Alexey Kurov, Chief Product Officer & Co-founder of Zing Coach – Intervju-serie

Du har hatt en fascinerende reise fra å grunnlegge Zenia til å lansere Zing Coach—kan du dele hva som opprinnelig inspirerte deg til å lage en AI-drevet trenerplattform, og hvordan din tidligere erfaring har påvirket visjonen for Zing?

Jeg har arbeidet med AI-produkter hele min karriere, fra det vi nå kaller tradisjonell ML, til dypt læring og nå LLM-er. Før Zenia hjalp vårt selskap forskjellige bedrifter med å integrere AI-løsninger, samtidig som vi søkte etter en nisje hvor vi kunne løse et reelt problem og bygge vårt eget produkt. På den tiden var det en boom i dypt læring-løsninger som kunne kjøre tunge algoritmer i sanntid på enheter, som Instagrams ansiktsmasker. Vi utviklet vår egen teknologi for bevegelsessporring på mobile enheter, først tenkt for virtuelle kostymer, men etter dyptere forskning, innsett vi at det kunne være svært nyttig for trening.

I trening er det mange produkter, men erfaringen har ikke endret seg mye siden 80-tallet – du følger fortsatt bare en video fra en bibliotek. Vi så et stort potensial for å forstyrre markedet med hyper-personlig, interaktiv coaching. Vi startet med yoga i Zenia, og etter oppkjøpet av Zing, fortsatte jeg å bygge mot vår opprinnelige visjon der.

Zing Coach har nylig lukket en $10M Series A og betjener nå over en million brukere. Hva var de største tekniske eller strategiske milepælene som hjalp deg å nå denne skalaen, og hvordan prioriterte du funksjoner for å drive vekst?

Fra dag én trodde vi på at en AI-trener skulle være sant personlig og proaktiv, så vi bygde produktet i den paradigmen. For å gjøre treningsgenerering fleksibel, designet vi en arkitektur fra starten som kunne håndtere det. Når LLM-er ble bredt tilgjengelige, kombinerte vår løsning naturlig med dem og skala til flere brukertilfeller.

Det andre store milepælet var vår kommunikasjonslag. Nå gir vår trener ikke bare råd – den integrerer med andre systemer for å tilpasse brukerens reise basert på tilbakemeldinger, og fungerer som en ekte trener. Det handler ikke bare om emosjoner, men også om proaktivitet, forståelse av når og hvorfor å kontakte brukeren, og når de trenger en push eller bare en innsikt om deres aktivitet.

Hvordan brukes maskinlæring til å tilpasse hver enkelt brukers trening i sanntid? Kan du gå gjennom modellene og datainngangene som driver Zings adaptive treningssystem?

Vi tilpasser på fire tidspunkter. Først bygger vi en plan basert på dine mål, treningshistorikk, skader, kroppsmålinger, VO₂-maks, hvilepuls og preferanser. På dagen ser vi på rekoveringssignaler som søvn og muskelsmerter og justerer øvelser, belastninger, repetisjoner og hvile. Under treningen sporer vi puls, repetisjonsantall, tempo og pulsrekovering mellom sett for å justere neste sett i sanntid. Etterpå bruker vi estimert styrke, pulsdrift, rekoveringstid, dine liker eller hopper over, og dine notater for å forbedre planen.

Vår bevegelsesanalyse kjører på enheten i sanntid for form og repetisjonskvalitet. Vi bruker prediktive modeller for å sette mål, GPT for langtidsplanlegging, trenerhint og proaktiv motivasjon, og datamaskinsyn for å spore kroppssammensetning og muskelsvøp over tid, og fôrer det tilbake inn i planen.

Du har bygget ut kroppsundersøkelser og fleksibilitetstesting gjennom ZingLab—hvordan integrerer disse fysisk inngangene i dine treningsalgoritmer, og bruker du noen form for ensemble-læring eller forsterkingslæring for å finjustere resultater?

Vi bruker dem på to måter: for å spore fremgang og for å oppdatere treningsplanparametere. Treningsprøven justerer brukerens fysisk nivå, og kroppsundersøkelsen finjusterer planen med kroppssammensetningsdata. Snart lanserer vi muskelsvøpanalyse. Alt dette er viktig for å bygge et forsterkingslæringssystem som kan analysere hvordan anbefalinger henger sammen med faktiske resultater.

