Alexey Kurov, Directeur des produits et Co-fondateur de Zing Coach – Série d’entretiens

Vous avez eu un parcours fascinant en passant de la co-fondation de Zenia au lancement de Zing Coach – pouvez-vous partager ce qui vous a initialement inspiré pour créer une plateforme de fitness basée sur l’IA, et comment votre travail précédent a influencé la vision pour Zing ?

J’ai travaillé avec des produits basés sur l’IA toute ma carrière, en commençant par ce que nous appelons maintenant la ML traditionnelle, puis l’apprentissage profond, et maintenant les LLM. Avant Zenia, notre entreprise aidait différentes entreprises à intégrer des solutions basées sur l’IA, tout en cherchant un créneau où nous pourrions résoudre un problème réel et construire notre propre produit. À cette époque, il y avait un boom dans les solutions d’apprentissage profond qui pouvaient exécuter des algorithmes lourds en temps réel sur les appareils, comme les masques de visage d’Instagram. Nous avons développé notre propre technologie pour le suivi des mouvements sur les appareils mobiles, en pensant initialement à des costumes virtuels, mais après une recherche plus approfondie, nous avons réalisé qu’elle pourrait être très utile pour la condition physique.

Dans la condition physique, il y a beaucoup de produits, mais l’expérience n’a pas changé beaucoup depuis les années 80 – vous suivez toujours simplement une vidéo d’une bibliothèque. Nous avons vu un grand potentiel pour perturber le marché avec un coaching hyper-personnalisé et interactif. Nous avons commencé avec le yoga chez Zenia, et après l’acquisition par Zing, j’ai continué à construire vers notre vision initiale.

Zing Coach a récemment clôturé un financement de série A de 10 millions de dollars et sert maintenant plus d’un million d’utilisateurs. Quels ont été les principaux jalons techniques ou stratégiques qui vous ont aidé à atteindre cette échelle, et comment avez-vous priorisé les fonctionnalités pour stimuler la croissance ?

Dès le premier jour, nous avons cru qu’un entraîneur de fitness basé sur l’IA devait être vraiment personnalisé et proactif, nous avons donc construit le produit dans ce paradigme. Pour rendre la génération de travail flexible, nous avons conçu une architecture dès le départ qui pouvait gérer cela. Lorsque les LLM sont devenus largement disponibles, notre solution s’est naturellement combinée avec eux et a évolué pour répondre à davantage de cas d’utilisation.

Le deuxième grand jalon a été notre couche de communication. Maintenant, notre entraîneur ne donne pas seulement des conseils – il intègre d’autres systèmes pour adapter le parcours de l’utilisateur en fonction des commentaires, agissant comme un véritable entraîneur. Il ne s’agit pas seulement de l’émotion, mais aussi de la proactivité, de la compréhension de quand et pourquoi contacter l’utilisateur, et de quand il a besoin d’un coup de pouce ou simplement d’une idée sur son activité.

Comment l’apprentissage automatique est-il utilisé pour personnaliser l’entraînement de chaque utilisateur en temps réel ? Pouvez-vous nous guider à travers les modèles et les entrées de données qui alimentent le système de coaching adaptatif de Zing ?

Nous personnalisons à quatre moments. Tout d’abord, nous construisons un plan en fonction de vos objectifs, de votre historique d’entraînement, de vos blessures, de vos paramètres corporels, de votre VO₂ max, de votre fréquence cardiaque au repos et de vos préférences. Le jour de l’entraînement, nous regardons les signaux de récupération comme le sommeil et les courbatures, et ajustons les exercices, les charges, les répétitions et les temps de repos. Pendant l’entraînement, nous suivons la fréquence cardiaque, le nombre de répétitions, le tempo et la récupération cardiaque entre les séries pour ajuster la prochaine série en temps réel. Après l’entraînement, nous utilisons la force estimée, la dérive cardiaque, le temps de récupération, vos préférences ou les exercices que vous avez sautés, et vos notes pour améliorer le plan.

Notre analyse de mouvement s’exécute sur l’appareil en temps réel pour la forme et la qualité des répétitions. Nous utilisons des modèles prédictifs pour définir les cibles, le GPT pour la planification à long terme, les conseils d’entraînement et la motivation proactive, et la vision par ordinateur pour suivre la composition corporelle et la croissance musculaire au fil du temps, en les réinjectant toutes dans le plan.

Vous avez développé l’analyse de la flexibilité et des tests de condition physique via ZingLab – comment ces entrées physiques s’intègrent-elles dans vos algorithmes d’entraînement, et utilisez-vous une forme d’apprentissage par ensemble ou d’apprentissage par renforcement pour affiner les résultats ?

Nous les utilisons de deux manières : pour suivre les progrès et pour mettre à jour les paramètres du plan d’entraînement. Le test de condition physique ajuste le niveau de condition physique de l’utilisateur, et l’analyse de la composition corporelle affine le plan avec les données de composition corporelle. Bientôt, nous lancerons l’analyse musculaire. Tout cela est important pour construire un système d’apprentissage par renforcement qui peut analyser comment les recommandations se connectent aux résultats réels.

