Alexey Kurov, Chief Product Officer & Co-founder van Zing Coach – Interviewreeks

U hebt een fascinerende reis gehad bij het overgang van co-founding Zenia naar het lanceren van Zing Coach—kunt u vertellen wat u oorspronkelijk inspireerde om een AI-gebaseerd fitnessplatform te creëren, en hoe uw vorige werk de visie voor Zing heeft beïnvloed?

Ik heb mijn hele carrière gewerkt met AI-producten, beginnend met wat we nu traditionele ML noemen, vervolgens diepe leer en nu LLM’s. Voordat ik Zenia oprichtte, hielp ons bedrijf verschillende bedrijven bij het integreren van AI-oplossingen, terwijl we ook op zoek waren naar een niche waarin we een echt probleem konden oplossen en ons eigen product konden bouwen. Op dat moment was er een boom in diepe leeroplossingen die zware algoritmen in real-time op apparaten konden uitvoeren, zoals Instagram’s gezichtsmaskers. We ontwikkelden onze eigen technologie voor bewegingsvolging op mobiele apparaten, waarbij we aanvankelijk dachten aan virtuele kostuums, maar na diepere onderzoek realiseerden we ons dat het erg nuttig kon zijn voor fitness.

In fitness zijn er veel producten, maar de ervaring is niet veel veranderd sinds de jaren ’80 – u volgt nog steeds gewoon een video uit een bibliotheek. We zagen een groot potentieel om de markt te verstoren met hyper-persoonlijke, interactieve coaching. We begonnen met yoga in Zenia, en na de overname door Zing, ben ik doorgegaan met het bouwen van onze oorspronkelijke visie daar.

Zing Coach heeft onlangs een Series A van $10M gesloten en serveert nu meer dan een miljoen gebruikers. Wat waren de grootste technische of strategische mijlpalen die u hebben geholpen om deze schaal te bereiken, en hoe hebt u functies geprioriteerd om groei te stimuleren?

Vanaf de eerste dag geloofden we dat een AI-fitnesscoach echt persoonlijk en proactief moest zijn, dus we bouwden het product in dat paradigma. Om de workoutgeneratie flexibel te maken, ontwierpen we een architectuur vanaf het begin die het kon afhandelen. Toen LLM’s breed beschikbaar kwamen, combineerde onze oplossing natuurlijk met hen en schaalde naar meer gebruikerscases.

De tweede grote mijlpaal was onze communicatielaag. Nu geeft onze coach niet alleen advies – het integreert met andere systemen om de reis van de gebruiker aan te passen op basis van feedback, waardoor het als een echte coach fungeert. Het gaat niet alleen om emotie, maar ook om proactiviteit, begrijpen wanneer en waarom contact moet worden opgenomen met de gebruiker, en wanneer ze een duw of gewoon een inzicht over hun activiteit nodig hebben.

Hoe wordt machine learning gebruikt om elke workout van de gebruiker in real-time te personaliseren? Kunt u ons door de modellen en gegevensinvoer leiden die het adaptieve coachingsysteem van Zing aandrijven?

We personaliseren op vier momenten. Eerst bouwen we een plan op basis van uw doelen, trainingsgeschiedenis, blessures, lichaamsmetingen, VO₂-max, rusthartfrequentie en voorkeuren. Op de dag kijken we naar herstelsignalen zoals slaap en spierpijn en passen we oefeningen, belastingen, herhalingen en rust aan. Tijdens de workout volgen we de hartfrequentie, herhalingstelling, tempo en hartfrequentieherstel tussen sets om de volgende set in real-time aan te passen. Daarna gebruiken we geschatte kracht, hartfrequentie-afname, hersteltijd, uw voorkeuren of overslagen en uw notities om het plan te blijven verbeteren.

Onze bewegingsanalyse wordt in real-time op het apparaat uitgevoerd voor vorm- en herhalingkwaliteit. We gebruiken predictieve modellen om doelen in te stellen, GPT voor langetermijnplanning, coachingsaanwijzingen en proactieve motivatie, en computerzicht om lichaamssamenstelling en spiergroei over tijd te volgen, waardoor we het allemaal terugvoeren naar het plan.

U hebt bodyscanning en flexibiliteitstests ontwikkeld via ZingLab—hoe integreren deze fysieke invoer in uw trainingsalgoritmen, en gebruikt u enige vorm van ensemblelearning of versterking van het leren om resultaten te verfijnen?

We gebruiken ze op twee manieren: om vooruitgang te volgen en om de parameters van het trainingsplan bij te werken. De fitnesstest past het fitnessniveau van de gebruiker aan, en de bodyscanner verfijnt het plan met lichaamssamenstellinggegevens. Binnenkort zullen we spieranalyse lanceren. Alles is belangrijk voor het opbouwen van een versterking van het leren dat kan analyseren hoe aanbevelingen in verband staan met daadwerkelijke resultaten.

