Alexey Kurov, Chief Product Officer dan Pendiri Bersama Zing Coach – Seri Wawancara

Alexey Kurov, Chief Product Officer dan Co-founder Zing Coach, adalah seorang teknolog dan wirausaha yang berspesialisasi dalam solusi kebugaran yang ditenagai AI. Di Zing Coach, ia memimpin pengembangan platform pelatihan AI yang menyampaikan pelatihan yang dipersonalisasi, pelacakan kemajuan waktu nyata, dan interaksi multi-modal. Sebelumnya, ia mendirikan Zenia, aplikasi guru yoga AI pertama, dan memegang peran kepemimpinan di Gentleminds AI, Pixsee, dan WeSee, membangun rekam jejak yang kuat dalam menciptakan produk kesehatan digital yang cerdas dan adaptif.

Zing Coach adalah aplikasi kebugaran yang ditenagai AI yang membuat program latihan adaptif yang disesuaikan dengan data tubuh, tujuan, tingkat energi, dan peralatan yang tersedia untuk setiap pengguna. Dengan menggunakan fitur seperti pemindaian tubuh, tes kebugaran, dan pelacakan bentuk waktu nyata, ia menyesuaikan intensitas dan kemajuan secara langsung, menawarkan bimbingan yang dipersonalisasi di lebih dari 400 latihan. Dirancang untuk bertindak seperti pelatih pribadi digital, Zing Coach menyampaikan pengalaman kebugaran yang cerdas, fleksibel, dan sangat disesuaikan di rumah atau di gym.

Anda telah memiliki perjalanan yang menarik dalam transisi dari co-founding Zenia ke meluncurkan Zing Coach—bisakah Anda berbagi apa yang awalnya menginspirasi Anda untuk menciptakan platform kebugaran yang ditenagai AI, dan bagaimana pekerjaan Anda sebelumnya mempengaruhi visi untuk Zing?

Saya telah bekerja dengan produk AI sepanjang karir saya, mulai dari apa yang sekarang kita sebut ML tradisional, kemudian deep learning, dan sekarang LLMs. Sebelum Zenia, perusahaan kami membantu berbagai bisnis mengintegrasikan solusi AI, sambil juga mencari niche di mana kami bisa menyelesaikan masalah nyata dan membangun produk kami sendiri. Pada saat itu, ada booming solusi deep learning yang bisa menjalankan algoritma berat secara waktu nyata pada perangkat, seperti face mask Instagram. Kami mengembangkan teknologi kami sendiri untuk pelacakan gerakan pada perangkat mobile, awalnya berpikir tentang kostum virtual, tetapi setelah penelitian yang lebih dalam, kami menyadari bahwa itu bisa sangat berguna untuk kebugaran.

Dalam kebugaran, ada banyak produk, tetapi pengalaman belum banyak berubah sejak 80-an – Anda masih hanya mengikuti video dari perpustakaan. Kami melihat potensi besar untuk mengganggu pasar dengan pelatihan yang sangat dipersonalisasi dan interaktif. Kami memulai dengan yoga di Zenia, dan setelah akuisisi oleh Zing, saya melanjutkan membangun visi asli kami di sana.

Zing Coach baru-baru ini menutup $10M Series A dan sekarang melayani lebih dari satu juta pengguna. Apa yang menjadi tonggak teknis atau strategis terbesar yang membantu Anda mencapai skala ini, dan bagaimana Anda memprioritaskan fitur untuk mengarahkan pertumbuhan?

Sejak hari pertama, kami percaya bahwa pelatih kebugaran AI harus benar-benar dipersonalisasi dan proaktif, sehingga kami membangun produk dalam paradigma tersebut. Untuk membuat generasi latihan yang fleksibel, kami merancang arsitektur dari awal yang bisa menanganinya. Ketika LLMs menjadi tersedia secara luas, solusi kami secara alami menggabungkan dengan mereka dan menskalakan ke lebih banyak kasus pengguna.

