Alexey Kurov, Chief Product Officer e Co-fondatore di Zing Coach – Serie di Interviste

Hai avuto un percorso affascinante passando dalla co-fondazione di Zenia al lancio di Zing Coach – puoi condividere cosa ti ha ispirato a creare una piattaforma di fitness basata sull’intelligenza artificiale e come il tuo lavoro precedente ha influenzato la visione per Zing?

Ho lavorato con prodotti basati sull’intelligenza artificiale per tutta la mia carriera, iniziando con ciò che ora chiamiamo machine learning tradizionale, poi deep learning e ora LLM. Prima di Zenia, la nostra azienda ha aiutato diverse aziende a integrare soluzioni basate sull’intelligenza artificiale, cercando anche un settore in cui potessimo risolvere un problema reale e costruire il nostro prodotto. A quel tempo, c’era un boom di soluzioni di deep learning che potevano eseguire algoritmi pesanti in tempo reale sui dispositivi, come le maschere facciali di Instagram. Abbiamo sviluppato la nostra tecnologia per il tracciamento dei movimenti sui dispositivi mobili, inizialmente pensando a costumi virtuali, ma dopo una ricerca più approfondita, ci siamo resi conto che poteva essere molto utile per il fitness.

Nel fitness, ci sono molti prodotti, ma l’esperienza non è cambiata molto dal 1980 – si segue ancora solo un video da una libreria. Abbiamo visto un grande potenziale per disruptare il mercato con un coaching iper-personalizzato e interattivo. Abbiamo iniziato con lo yoga in Zenia e, dopo l’acquisizione da parte di Zing, ho continuato a costruire verso la nostra visione originale lì.

Zing Coach ha recentemente chiuso una serie A da 10 milioni di dollari e ora serve oltre un milione di utenti. Quali sono stati i principali traguardi tecnici o strategici che ti hanno aiutato a raggiungere questa scala e come hai prioritizzato le funzionalità per guidare la crescita?

Fin dal primo giorno, abbiamo creduto che un coach di fitness basato sull’intelligenza artificiale dovesse essere veramente personalizzato e proattivo, quindi abbiamo costruito il prodotto in quel paradigma. Per rendere la generazione degli allenamenti flessibile, abbiamo progettato un’architettura fin dall’inizio che potesse gestirla. Quando gli LLM sono diventati ampiamente disponibili, la nostra soluzione si è naturalmente combinata con essi e si è estesa a più casi d’uso degli utenti.

Il secondo grande traguardo è stato il nostro livello di comunicazione. Ora il nostro coach non dà solo consigli – si integra con altri sistemi per adattare il percorso dell’utente in base ai feedback, agendo come un vero coach. Non si tratta solo di emozione, ma anche di proattività, capire quando e perché contattare l’utente e quando ha bisogno di una spinta o semplicemente di un insight sulla sua attività.

Come viene utilizzato il machine learning per personalizzare l’allenamento di ogni utente in tempo reale? Potresti spiegare i modelli e gli input di dati che alimentano il sistema di coaching adattivo di Zing?

Personalizziamo in quattro momenti. In primo luogo, costruiamo un piano in base ai tuoi obiettivi, storia di allenamento, infortuni, metriche del corpo, VO₂ max, frequenza cardiaca a riposo e preferenze. Nel giorno, guardiamo i segnali di recupero come sonno e dolenzia e adattiamo gli esercizi, i carichi, le ripetizioni e il riposo. Durante l’allenamento, tracciamo la frequenza cardiaca, il numero di ripetizioni, il tempo e il recupero della frequenza cardiaca tra le serie per adattare la serie successiva in tempo reale. Dopo, utilizziamo la stima della forza, il drift della frequenza cardiaca, il tempo di recupero, i tuoi like o skip e le tue note per continuare a migliorare il piano.

La nostra analisi dei movimenti viene eseguita sul dispositivo in tempo reale per la forma e la qualità delle ripetizioni. Utilizziamo modelli predittivi per impostare obiettivi, GPT per la pianificazione a lungo termine, suggerimenti di coaching e motivazione proattiva e visione computerizzata per tracciare la composizione del corpo e la crescita muscolare nel tempo, alimentando tutto ciò nel piano.

Hai costruito il body scanning e il testing di flessibilità attraverso ZingLab – come questi input fisici si integrano nei tuoi algoritmi di allenamento e stai utilizzando alcuna forma di ensemble learning o reinforcement learning per perfezionare i risultati?

Li utilizziamo in due modi: per tracciare i progressi e per aggiornare i parametri del piano di allenamento. Il test di fitness regola il livello di fitness dell’utente e lo scanner del corpo raffina il piano con i dati sulla composizione del corpo. Presto, lanceremo l’analisi muscolare. Tutto ciò è importante per costruire un sistema di apprendimento per rinforzo che possa analizzare come le raccomandazioni si collegano ai risultati reali.

