अलेक्सी कुरोव, जिंग कोच के मुख्य उत्पाद अधिकारी और सह-संस्थापक – साक्षात्कार श्रृंखला

आपके पास जेनिया की सह-स्थापना से लेकर जिंग कोच लॉन्च करने तक एक दिलचस्प यात्रा रही है – क्या आप बता सकते हैं कि आपको एआई-संचालित फिटनेस प्लेटफ़ॉर्म बनाने के लिए क्या प्रेरित किया और आपका पिछला काम जिंग के लिए दृष्टि को कैसे प्रभावित किया?

मैंने अपने पूरे करियर में एआई उत्पादों के साथ काम किया है, जो अब हम पारंपरिक एमएल, फिर गहरे शिक्षण और अब एलएलएम के रूप में जानते हैं। जेनिया से पहले, हमारी कंपनी ने विभिन्न व्यवसायों को एआई समाधानों को एकीकृत करने में मदद की, साथ ही हम एक ऐसे निचे की तलाश कर रहे थे जहां हम एक वास्तविक समस्या का समाधान कर सकते हैं और अपना उत्पाद बना सकते हैं। उस समय, गहरे शिक्षण समाधानों में एक उछाल था जो वास्तविक समय में डिवाइसों पर भारी एल्गोरिदम चला सकते थे, जैसे कि इंस्टाग्राम के फेस मास्क। हमने अपनी खुद की तकनीक विकसित की मोबाइल डिवाइसों पर मोशन ट्रैकिंग के लिए, शुरू में वर्चुअल पोशाक के बारे में सोचा, लेकिन गहराई से शोध करने के बाद, हमने महसूस किया कि यह फिटनेस के लिए बहुत उपयोगी हो सकता है।

फिटनेस में, कई उत्पाद हैं, लेकिन अनुभव बहुत नहीं बदला है – आप अभी भी केवल एक लाइब्रेरी से एक वीडियो का पालन करते हैं। हमने देखा कि हाइपर-व्यक्तिगत, इंटरैक्टिव कोचिंग के साथ बाजार को बाधित करने की बड़ी संभावना है। हमने जेनिया में योग से शुरू किया, और जिंग द्वारा अधिग्रहण के बाद, मैं वहां अपने मूल दृष्टि की ओर निर्माण जारी रखा।

जिंग कोच ने हाल ही में $10M श्रृंखला ए और अब एक मिलियन से अधिक उपयोगकर्ताओं की सेवा करता है। क्या सबसे बड़े तकनीकी या रणनीतिक मील के पत्थर थे जिन्होंने आपको इस पैमाने पर पहुंचाने में मदद की, और आपने विकास को बढ़ावा देने के लिए सुविधाओं को कैसे प्राथमिकता दी?

हमने दिन एक से माना कि एक एआई फिटनेस कोच वास्तव में व्यक्तिगत और प्रोएक्टिव होना चाहिए, इसलिए हमने उत्पाद को उस दृष्टिकोण में बनाया। वर्कआउट पीढ़ी को लचीला बनाने के लिए, हमने एक वास्तुकला का डिज़ाइन किया जो इसे संभाल सकता है। जब एलएलएम व्यापक रूप से उपलब्ध हो गए, तो हमारा समाधान स्वाभाविक रूप से उनके साथ जुड़ गया और अधिक उपयोगकर्ता मामलों में स्केल किया गया।

दूसरा बड़ा मील का पत्थर हमारी संचार परत थी। अब हमारा कोच केवल सलाह नहीं देता है – यह अन्य प्रणालियों के साथ एकीकृत होता है ताकि उपयोगकर्ता की यात्रा को प्रतिक्रिया के आधार पर अनुकूलित किया जा सके, एक वास्तविक कोच की तरह काम करता है। यह केवल भावना के बारे में नहीं है, बल्कि प्रोएक्टिविटी, उपयोगकर्ता को कब और क्यों संपर्क करने की समझ, और जब उन्हें धक्का या केवल उनकी गतिविधि के बारे में अंतर्दृष्टि की आवश्यकता होती है।

आपके द्वारा प्रत्येक उपयोगकर्ता के वर्कआउट को वास्तविक समय में कैसे व्यक्तिगत किया जाता है? क्या आप मॉडल और डेटा इनपुट के माध्यम से जिंग की अनुकूली कोचिंग प्रणाली को चलाने वाले मॉडल के माध्यम से हमें चला सकते हैं?