Tonggak besar kedua adalah lapisan komunikasi kami. Sekarang pelatih kami tidak hanya memberikan saran – itu mengintegrasikan dengan sistem lain untuk menyesuaikan perjalanan pengguna berdasarkan umpan balik, bertindak seperti pelatih nyata. Ini tidak hanya tentang emosi, tetapi juga tentang proaktivitas, memahami kapan dan mengapa menghubungi pengguna, dan kapan mereka membutuhkan dorongan atau hanya wawasan tentang aktivitas mereka.

Bagaimana mesin pembelajaran digunakan untuk mempersonalisasi latihan setiap pengguna secara waktu nyata? Bisakah Anda menjelaskan model dan input data yang memungkinkan sistem pelatihan adaptif Zing?

Kami mempersonalisasi pada empat momen. Pertama, kami membangun rencana berdasarkan tujuan, riwayat pelatihan, cedera, metrik tubuh, VO₂ maks, denyut jantung istirahat, dan preferensi. Pada hari itu, kami melihat sinyal pemulihan seperti tidur dan kelelahan dan menyesuaikan latihan, beban, repetisi, dan istirahat. Selama latihan, kami melacak denyut jantung, hitungan repetisi, tempo, dan pemulihan denyut jantung antara set untuk menyesuaikan set berikutnya secara waktu nyata. Setelah itu, kami menggunakan kekuatan yang diperkirakan, drift denyut jantung, waktu pemulihan, suka atau melewatkan, dan catatan Anda untuk terus memperbaiki rencana.

Analisis gerakan kami berjalan pada perangkat secara waktu nyata untuk bentuk dan kualitas repetisi. Kami menggunakan model prediktif untuk menetapkan target, GPT untuk perencanaan jangka panjang, petunjuk pelatihan, dan motivasi proaktif, dan visi komputer untuk melacak komposisi tubuh dan pertumbuhan otot dari waktu ke waktu, memberikan umpan balik ke rencana.

Anda telah membangun pemindaian tubuh dan pengujian fleksibilitas melalui ZingLab—bagaimana input fisik ini mengintegrasikan ke dalam algoritma pelatihan Anda, dan apakah Anda menggunakan beberapa bentuk pembelajaran ensemble atau pembelajaran penguatan untuk memperhalus hasil?

Kami menggunakannya dengan dua cara: untuk melacak kemajuan dan untuk memperbarui parameter rencana latihan. Tes kebugaran menyesuaikan tingkat kebugaran pengguna, dan pemindai tubuh memperbarui rencana dengan data komposisi tubuh. Segera, kami akan meluncurkan analisis otot. Semua ini penting untuk membangun sistem pembelajaran penguatan yang dapat menganalisis bagaimana rekomendasi terhubung dengan hasil nyata.

Apa langkah-langkah yang telah Anda ambil untuk memastikan rekomendasi AI terasa manusiawi, motivasional, dan mendukung daripada robotik? Seberapa besar suara pelatihan yang didorong oleh model bahasa versus aturan yang ditulis?

Kami memiliki pedoman untuk bagaimana pelatih harus berkomunikasi, plus pengaman. Kami tidak memiliki skrip yang telah ditentukan sebelumnya. Untuk memastikan itu bekerja, kami melakukan beberapa lapisan pengujian: pemeriksaan otomatis untuk kepatuhan pedoman, penilai manusia untuk menilai “perasaan manusia” dan tingkat resolusi kasus, dan pengujian A/B untuk mengukur dampak pada metrik produk bersama dengan umpan balik pengguna. Profil pelatih dikembangkan berdasarkan penelitian tentang audiens kami sehingga terasa nyata tetapi efektif dalam memandu pengguna.

Zing menekankan keterlibatan dan retensi, dilaporkan mengungguli kompetitor yang lebih besar lebih dari 25%. Apa teknik mesin pembelajaran atau desain produk yang terbukti paling efektif dalam mengarahkan retensi tersebut?

