisen tekoälyjoogasovelluksen, ja toimi johtotehtävissä Gentleminds AI:ssa, Pixseessä ja WeSeessa, luoden vahvan maineen älykkäiden ja mukautuvien digitaalisten terveydenhuoltotuotteiden luomisessa.
Zing Coach on tekoälypohjainen kuntoutussovellus, joka luo mukautuvia harjoitussuunnitelmia kullekin käyttäjälle heidän kehon tietojensa, tavoitteidensa, energiatasojensa ja käytettävissä olevan laitteistonsa perusteella. Sovellus käyttää ominaisuuksia kuten kehon skannauksia, kuntoutustestejä ja reaaliaikaista muodon seuraamista, ja sovittaa intensiteettiä ja etenemistä lennossa, tarjoten henkilökohtaisen ohjauksen yli 400: n harjoituksen kokoamiseen. Sovellus on suunniteltu toimimaan kuin digitaalinen henkilökohtainen valmentaja, ja se tarjoaa älykkäitä, joustavia ja erittäin mukautuvia kuntoutuskokemuksia kotona tai salilla.
Olet ollut mukana mielenkiintoisessa matkassa siirtymällä Zenian perustamisesta Zing Coachin lanseeraukseen – voitko kertoa, mikä alun perin innoitti sinua luomaan tekoälypohjaisen kuntoutusjärjestelmän, ja miten aiempi työsi vaikutti Zingin visioon?
Olen työskennellyt koko urani ajan tekoälytuotteiden parissa, aloittaen perinteisestä koneoppimisesta, sitten syvemmästä oppimisesta ja nyt LLM:stä. Ennen Zeniaa yrityksemme auttoi eri yrityksiä integroimaan tekoälyratkaisuja, samalla etsimällä nišää, jossa voisimme ratkaista oikean ongelman ja luoda oma tuotteemme. Tuolloin syvä oppimisen ratkaisujen käyttöönotto oli buumissa, ja kehitimme oman teknologiamme liikkeen seuraamiseen mobiililaitteilla, aluksi ajatellessamme virtuaalisiin asuihin. Mutta syvemmän tutkimisen jälkeen tajusimme, että se voisi olla erittäin hyödyllistä kuntoutukseen.
Kuntoutusalan tuotteita on paljon, mutta kokemus ei ole muuttunut paljonkaan 80-luvun jälkeen – seuraat yhä vain videota kirjastosta. Näimme suuren potentiaalin markkinoiden häirintään hyperhenkilökohtaisella, interaktiivisella valmennuksella. Aloimme joogalla Zeniassa, ja Zingin omistettua sen, jatkoin visiomme toteuttamista siellä.
Zing Coach on vastikään saanut 10 miljoonan dollarin rahoituksen sarjassa A ja palvelee nyt yli miljoona käyttäjää. Mitkä olivat suurimmat tekniset tai strategiset merkkipaaluja, jotka auttoivat sinua saavuttamaan tämän mittakaavan, ja miten priorisoit ominaisuuksia kasvun ajamiseksi?
Alusta alkaen uskoimme, että tekoälyvalmentaja tulisi olla aidosti henkilökohtainen ja proaktiivinen, joten rakensimme tuotteen tämän paradigman mukaisesti. Tehokkaan harjoitusgeneraation mahdollistamiseksi suunnittelimme arkkitehtuurin, joka pystyy käsittelemään sen. Kun LLM:t tulivat laajasti saataville, ratkaisumme yhdistyi niiden kanssa ja skaalautui useisiin käyttötapausten mukaisesti.
Toinen suuri merkkipaalu oli viestintäkerros. Nyt valmentajamme ei anna vain neuvoja – se integroituu muihin järjestelmiin sovittaakseen käyttäjän matkan palautteen perusteella, toimien kuin oikea valmentaja. Se ei ole vain tunteista, vaan myös proaktiivisuudesta, ymmärtämisestä, milloin ja miksi ottaa yhteyttä käyttäjään, ja milloin he tarvitsevat työntöä tai yksinkertaisesti näkemystä toiminnastaan.