Hva har du gjort for å sikre at AI-anbefalingene føles menneskelige, motivasjonelle og støttende i stedet for robotiske? Hvor mye av trenerstemmen er drevet av språkmodeller versus skriptede regler?

Vi har retningslinjer for hvordan treneren skal kommunisere, pluss guardrails. Vi har ingen forhåndsdefinerte skript. For å sikre at det fungerer, gjør vi flere lag med testing: automatiske sjekker for retningslinjekompatibilitet, menneskelige vurderere for å evaluere den “menneskelige” følelsen og sakløsingsfrekvens, og A/B-tester for å måle effekten på produktmetrikker sammen med brukertilbakemelding. Trenerprofiler utvikles basert på forskning i vår målgruppe, så de føles ekte, men effektive i å guide brukerne.

Zing legger vekt på engasjement og gjennomføring, og rapporterer å overgå større konkurrenter med over 25%. Hva er de spesifikke maskinlærings- eller produktutformings-teknikkene som har vist seg å være mest effektive i å drive denne type gjennomføring?

Vi kjører mange eksperimenter og funksjoner som positivt påvirker brukerens reise. De viktigste drivere er proaktivitet, personlig tilpasning og gamifiserte metrikker som aktivitetsspor og styrkescore, drevet av AI-systemene jeg har beskrevet tidligere.

Hvordan har du tilnærmet deg gamifisering innen appen? Er funksjoner som badge, milepæler og rangeringer tilpasset basert på brukeratferd, og ser du bevis for at denne tilpasningen øker langtidsforpliktelse?

Det er viktig for oss å finne verktøy som øker engasjement. I trening er fremgang ikke alltid synlig med en gang, og resultater tar ofte tid. Derfor arbeider vi med måter å måle og vise selv små forbedringer, som fysisk og fleksibilitetstest, og styrkescoret. Aktivitetsspor hjelper brukerne å holde seg konsekvent, og mange har opprettholdt sin aktivitet i over ett år.

Hva var de tekniske utfordringene du møtte da du bygde Zing Vision, din sanntids form-korreksjonsfunksjon? Hvordan tilpasser systemet seg til randtilfeller som dårlig lys eller uvanlige vinkler på mobile enheter?

Den største utfordringen var å samle inn en datasett for å trene modellene. Vi brukte mye tid på å samle inn og merke data, pluss vi bygde en sterk augmentasjonssystem for å gjøre det robust for forskjellige forhold som dårlig lys eller uvanlige vinkler. Da vi startet å utvikle det for 7 år siden, var det ingen løsninger for å kjøre dette lokalt, så vi skapte vår egen arkitektur. Selv nå, med bedre prosessorer, hjelper denne arkitekturen oss å forbli energi-effektive.

Med din utvidelse til modaliteter som Pilates og yoga, hvordan tilpasser dine nåværende AI-systemer seg til nye bevegelsesmønster? Er disse bygget på toppen av de samme modellene, eller trener du nye?

Vårt system er modulært, så tilnærmingen til nye treningstyper er lignende. For øyeblikket arbeider vi også med å oppgradere vår aktivitetplanleggingssystem for å bedre støtte forskjellige treningstyper.

Ettersom du utvider deg globalt og samarbeider med treningssentre gjennom Zing Partner Program, hvordan tilpasser du innhold eller treningsplaner basert på regionale eller kulturelle treningpreferanser?

Vårt system kan prioritere øvelser basert på kulturelle preferanser. Det er fleksibelt takket være en kombinasjon av en LLM-agent-tilnærming, hvor hovedagenten setter trening og ernæringsparametere basert på brukerens profil.

Ser fremover, hvordan ser du på rollen til AI i trening—spesielt i å hjelpe brukerne ikke bare å starte, men å holde fast ved rutiner på lang sikt—and hva nye funksjoner er du mest spent på å bygge?

Vi ser at med ekte trenere, har mennesker sterke engasjementssatser. Men nå er teknologien på et nivå hvor den kan overgå menneskelige trenere takket være sin tilgjengelighet, dyp kunnskap om brukeren og evne til å trene på enorme datavolum og bruke mer effektive mønster.

Takk for det flotte intervjuet, lesere som ønsker å teste appen, bør besøke Zing Coach.