Kami menjalankan banyak eksperimen dan fitur yang secara positif mempengaruhi perjalanan pengguna. Penggerak utama adalah proaktivitas, personalisasi, dan metrik yang digamifikasi seperti jejak aktivitas dan skor kekuatan, didukung oleh sistem AI yang telah saya jelaskan sebelumnya.

Bagaimana Anda mendekati gamifikasi dalam aplikasi? Apakah fitur seperti lencana, tonggak, dan papan peringkat disesuaikan berdasarkan perilaku pengguna, dan apakah Anda melihat bukti bahwa personalisasi ini meningkatkan komitmen jangka panjang?

Sangat penting bagi kami untuk menemukan alat yang meningkatkan keterlibatan. Dalam kebugaran, kemajuan tidak selalu terlihat segera, dan hasil sering membutuhkan waktu. Itulah mengapa kami bekerja pada cara untuk mengukur dan menunjukkan bahkan perbaikan kecil, seperti tes kebugaran dan fleksibilitas, dan skor kekuatan. Jejak aktivitas membantu pengguna tetap konsisten, dan banyak yang telah mempertahankan tingkat aktivitas mereka selama lebih dari satu tahun.

Apa tantangan teknis yang Anda hadapi dalam membangun Zing Vision, fitur koreksi bentuk waktu nyata Anda? Bagaimana sistem ini menyesuaikan diri dengan kasus tepi seperti pencahayaan yang buruk atau sudut yang tidak biasa pada perangkat mobile?

Tantangan utama adalah mengumpulkan dataset untuk melatih model. Kami menghabiskan banyak waktu untuk mengumpulkan dan melabeli data, plus kami membangun sistem augmentasi yang kuat untuk membuatnya robust untuk kondisi yang berbeda seperti pencahayaan yang buruk atau sudut yang tidak biasa. Ketika kami mulai mengembangkannya 7 tahun yang lalu, tidak ada solusi untuk menjalankannya secara lokal, sehingga kami membuat arsitektur kami sendiri. Bahkan sekarang, dengan prosesor yang lebih baik, arsitektur ini membantu kami tetap hemat energi.

Dengan ekspansi Anda ke modalitas seperti Pilates dan yoga, bagaimana sistem AI Anda saat ini menyesuaikan diri dengan pola gerakan baru? Apakah ini dibangun di atas model yang sama, atau apakah Anda melatih model baru?

Sistem kami adalah modular, sehingga pendekatan untuk jenis latihan baru serupa. Saat ini, kami juga bekerja pada meningkatkan sistem perencanaan aktivitas kami untuk mendukung jenis latihan yang berbeda.

Bagaimana Anda menyesuaikan konten atau rencana latihan berdasarkan preferensi kebugaran regional atau budaya melalui Program Mitra Zing saat Anda berkembang secara global dan bermitra dengan studio kebugaran?

Sistem kami dapat memprioritaskan latihan berdasarkan preferensi budaya. Ini fleksibel berkat kombinasi pendekatan LLM-agentic, di mana agen utama menetapkan parameter latihan dan gizi berdasarkan profil pengguna.

Menghadap ke depan, bagaimana Anda melihat peran AI berkembang dalam kebugaran—terutama dalam membantu pengguna tidak hanya memulai tetapi tetap pada rutinitas jangka panjang—dan apa kemampuan baru yang paling Anda antusias untuk dibangun?

Kami melihat bahwa dengan pelatih nyata, orang memiliki tingkat keterlibatan yang kuat. Tetapi sekarang, teknologi telah mencapai tingkat di mana itu bisa bahkan mengungguli pelatih manusia berkat ketersediaannya, pengetahuan yang dalam tentang pengguna, dan kemampuan untuk melatih pada volume data yang besar dan menggunakan pola yang lebih efektif.

Terima kasih for wawancara yang bagus, pembaca yang ingin menguji aplikasi harus mengunjungi Zing Coach.