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

Miałeś fascynującą podróż, przechodząc od założenia Zenia do uruchomienia Zing Coach—możesz podzielić się tym, co pierwotnie zainspirowało Cię do stworzenia platformy fitness wykorzystującej sztuczną inteligencję, i jak Twoja poprzednia praca wpłynęła na wizję Zing?

Pracowałem z produktami AI przez całą moją karierę, zaczynając od tego, co nazywamy tradycyjnym ML, potem głębokim uczeniem, a teraz LLM. Przed Zenia, nasza firma pomagała różnym firmom integrować rozwiązania AI, a także szukała niszy, w której moglibyśmy rozwiązać prawdzisty problem i zbudować swój własny produkt. W tym czasie, nastąpił boom w rozwiązaniach głębokiego uczenia, które mogły uruchamiać ciężkie algorytmy w czasie rzeczywistym na urządzeniach, takich jak filtry twarzy w Instagramie. Rozwinęliśmy własną technologię do śledzenia ruchu na urządzeniach mobilnych, początkowo myśląc o wirtualnych kostiumach, ale po głębszych badaniach, zrealizowaliśmy, że może to być bardzo przydatne w fitness.

W fitness, istnieje wiele produktów, ale doświadczenie nie zmieniło się znacznie od lat 80. – nadal tylko podążasz za filmem z biblioteki. Zobaczyliśmy duży potencjał, aby zakłócić rynek hiper-personalizowanym, interaktywnym coachingiem. Zaczęliśmy od jogi w Zenia, a po przejęciu przez Zing, kontynuowałem budowanie w kierunku naszej oryginalnej wizji.

Zing Coach niedawno zakończył rundę finansowania serii A o wartości 10 milionów dolarów i obsługuje teraz ponad milion użytkowników. Jakie były największe kamienie milowe techniczne lub strategiczne, które pomogły Ci osiągnąć tę skalę, i jak priorytetyzowałeś funkcje, aby napędzać wzrost?

Od samego początku, wierzyliśmy, że trener fitness AI powinien być naprawdę spersonalizowany i proaktywny, więc zbudowaliśmy produkt w tym paradygmacie. Aby uczynić generowanie treningu elastycznym, zaprojektowaliśmy architekturę, która mogłaby sobie z tym poradzić. Gdy LLM stały się powszechnie dostępne, nasze rozwiązanie naturalnie połączyło się z nimi i skalowało do więcej przypadków użytkowych.

Drugim dużym kamieniem milowym była nasza warstwa komunikacyjna. Teraz nasz trener nie tylko daje porady – integruje się z innymi systemami, aby dostosować podróż użytkownika na podstawie informacji zwrotnej, działając jak prawdziwy trener. To nie tylko kwestia emocji, ale również proaktywności, zrozumienia, kiedy i dlaczego skontaktować się z użytkownikiem, i kiedy potrzebuje on pchnięcia lub po prostu spostrzeżenia na temat swojej aktywności.

Jak jest wykorzystywane uczenie maszynowe, aby spersonalizować trening każdego użytkownika w czasie rzeczywistym? Czy mógłbyś nas przeprowadzić przez modele i dane wejściowe, które napędzają system coachingowy Zing?

Spersonalizowujemy w czterech momentach. Po pierwsze, tworzymy plan na podstawie Twoich celów, historii treningu, urazów, danych ciała, VO₂ max, tętna spoczynkowego i preferencji. W dniu, patrzymy na sygnały odzyskiwania, takie jak sen i ból, i dostosowujemy ćwiczenia, obciążenia, powtórzenia i odpoczynek. Podczas treningu, śledzimy tętno, liczbę powtórzeń, tempo i odzyskiwanie tętna między seriami, aby dostosować następną serię w czasie rzeczywistym. Po treningu, wykorzystujemy oszacowaną siłę, dryf tętna, czas odzyskiwania, Twoje polubienia lub pomiń, i Twoje notatki, aby stale ulepszać plan.

Nasza analiza ruchu działa na urządzeniu w czasie rzeczywistym dla formy i jakości powtórzeń. Wykorzystujemy modele predykcyjne, aby ustalić cele, GPT do długoterminowego planowania, wskazówek coachingowych i motywacji, oraz komputerowe widzenie, aby śledzić skład ciała i wzrost mięśni w czasie, zasilając to wszystko z powrotem do planu.

Zbudowałeś ZingLab, który obejmuje skanowanie ciała i testy elastyczności—jak te dane fizyczne integrują się z twoimi algorytmami treningowymi, i czy wykorzystujesz jakąś formę ensemble learningu lub uczenia wzmocnionego, aby udoskonalić wyniki?

Wykorzystujemy je na dwa sposoby: do śledzenia postępów i do aktualizacji parametrów planu treningowego. Test fitness dostosowuje poziom fitness użytkownika, a skaner ciała udoskonala plan z danymi składu ciała. Wkrótce, uruchomimy analizę mięśni. Wszystko to jest ważne dla budowy systemu uczenia wzmocnionego, który może analizować, jak rekomendacje łączą się z rzeczywistymi wynikami.