Miten tekoälyä käytetään jokaisen käyttäjän harjoituksen mukauttamiseen reaaliajassa? Voitko käydä läpi malleja ja tietojen syötteitä, jotka voimauttavat Zingin mukautuvan valmennusjärjestelmän?
Mukautamme neljässä vaiheessa. Ensinnäkin, rakennamme suunnitelman perustuen tavoitteisiisi, harjoitteluhistoriaasi, vammoihisi, kehon mittauksiisi, VO₂ maksimiisi, lepoaikaisiin sydämen tahtiisi ja mieltymyksiisi. Päivän aikana tarkkailemme toipumismerkkejä, kuten unta ja kipua, ja sovittamme harjoituksia, kuormia, toistoja ja lepoaikaa. Harjoituksen aikana seuraamme sydämen tahtia, toistojen määrää, tahtia ja sydämen toipumista välien välillä, jotta voimme sovittaa seuraavaa toistoa reaaliajassa. Sen jälkeen käytämme arvioitua voimaa, sydämen tahtiin perustuvaa toipumista, palautetta, mieltymyksiä ja muistiinpanoja jatkuvasti parantamaan suunnitelmaa.
Liikkeen analyysi suoritetaan laitteessa reaaliajassa muodon ja toiston laadun seuraamiseksi. Käytämme ennustavia malleja asettaaksemme tavoitteita, GPT: tä pitkäaikaisen suunnittelun, valmennusohjeiden ja proaktiivisen motivoinnin, ja tietokoneen näköaistimia seuraamaan kehon koostumusta ja lihaskasvua ajan myötä, jotta voimme syöttää sen takaisin suunnitelmaan.
Olet kehittänyt kehon skannauksen ja joustavuustestin ZingLabissa – miten nämä fyysiset syötteet integroidaan harjoitussuunnitelman algoritmeihin, ja käytätkö järjestelmässäsi ensemble-oppimista tai vahvistusoppimista tuloksien hienosäätöön?
Käytämme niitä kahtena tavoin: seurataksesi edistymistä ja päivittääksesi harjoitussuunnitelman parametreja. Kuntoutustesti sovittaa käyttäjän kuntoutustason, ja kehon skannaus tarkentaa suunnitelman kehon koostumusaineiston perusteella. Pian lanseeramme lihasanalyysin. Kaikki tämä on tärkeää vahvistusoppimisen järjestelmän rakentamiseksi, joka voi analysoida, miten suositukset liittyvät todellisiin tuloksiin.
Mitkä ovat otteet, joilla varmistat, että tekoälysuositukset tuntuvat inhimillisiltä, motivaatioltaan ja tukemiselta eikä robottimaisilta? Kuinka paljon valmennusääntä ohjataan kielen malleilla verrattuna kirjoitettuihin sääntöihin?
Meillä on ohjeet siitä, miten valmentaja tulisi viestiä, sekä varotoimia. Meillä ei ole ennalta määriteltyjä käsikirjoituksia. Varmistamme, että se toimii, tekemällä useita kerroksia testausta: automaattisia tarkistuksia ohjeiden noudattamiseksi, ihmiskohtaisia arvioita “inhimillisen” tunteen arvioimiseksi ja tapausten ratkaisuongelman arvioimiseksi, sekä A/B-kokeita mitatakseen vaikutusta tuotekohtaisiin mittareihin yhdessä käyttäjien palautteen kanssa. Valmentajaprofiilit kehitetään tutkimuksen perusteella yleisöömme, jotta ne tuntuisivat aidoilta mutta tehokkailta käyttäjien ohjaamisessa.
Zing korostaa sitoutumista ja pidättämisestä, ja ilmoittaa ylittävänsä suurempien kilpailijoiden yli 25 %. Mitkä tarkat koneoppimisen tai tuotesuunnittelun tekniikat ovat osoittautuneet tehokkaimmiksi sitoutumisen ajaminisessa, ja miten nämä vaikuttavat käyttäjien pidättämisessä?
