알렉세이 쿠로프, Zing Coach의 최고 제품 책임자 및 공동 창립자 – 인터뷰 시리즈

당신은 Zenia의 공동 창립자에서 Zing Coach를 출시하는 동안 흥미로운 여정을 가졌습니다. AI를 활용한 피트니스 플랫폼을 생성하도록最初적으로 영감을 받은 내용과 이전 작업이 Zing의 비전에 어떻게 영향을 미쳤는지에 대해 이야기해 주시겠습니까?

전체 경력 동안 나는 AI 제품을 다루어 왔습니다. 전통적인 ML에서 시작하여 딥 러닝, 그리고 현재 LLMs까지입니다. Zenia 이전에 우리 회사는 다른 비즈니스에 AI 솔루션을 통합하는 것을 도왔으며 동시에 실제 문제를 해결하고 자체 제품을 구축할 수 있는 니치를 찾았습니다. 그 당시에는 디바이스에서 실시간으로 무거운 알고리즘을 실행할 수 있는 딥 러닝 솔루션의 붐이 있었습니다. 우리는 모바일 디바이스에서 동작 추적을 위한 자체 기술을 개발했으며 초기에는 가상 의상을 생각했지만 더 깊은 연구 후에 피트니스에서 매우 유용할 수 있다는 것을 깨달았습니다.

피트니스에서 많은 제품이 있지만 경험은 80년대 이후로 많이 바뀌지 않았습니다. 여전히 비디오 라이브러리에서 따라하는 것입니다. 우리는 초 개인화된, 상호 작용형 코칭을 통해 시장의 변화를 가져올 수 있는 큰 잠재력을 보았습니다. 우리는 Zenia에서 요가로 시작했으며 Zing의 인수 후에 원래 비전을 계속 구축했습니다.

Zing Coach는 최근 1,000만 명 이상의 사용자를 대상으로 1,000만 달러의 시리즈 A 자금을 조달했습니다. 규모에 이를 수 있도록 도운 기술적 또는 전략적 이정표는 무엇이었으며, 성장을 위한 기능을 어떻게 우선순위로 설정했나요?

우리는 처음부터真正로 개인화된, 프로액티브한 AI 피트니스 코치가 되어야 한다고 믿었습니다. 그래서 우리는 그 패러다임에서 제품을 구축했습니다. 유연한 워크아웃 생성을 처리할 수 있는 아키텍처를 설계했습니다. LLMs가 널리 사용되면 우리의 솔루션은 자연스럽게 결합되어 더 많은 사용자 사례로 확장되었습니다.

두 번째 큰 이정표는 우리의 커뮤니케이션 레이어였습니다. 이제 우리의 코치는 단순히 조언만 하지 않고 다른 시스템과 통합하여 사용자의 여정에 따라 적응합니다. 이는 감정뿐만 아니라 프로액티브에 관한 것입니다. 사용자에게 언제 그리고 왜 연락해야 하는지, 사용자가 밀어붙이거나 통찰력이 필요한지 이해하는 것입니다.

사용자의 워크아웃을 실시간으로 개인화하는 데 기계 학습이 어떻게 사용되는지 설명해 주시겠습니까? 모델과 데이터 입력이 Zing의 적응형 코칭 시스템을 구동하는 방식을 설명해 주시겠습니까?

우리는 네 가지 시점에서 개인화를 수행합니다. 첫째, 우리는 사용자의 목표, 훈련 기록, 부상, 신체 측정, VO₂ 맥스, 휴식 심박수, 선호도를 기반으로 계획을 구축합니다. 그 날, 우리는 회복 신호를 확인하여 운동, 로드, 리프, 휴식 시간을 조정합니다. 워크아웃 중에 우리는 심박수, 리프 수, 템포, 세트 간 심박수 회복을 추적하여 다음 세트를 실시간으로 조정합니다. 이후에는 추정된 힘, 심박수 드리프트, 회복 시간, 사용자의 좋아요 또는 스킵, 사용자의 노트를 사용하여 계획을 계속 개선합니다.

우리의 동작 분석은 실시간으로 형태와 리프 품질을 위해 디바이스에서 실행됩니다. 우리는 예측 모델을 사용하여 목표를 설정하고, GPT를 사용하여 장기 계획, 코칭 큐, 프로액티브 동기를 부여하며, 컴퓨터 비전을 사용하여 시간이 지남에 따라 신체 구성과 근육 성장을 추적하여 계획에 피드백합니다.

ZingLab를 통해 신체 스캔과 유연성 테스트를 구축했습니다. 이러한 물리적 입력은 어떻게 훈련 알고리즘에 통합되며, 앙상블 학습 또는 강화 학습을 사용하여 결과를 세부적으로 조정하고 있습니까?

우리는 두 가지 방법으로 사용합니다. 첫째, 진행 상황을 추적하고 둘째, 워크아웃 계획 매개변수를 업데이트하는 데 사용합니다. 피트니스 테스트는 사용자의 피트니스 수준을 조정하며 신체 스캐너는 신체 구성 데이터로 계획을 세부적으로 조정합니다. 곧 우리는 근육 분석을 출시할 예정입니다. 모든 것이 강화 학습 시스템을 구축하는 데 중요합니다. 이는 추천 사항이 실제 결과에 어떻게 연결되는지 분석할 수 있습니다.