Jakie kroki podjąłeś, aby upewnić się, że rekomendacje AI wydają się ludzkie, motywujące i wspierające, a nie robotyczne? Jak wiele głosu coachingowego jest napędzane przez modele językowe w porównaniu z zasadami skryptowymi?

Mamy wytyczne, jak trener powinien komunikować się, plus barierki. Nie mamy żadnych predefiniowanych skryptów. Aby upewnić się, że to działa, prowadzimy kilka warstw testów: automatyczne kontrole zgodności z wytycznymi, ludzkie oceniające, aby ocenić „ludzki” charakter i wskaźnik rozwiązania przypadków, oraz testy A/B, aby zmierzyć wpływ na metryki produktu wraz z opiniami użytkowników. Profile trenerów są rozwijane na podstawie badań nad naszą publicznością, aby czuć się realistycznie, ale skutecznie w prowadzeniu użytkowników.

Zing kładzie nacisk na zaangażowanie i retencję, podobno przewyższając większych konkurentów o ponad 25%. Jakie konkretnie techniki machine learningu lub projektowania produktu okazały się najbardziej skuteczne w napędzaniu tego rodzaju retencji?

Prowadzimy wiele eksperymentów i funkcji, które pozytywnie wpływają na podróż użytkownika. Głównymi sterownikami są proaktywność, personalizacja i elementy gry, takie jak serie aktywności i punkty siły, napędzane przez systemy AI, które wcześniej opisałem.

Jak podejście do grywalizacji wewnątrz aplikacji? Czy funkcje takie jak odznaki, kamienie milowe i tablice liderów są dostosowane na podstawie zachowania użytkownika, i czy widzisz dowody, że ta personalizacja zwiększa zaangażowanie na dłuższą metę?

Jest dla nas ważne, aby znaleźć narzędzia, które zwiększają zaangażowanie. W fitness, postęp nie jest zawsze widoczny natychmiast, a wyniki często zajmują czas. Dlatego pracujemy nad sposobami, aby zmierzyć i pokazać nawet małe ulepszenia, takie jak testy fitness i elastyczności, oraz punkt siły. Serie aktywności pomagają użytkownikom pozostać konsekwentnymi, a wielu z nich utrzymało swoje poziomy aktywności przez ponad rok.

Jakie wyzwania techniczne spotkałeś, budując Zing Vision, Twoją funkcję korekcji formy w czasie rzeczywistym? Jak system adaptuje się do przypadków granicznych, takich jak słabe oświetlenie lub niezwykłe kąty na urządzeniach mobilnych?

Głównym wyzwaniem było zebranie zestawu danych do szkolenia modeli. Spędziliśmy wiele czasu na gromadzeniu i oznaczaniu danych, plus zbudowaliśmy silny system augmentacji, aby uczynić go odpornym na różne warunki, takie jak słabe oświetlenie lub niezwykłe kąty. Gdy zaczynaliśmy rozwijać to 7 lat temu, nie było rozwiązań, które mogłyby działać lokalnie, więc stworzyliśmy własną architekturę. Nawet teraz, z lepszymi procesorami, ta architektura pomaga nam pozostać efektywnymi pod względem energii.

Z ekspansją na modalności, takie jak Pilates i joga, jak Twoje obecne systemy AI adaptują się do nowych typów wzorców ruchu? Czy są one zbudowane na podstawie tych samych modeli, czy trenujesz nowe?

Nasz system jest modułowy, więc podejście do nowych typów treningu jest podobne. Obecnie pracujemy również nad ulepszaniem naszego systemu planowania aktywności, aby lepiej wspierać różne typy treningu.

Prowadząc globalną ekspansję i partnerstwa z studiami fitness za pośrednictwem programu Zing Partner, jak dostosowujesz treści lub plany treningowe do regionalnych lub kulturowych preferencji fitness?

Nasz system może priorytetyzować ćwiczenia na podstawie preferencji kulturowych. Jest elastyczny dzięki połączeniu podejścia LLM-agentic, gdzie główny agent ustawia parametry treningu i odżywiania na podstawie profilu użytkownika.

Patrząc w przyszłość, jak widzisz rolę AI ewoluującą w fitness—szczególnie w pomaganiu użytkownikom nie tylko zaczynać, ale także trwać przy rutynach na dłuższą metę—and co nowych możliwości jesteś najbardziej podekscytowany, aby zbudować?

Widzimy, że z prawdziwymi trenerami, ludzie mają silne wskaźniki zaangażowania. Ale teraz, technologia jest na poziomie, na którym może nawet przewyższyć trenerów ludzkich dzięki swojej dostępności, głębokiej wiedzy o użytkowniku i możliwości szkolenia na ogromnych ilościach danych i korzystania z bardziej skutecznych wzorców.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą przetestować aplikację, powinni odwiedzić Zing Coach.