Quelles mesures avez-vous prises pour garantir que les recommandations de l’IA ressemblent à des conseils humains, motivants et de soutien plutôt qu’à des conseils robotiques ? Combien de la voix de l’entraîneur est pilotée par des modèles de langage par rapport aux règles scriptées ?

Nous avons des directives pour la façon dont l’entraîneur doit communiquer, ainsi que des garde-fous. Nous n’avons pas de scripts prédéfinis. Pour nous assurer que cela fonctionne, nous effectuons plusieurs couches de tests : des vérifications automatisées pour la conformité aux directives, des évaluateurs humains pour évaluer le sentiment « humain » et le taux de résolution des cas, et des tests A/B pour mesurer l’impact sur les métriques de produit ainsi que les commentaires des utilisateurs. Les profils d’entraîneur sont développés sur la base de recherches sur notre public cible pour qu’ils se sentent réels mais efficaces pour guider les utilisateurs.

Zing met l’accent sur l’engagement et la rétention, dépassant apparemment les plus grands concurrents de plus de 25 %. Quelles techniques d’apprentissage automatique ou de conception de produit se sont avérées les plus efficaces pour stimuler ce type de rétention ?

Nous exécutons de nombreuses expériences et fonctionnalités qui ont un impact positif sur le parcours de l’utilisateur. Les principaux moteurs sont la proactivité, la personnalisation et les métriques de type gamification comme les séries d’activité et les scores de force, alimentés par les systèmes d’IA que j’ai décrits plus tôt.

Comment avez-vous abordé la gamification au sein de l’application ? Les fonctionnalités telles que les badges, les jalons et les classements sont-elles adaptées en fonction du comportement de l’utilisateur, et voyez-vous des preuves que cette personnalisation renforce l’engagement à long terme ?

Il est important pour nous de trouver des outils pour augmenter l’engagement. Dans la condition physique, les progrès ne sont pas toujours visibles immédiatement, et les résultats prennent souvent du temps. C’est pourquoi nous travaillons sur des moyens de mesurer et de montrer même les petites améliorations, comme les tests de condition physique et de flexibilité, et le score de force. Les séries d’activité aident les utilisateurs à rester constants, et beaucoup ont maintenu leurs niveaux d’activité pendant plus d’un an.

Quels défis techniques avez-vous rencontrés en développant Zing Vision, votre fonctionnalité de correction de forme en temps réel ? Comment le système s’adapte-t-il aux cas limites tels que la faible luminosité ou les angles inhabituels sur les appareils mobiles ?

Le principal défi était de collecter un ensemble de données pour l’entraînement des modèles. Nous avons passé beaucoup de temps à collecter et à étiqueter des données, ainsi qu’à construire un système de renforcement solide pour le rendre robuste dans différentes conditions comme la faible luminosité ou les angles inhabituels. Lorsque nous avons commencé à le développer il y a 7 ans, il n’y avait pas de solutions pour exécuter cela localement, nous avons donc créé notre propre architecture. Même maintenant, avec de meilleurs processeurs, cette architecture nous aide à rester économes en énergie.

Avec votre expansion dans des modalités telles que le Pilates et le yoga, comment vos systèmes d’IA actuels s’adaptent-ils à de nouveaux types de modèles de mouvement ? Sont-ils construits sur les mêmes modèles, ou formez-vous de nouveaux ?

Notre système est modulaire, donc l’approche de nouveaux types d’entraînement est similaire. Actuellement, nous travaillons également sur la mise à niveau de notre système de planification d’activité pour mieux supporter différents types d’entraînement.

Alors que vous vous développez à l’échelle mondiale et que vous vous associez à des studios de condition physique via le programme de partenariat Zing, comment personnalisez-vous le contenu ou les plans d’entraînement en fonction des préférences de condition physique régionales ou culturelles ?

Notre système peut donner la priorité aux exercices en fonction des préférences culturelles. Il est flexible grâce à une combinaison d’une approche LLM-agentic, où l’agent principal définit les paramètres d’entraînement et de nutrition en fonction du profil de l’utilisateur.

En regardant vers l’avenir, comment voyez-vous le rôle de l’IA évoluer dans la condition physique – en particulier pour aider les utilisateurs à ne pas seulement commencer mais à s’en tenir à des routines à long terme – et quelles nouvelles capacités êtes-vous le plus impatient de développer ?

Nous voyons que les entraîneurs réels ont des taux d’engagement élevés. Mais maintenant, la technologie est à un niveau où elle peut même surpasser les entraîneurs humains grâce à sa disponibilité, à ses connaissances approfondies de l’utilisateur et à sa capacité à s’entraîner sur d’énormes volumes de données et à utiliser des modèles plus efficaces.

Merci pour cette grande interview, les lecteurs qui souhaitent tester l’application doivent visiter Zing Coach.