AI 추천이 로봇적인 것이 아니라 인간적인, 동기 부여가 되며 지원이 되는 방식으로 느껴지도록 어떤 단계를 취했나요? 언어 모델과 스크립트 규칙이 코칭 목소리를 얼마나 구동하는지 알려주십시오.

우리는 코치가 어떻게 소통해야 하는지에 대한 지침과 가드레일을 가지고 있습니다. 우리는 미리 정의된 스크립트를 가지고 있지 않습니다. 작동하는지 확인하기 위해 우리는 여러 계층의 테스트를 수행합니다. 자동화된 검사, 인간 평가자, A/B 테스트를 통해 제품 메트릭스와 사용자 피드백을 측정합니다. 코치 프로필은 우리의 대상에게 실제적이지만 효과적으로 사용자를 안내하는 방식으로 개발됩니다.

Zing은 참여도와 유지率에 중점을 두고 있으며, 보고된 바에 따르면 더 큰 경쟁사보다 25% 이상의 유지율을 보이고 있습니다. 성장을 주도하는 데 가장 효과적인 기계 학습 또는 제품 디자인 기술은 무엇입니까?

우리는 사용자 여정을 긍정적으로 영향을 미치는 많은 실험과 기능을 실행합니다. 주요 운전자는 프로액티브, 개인화, 활동 스티크, 힘 점수와 같은 게임화된 메트릭스입니다. 이는 이전에 설명한 AI 시스템에 의해 구동됩니다.

앱 내에서 게임화를 어떻게 접근했나요? 배지, 마일스톤, 리더보드와 같은 기능은 사용자 행동에 따라 맞춤화되었으며, 이러한 개인화를 통해 장기적인 헌신이 증진되는 증거가 있나요?

사용자의 참여를 증가시키는 도구를 찾는 것이 중요합니다. 피트니스에서 진행은 항상 즉시 보이지 않으며 결과는 종종 시간이 걸립니다. 따라서 우리는 진행의 작은 개선 사항을 측정하고 표시하는 방법을 작업합니다. 피트니스 및 유연성 테스트, 활동 스티크, 힘 점수와 같은 것입니다. 많은 사용자가 1년 이상 활동 수준을 유지했습니다.

Zing Vision, 실시간 형태 교정 기능을 구축할 때 어떤 기술적인 도전을 직면했으며, 시스템은 어떻게 모바일 디바이스에서 불량한 조명이나 비정상적인 각도와 같은 에지 케이스에 적응합니까?

주된 도전은 모델을 훈련하기 위한 데이터셋을 수집하는 것이었습니다. 우리는 많은 시간을 데이터 수집과 레이블링에 보냈으며, 다양한 조건에서 강력한 데이터를 만들기 위한 강력한 보강 시스템을 구축했습니다. 우리는 7년 전부터 개발을 시작했으며, 그 당시에는 로컬에서 실행할 수 있는 솔루션이 없었습니다. 따라서 우리는 자체 아키텍처를 만들었습니다. 현재 더 나은 프로세서가 있지만, 이 아키텍처는 여전히 에너지 효율성을 유지하는 데 도움이 됩니다.

필라테스, 요가와 같은 모달리티로 확장함에 따라 현재의 AI 시스템이 새로운 운동 패턴에 어떻게 적응합니까? 이러한 것은 동일한 모델 위에 구축되나요, 아니면 새로운 모델을 다시 훈련시키나요?

우리의 시스템은 모듈식으로 설계되어 있습니다. 새로운 워크아웃 유형에 대한 접근 방식은 유사합니다. 현재 우리는 또한 다양한 워크아웃 유형을 더 잘 지원하기 위해 활동 계획 시스템을 업그레이드하는 데 작업중입니다.

전세계적으로 확장하고 Zing Partner Program을 통해 피트니스 스튜디오와 파트너십을 맺음에 따라, 지역적 또는 문화적 피트니스 선호도에 따라 콘텐츠 또는 훈련 계획을 어떻게 맞춤화합니까?

우리의 시스템은 문화적 선호도에 따라 운동을 우선순위로 할 수 있습니다. 이는 LLM-에이전트 접근 방식의 조합으로, 주요 에이전트가 사용자의 프로필에 따라 워크아웃 및 영양 매개변수를 설정합니다.

앞으로 피트니스에서 AI의 역할이 어떻게 발전할 것이라고 생각하나요? 특히 사용자가 루틴을 시작하는 것뿐만 아니라 장기적으로 지속하는 데 어떻게 도움이 될 수 있을까요? 그리고 무엇을 가장 흥미롭게 구축하고 있나요?

우리는 실제 코치와 함께 강한 참여도를 보이는 것을 보았습니다. 하지만現在 기술은 사용자의 가용성, 사용자에 대한 깊은 지식,大量의 데이터를 훈련하고 더 효과적인 패턴을 사용할 수 있는 능력으로 인해 인간 코치보다 더 잘 수행할 수 있는 수준에 도달했습니다.

감사합니다. 이 인터뷰를 읽어주신 독자분들께, 앱을 테스트하려면 Zing Coach를 방문해 주시기 바랍니다.