Quali passi hai intrapreso per assicurarti che le raccomandazioni dell’AI sembrino umane, motivanti e di supporto invece di robotiche? Quanto della voce del coaching è guidata da modelli linguistici rispetto a regole scriptate?

Abbiamo linee guida su come il coach dovrebbe comunicare, più barriere di protezione. Non abbiamo script predefiniti. Per assicurarci che funzioni, eseguiamo diversi livelli di test: controlli automatizzati per la conformità alle linee guida, valutatori umani per valutare la “sensazione umana” e il tasso di risoluzione dei casi e test A/B per misurare l’impatto sui metriche del prodotto insieme al feedback degli utenti. I profili del coach sono sviluppati in base alla ricerca sul nostro pubblico in modo che sembrino reali ma efficaci nel guidare gli utenti.

Zing enfatizza l’impegno e la fidelizzazione, superando i concorrenti più grandi del 25%. Quali tecniche di apprendimento automatico o di progettazione del prodotto si sono rivelate più efficaci nel guidare questo tipo di fidelizzazione?

Eseguiamo molti esperimenti e funzionalità che hanno un impatto positivo sul percorso dell’utente. I principali driver sono la proattività, la personalizzazione e le metriche di gamificazione come le strisce di attività e i punteggi di forza, alimentati dai sistemi di intelligenza artificiale che ho descritto in precedenza.

Come hai approcciato la gamificazione all’interno dell’app? Sono funzionalità come badge, milestone e classifiche personalizzate in base al comportamento dell’utente e vedi prove che questa personalizzazione aumenta l’impegno a lungo termine?

È importante per noi trovare strumenti che aumentino l’impegno. Nel fitness, i progressi non sono sempre visibili immediatamente e i risultati spesso richiedono tempo. È per questo che lavoriamo su modi per misurare e mostrare anche piccoli miglioramenti, come test di fitness e flessibilità e il punteggio di forza. Le strisce di attività aiutano gli utenti a rimanere costanti e molti hanno mantenuto i loro livelli di attività per oltre un anno.

Quali sfide tecniche hai affrontato costruendo Zing Vision, la tua funzionalità di correzione della forma in tempo reale? Come il sistema si adatta ai casi limite come la scarsa illuminazione o angoli insoliti sui dispositivi mobili?

La principale sfida è stata raccogliere un set di dati per l’addestramento dei modelli. Abbiamo speso molto tempo a raccogliere e etichettare i dati, più abbiamo costruito un forte sistema di aumento per renderlo robusto per diverse condizioni come la scarsa illuminazione o angoli insoliti. Quando abbiamo iniziato a svilupparlo 7 anni fa, non c’erano soluzioni per eseguirlo localmente, quindi abbiamo creato la nostra architettura. Anche adesso, con processori migliori, questa architettura ci aiuta a rimanere efficienti in termini di energia.

Con la tua espansione in modalità come Pilates e yoga, come i tuoi sistemi di intelligenza artificiale attuali si stanno adattando a nuovi tipi di schemi di movimento? Sono costruiti sopra gli stessi modelli o stai riaddestrando nuovi?

Il nostro sistema è modulare, quindi l’approccio ai nuovi tipi di allenamento è simile. Al momento, stiamo anche lavorando all’aggiornamento del nostro sistema di pianificazione delle attività per supportare meglio diversi tipi di allenamento.

Mentre ti espandi a livello globale e ti associ con studi di fitness attraverso il Programma Partner di Zing, come stai personalizzando il contenuto o i piani di allenamento in base alle preferenze di fitness regionali o culturali?

Il nostro sistema può dare priorità agli esercizi in base alle preferenze culturali. È flessibile grazie a una combinazione di un approccio LLM-agente, in cui l’agente principale imposta i parametri di allenamento e nutrizione in base al profilo dell’utente.

Guardando avanti, come vedi il ruolo dell’intelligenza artificiale evolversi nel fitness – in particolare nell’aiutare gli utenti a non iniziare solo ma a rimanere fedeli alle routine a lungo termine – e quali nuove capacità sei più entusiasta di costruire?

Vediamo che con i coach umani, le persone hanno tassi di impegno forti. Ma ora, la tecnologia è a un livello in cui può anche superare i coach umani grazie alla sua disponibilità, alla profonda conoscenza dell’utente e alla capacità di addestrarsi su enormi volumi di dati e utilizzare schemi più efficaci.

Grazie per la grande intervista, i lettori che desiderano testare l’app possono visitare Zing Coach.