हम चार क्षणों में व्यक्तिगत करते हैं। सबसे पहले, हम आपके लक्ष्यों, प्रशिक्षण इतिहास, चोटों, शरीर मीट्रिक, वीओ₂ अधिकतम, आराम करने वाले हृदय दर, और वरीयताओं के आधार पर एक योजना बनाते हैं। दिन पर, हम वसूली संकेतों जैसे नींद और दर्द और व्यायाम, भार, पुनरावृत्ति और आराम को समायोजित करते हैं। वर्कआउट के दौरान, हम हृदय दर, पुनरावृत्ति गिनती, ताल और सेट के बीच हृदय दर पुनर्प्राप्ति को ट्रैक करते हैं ताकि अगले सेट में वास्तविक समय में समायोजन किया जा सके। उसके बाद, हम अनुमानित ताकत, हृदय दर ड्रिफ्ट, पुनर्प्राप्ति समय, आपकी पसंद या छोड़ दें, और आपके नोट्स का उपयोग करके योजना में सुधार करते हैं।

हमारा मूवमेंट विश्लेषण वास्तविक समय में फॉर्म और पुनरावृत्ति गुणवत्ता के लिए डिवाइस पर चलता है। हम लक्ष्य निर्धारित करने के लिए पूर्वानुमान मॉडल का उपयोग करते हैं, लंबी अवधि की योजना के लिए जीपीटी, कोचिंग संकेत, और प्रोएक्टिव प्रेरणा, और शरीर की संरचना और मांसपेशियों के विकास को ट्रैक करने के लिए कंप्यूटर दृष्टि का उपयोग करते हैं, जो सभी को योजना में वापस खिलाते हैं।

आपने जिंगलैब के माध्यम से बॉडी स्कैनिंग और लचीलापन परीक्षण का निर्माण किया है – ये शारीरिक इनपुट आपके प्रशिक्षण एल्गोरिदम में कैसे एकीकृत होते हैं, और क्या आप परिणामों को ठीक करने के लिए किसी प्रकार के एन्सेम्बल लर्निंग या रिनफोर्समेंट लर्निंग का उपयोग कर रहे हैं?

हम उन्हें दो तरीकों से उपयोग करते हैं: प्रगति को ट्रैक करने के लिए और वर्कआउट योजना पैरामीटर को अपडेट करने के लिए। फिटनेस परीक्षण उपयोगकर्ता के फिटनेस स्तर को समायोजित करता है, और बॉडी स्कैनर योजना को शरीर संरचना डेटा के साथ परिष्कृत करता है। जल्द ही, हम मांसपेशियों के विश्लेषण को लॉन्च करेंगे। यह सभी एक पुनरावृत्ति सीखने की प्रणाली का निर्माण करने के लिए महत्वपूर्ण है जो सिफारिशों और वास्तविक परिणामों के बीच कैसे जुड़ता है।

आपके द्वारा एआई सिफारिशों को मानवीय, प्रेरक और सहायक बनाने के लिए क्या कदम उठाए गए हैं, न कि रोबोटिक? भाषा मॉडल के माध्यम से कोचिंग आवाज का कितना हिस्सा चलाया जाता है और कितना स्क्रिप्टेड नियमों द्वारा?

हमारे पास कोच के संचार के लिए दिशानिर्देश हैं, साथ ही गार्डरेल भी हैं। हमारे पास कोई पूर्वनिर्धारित स्क्रिप्ट नहीं है। यह सुनिश्चित करने के लिए कि यह काम करता है, हम कई परतों के परीक्षण करते हैं: दिशानिर्देशों के अनुपालन के लिए स्वचालित जांच, मानव मूल्यांकनकर्ता जो ‘मानव’ महसूस और मामला समाधान दर का मूल्यांकन करते हैं, और ए/बी परीक्षण जो उत्पाद मेट्रिक्स पर प्रभाव को मापते हैं साथ ही उपयोगकर्ता प्रतिक्रिया के साथ। कोच प्रोफाइल हमारे दर्शकों में शोध के आधार पर विकसित की जाती हैं ताकि वे वास्तविक लगते हैं लेकिन उपयोगकर्ताओं को मार्गदर्शन करने में प्रभावी हों।

जिंग कोच बड़े प्रतियोगियों की तुलना में 25% से अधिक की भागीदारी और प्रतिधारण पर जोर देता है। कौन से विशिष्ट मशीन लर्निंग या उत्पाद डिज़ाइन तकनीकें इस प्रकार की प्रतिधारण को चलाने में सबसे प्रभावी साबित हुई हैं?

हम कई प्रयोग और सुविधाएं चलाते हैं जो उपयोगकर्ता यात्रा पर सकारात्मक प्रभाव डालती हैं। मुख्य ड्राइवर प्रोएक्टिविटी, व्यक्तिगतकरण और गेमिफाइड मेट्रिक्स जैसे गतिविधि स्ट्रीक और ताकत स्कोर हैं, जो पहले बताए गए एआई सिस्टम द्वारा संचालित होते हैं।

आपने ऐप के भीतर गेमिफिकेशन को कैसे दृष्टिकोण किया? क्या बैज, मील के पत्थर और लीडरबोर्ड जैसी सुविधाएं उपयोगकर्ता व्यवहार के आधार पर अनुकूलित हैं, और क्या आप देखते हैं कि यह व्यक्तिगतकरण दीर्घकालिक प्रतिबद्धता को बढ़ाता है?