Welke stappen hebt u genomen om ervoor te zorgen dat de AI-aanbevelingen menselijk, motiverend en ondersteunend aanvoelen in plaats van robotachtig? Hoeveel van de coachingsstem is aangedreven door taalmodellen versus geschreven regels?

We hebben richtlijnen voor hoe de coach moet communiceren, plus bewakingsmechanismen. We hebben geen vooraf gedefinieerde scripts. Om ervoor te zorgen dat het werkt, voeren we verschillende lagen van tests uit: geautomatiseerde controles voor richtlijncompliance, menselijke beoordelaars om de “menselijke” feel en caseresolutiesnelheid te evalueren, en A/B-tests om de impact op productmetrieken en gebruikersfeedback te meten. Coachprofielen worden ontwikkeld op basis van onderzoek naar ons publiek, zodat ze echt maar effectief zijn in het begeleiden van gebruikers.

Zing benadrukt betrokkenheid en behoud, en zou volgens rapporten meer dan 25% beter presteren dan grotere concurrenten. Welke specifieke machine learning- of productontwerptechnieken hebben het meest effectief bewezen te zijn in het stimuleren van dat soort behoud?

We voeren veel experimenten en functies uit die positief effect hebben op de gebruikersreis. De belangrijkste drivers zijn proactiviteit, personalisatie en gamified metrieken zoals activiteitsstroken en krachtscores, aangedreven door de AI-systemen die ik eerder beschreef.

Hoe hebt u gamificatie binnen de app benaderd? Zijn functies zoals badges, mijlpalen en leaderboards aangepast op basis van gebruikersgedrag, en ziet u bewijs dat deze personalisatie de langetermijnverbintenis verhoogt?

Het is belangrijk voor ons om tools te vinden die de betrokkenheid verhogen. In fitness is vooruitgang niet altijd meteen zichtbaar, en resultaten nemen vaak tijd in beslag. Daarom werken we aan manieren om zelfs kleine verbeteringen te meten en te laten zien, zoals fitnesstests en flexibiliteitstests, en de krachtscore. Activiteitsstroken helpen gebruikers consistent te blijven, en velen hebben hun activiteitsniveaus meer dan een jaar volgehouden.

Welke technische uitdagingen hebt u ondervonden bij het bouwen van Zing Vision, uw real-time vormcorrectiefunctie? Hoe past het systeem zich aan randgevallen aan zoals slechte verlichting of ongebruikelijke hoeken op mobiele apparaten?

De belangrijkste uitdaging was het verzamelen van een dataset voor het trainen van de modellen. We hebben veel tijd besteed aan het verzamelen en labelen van gegevens, en we hebben ook een sterk augmentatiesysteem gebouwd om het robuust te maken voor verschillende omstandigheden zoals slechte verlichting of ongebruikelijke hoeken. Toen we het 7 jaar geleden begonnen te ontwikkelen, waren er geen oplossingen om dit lokaal uit te voeren, dus we hebben onze eigen architectuur gebouwd. Zelfs nu, met betere processors, helpt deze architectuur ons om energie-efficiënt te blijven.

Met uw uitbreiding naar modaliteiten zoals Pilates en yoga, hoe passen uw huidige AI-systemen zich aan aan nieuwe soorten bewegingspatronen? Zijn deze gebouwd op basis van dezelfde modellen, of bent u nieuwe modellen aan het trainen?

Ons systeem is modulair, dus de benadering van nieuwe workouttypen is vergelijkbaar. Op dit moment werken we ook aan het upgraden van ons activiteitsplanningsysteem om beter ondersteuning te bieden voor verschillende workouttypen.

Terwijl u wereldwijd uitbreidt en partner met fitnessstudio’s via het Zing Partner Program, hoe past u inhoud of trainingsplannen aan op basis van regionale of culturele fitnessvoorkeuren?

Ons systeem kan oefeningen prioriteren op basis van culturele voorkeuren. Het is flexibel dankzij een combinatie van een LLM-agenteerbenaadering, waarbij de hoofdagent workout- en voedingsparameters instelt op basis van het profiel van de gebruiker.

Kijkend naar de toekomst, hoe ziet u de rol van AI evolueren in fitness—vooral in het helpen van gebruikers niet alleen om te beginnen maar om langdurig bij routines te blijven—and welke nieuwe mogelijkheden bent u het meest enthousiast over om te bouwen?

We zien dat met echte coaches mensen sterke betrokkenheidspercentages hebben. Maar nu is de technologie op een niveau waarop het zelfs menselijke coaches kan overtreffen vanwege de beschikbaarheid, diepe kennis van de gebruiker en de mogelijkheid om te trainen op enorme hoeveelheden gegevens en effectievere patronen te gebruiken.

Dank u voor het geweldige interview, lezers die de app willen testen, moeten Zing Coach bezoeken.