Suoritamme monia kokeita ja ominaisuuksia, jotka vaikuttavat myönteisesti käyttäjän matkaan. Pääasialliset ajurit ovat proaktiivisuus, henkilökohtaisuus ja pelillistämisellä, kuten toimintalinjoja ja voimakkuuspisteitä, jotka perustuvat aiemmin mainittuihin tekoälyjärjestelmiin.
Miten lähestyt pelillistämistä sovelluksessa? Onko ominaisuuksia kuten tunnisteita, merkkipaaluja ja johtoja mukautettu käyttäjän käyttäytymisen perusteella, ja näkyykö näiden mukauttamisen todisteita pitkäaikaisen sitoutumisen lisäämisestä?
On tärkeää meille löytää työkaluja, jotka lisäävät sitoutumista. Kuntoutumisessa edistymistä ei aina näy välittömästi, ja tulokset vaativat usein aikaa. Siksi työskentelemme keinojen parissa, joilla voidaan mitata ja näyttää jopa pieniä parannuksia, kuten kuntoutus- ja joustavuustestejä, sekä voimakkuuspisteitä. Toimintalinjat auttavat käyttäjiä pysymään johdonmukaisina, ja monet ovat ylläpitäneet toimintatasoaan yli vuoden ajan.
Mitkä olivat suurimmat tekniset haasteet Zing Visionin, reaaliaikaisen muodon korjausominaisuuden, kehittämisessä? Miten järjestelmä sopeutuu reunatapauksiin, kuten heikkoon valaistukseen tai epätavallisiin kulmiin mobiililaitteilla?
Pääasiallinen haaste oli koulutusaineiston kerääminen. Vietimme paljon aikaa aineiston keräämiseen ja merkintään, sekä kehitimme vahvan augmentaatiojärjestelmän, jotta se olisi robusti erilaisissa olosuhteissa, kuten heikkoon valaistukseen tai epätavallisiin kulmiin. Kun aloimme sen kehittämisen 7 vuotta sitten, ei ollut ratkaisuja, joilla voitiin suorittaa paikallisesti, joten kehitimme oman arkkitehtuurin. Edelleen, vaikka prosessorit ovat parempia, tämä arkkitehtuuri auttaa meitä pysymään energiatehokkaina.
Miten nykyinen tekoälyjärjestelmäsi sopeutuu uusiin liikuntamuotoihin, kuten pilatekseen ja joogaan? Rakennetaanko ne samojen mallien päälle vai koulutetaanko uusia?
Järjestelmämme on modulaarinen, joten uusien harjoitusmuotojen lähestymistapa on samanlainen. Tällä hetkellä työskentelemme myös parantamassa toimintasuunnittelujärjestelmäämme paremmin eri harjoitusmuotojen tukemiseksi.
Kun laajennat globaalisti ja teet yhteistyötä kuntoutusstudioitten kanssa Zing Partner -ohjelman kautta, miten mukautat sisältöä tai harjoitussuunnitelmia alueellisten tai kulttuuristen kuntoutussuosituksien mukaan?
Järjestelmämme voi priorisoida harjoituksia kulttuuristen suositusten perusteella. Se on joustava yhdistelmän ansiosta, jossa LLM-agentsuunnitelma asettaa harjoitus- ja ravitsemussuositukset käyttäjän profiilin perusteella.
Miten näet tekoälyn roolin kehittyvän kuntoutumisessa, erityisesti auttaessaan käyttäjiä aloittamaan ja pitämään yllä rutiineja pitkällä aikavälillä, ja mitkä ovat uudet ominaisuudet, joita olet eniten innostunut kehittämään?
Näen, että oikeilla valmentajilla on vahvat sitoutumisasteet. Mutta nyt teknologia on tasolla, jossa se voi jopa ylittää ihmisten valmentajat saatavuutensa, syvän käyttäjätuntemuksensa ja kykynsä kouluttaa valtavilla tietomäärillä ja käyttää tehokkaampia malleja.
Kiitos tästä haastattelusta. Lukijat, jotka haluavat testata sovelluksen, voivat vierailla Zing Coachissa.