यह महत्वपूर्ण है कि हम भागीदारी बढ़ाने वाले उपकरण खोजें। फिटनेस में, प्रगति हमेशा तुरंत दिखाई नहीं देती है, और परिणाम अक्सर समय लेते हैं। यही कारण है कि हम उन तरीकों पर काम करते हैं जो छोटे सुधारों को भी मापते और दिखाते हैं, जैसे कि फिटनेस और लचीलापन परीक्षण, और ताकत स्कोर। गतिविधि स्ट्रीक उपयोगकर्ताओं को निरंतरता बनाए रखने में मदद करती है, और कई ने एक वर्ष से अधिक समय तक अपने गतिविधि स्तर बनाए रखे हैं।

जिंग विजन, आपकी वास्तविक समय फॉर्म सुधार सुविधा का निर्माण करते समय आपको कौन सी तकनीकी चुनौतियों का सामना करना पड़ा? प्रणाली कैसे खराब प्रकाश या मोबाइल डिवाइस पर असामान्य कोण जैसे एज केस के लिए अनुकूलित होती है?

मुख्य चुनौती एक डेटासेट इकट्ठा करना और मॉडल को प्रशिक्षित करना था। हमने बहुत समय डेटा इकट्ठा करने और लेबल करने में बिताया, साथ ही हमने विभिन्न परिस्थितियों जैसे खराब प्रकाश या असामान्य कोण के लिए मजबूत ऑगमेंटेशन सिस्टम बनाया। जब हमने इसका विकास 7 साल पहले शुरू किया, तो स्थानीय रूप से चलने के लिए कोई समाधान नहीं था, इसलिए हमने अपना खुद का आर्किटेक्चर बनाया। यहां तक कि बेहतर प्रोसेसर के साथ, यह आर्किटेक्चर हमें ऊर्जा की बचत में मदद करता है।

पिलेट्स और योग जैसी मोडलिटीज में विस्तार करते हुए, आपके वर्तमान एआई सिस्टम नए प्रकार के आंदोलन पैटर्न के लिए कैसे अनुकूलित हो रहे हैं? क्या वे एक ही मॉडल पर बनाए गए हैं या आप नए मॉडल को पुनः प्रशिक्षित कर रहे हैं?

हमारी प्रणाली मॉड्यूलर है, इसलिए नए वर्कआउट प्रकारों के लिए दृष्टिकोण समान है। अभी हम अपनी गतिविधि योजना प्रणाली को बेहतर बनाने पर भी काम कर रहे हैं ताकि विभिन्न प्रकार के वर्कआउट का बेहतर समर्थन किया जा सके।

जैसे ही आप वैश्विक स्तर पर विस्तार करते हैं और जिंग पार्टनर प्रोग्राम के माध्यम से फिटनेस स्टूडियो के साथ साझेदारी करते हैं, क्षेत्रीय या सांस्कृतिक फिटनेस वरीयताओं के आधार पर आप सामग्री या प्रशिक्षण योजनाओं को कैसे अनुकूलित कर रहे हैं?

हमारी प्रणाली व्यायाम को सांस्कृतिक वरीयताओं के आधार पर प्राथमिकता दे सकती है। यह एक एलएलएम-एजेंट दृष्टिकोण के संयोजन के कारण लचीला है, जहां मुख्य एजेंट उपयोगकर्ता के प्रोफाइल के आधार पर वर्कआउट और पोषण पैरामीटर निर्धारित करता है।

आगे देखते हुए, आप फिटनेस में एआई की भूमिका को कैसे विकसित होते हुए देखते हैं – विशेष रूप से उपयोगकर्ताओं को न केवल शुरू करने में मदद करने के लिए, बल्कि दीर्घकालिक रूप से दिनचर्या में बने रहने में भी – और आप कौन सी नई क्षमताएं बनाने के लिए सबसे अधिक उत्साहित हैं?

हम देखते हैं कि वास्तविक कोच के साथ, लोगों के पास मजबूत भागीदारी दर होती है। लेकिन अब, प्रौद्योगिकी ऐसे स्तर पर है जहां यह मानव कोच को भी पार कर सकती है क्योंकि इसकी उपलब्धता, उपयोगकर्ता के गहरे ज्ञान, और बड़े डेटा वॉल्यूम पर प्रशिक्षण देने और अधिक प्रभावी पैटर्न का उपयोग करने की क्षमता है।

धन्यवाद फॉर द ग्रेट इंटरव्यू, पाठक जो ऐप का परीक्षण करना चाहते हैं उन्हें जिंग कोच पर जाना चाहिए。