Alexey Kurov, Diretor de Produto e Co-fundador da Zing Coach – Série de Entrevistas

Você teve uma jornada fascinante, passando da co-fundação da Zenia para o lançamento da Zing Coach. Pode compartilhar o que originalmente o inspirou a criar uma plataforma de fitness impulsionada por IA e como seu trabalho anterior influenciou a visão para a Zing?

Eu tenho trabalhado com produtos de IA durante toda a minha carreira, começando com o que agora chamamos de aprendizado de máquina tradicional, então aprendizado profundo e agora LLMs. Antes da Zenia, nossa empresa ajudava diferentes empresas a integrar soluções de IA, enquanto também procurávamos por uma área de atuação onde pudéssemos resolver um problema real e criar nosso próprio produto. Naquela época, havia um boom em soluções de aprendizado profundo que podiam executar algoritmos pesados em tempo real em dispositivos, como as máscaras faciais do Instagram. Desenvolvemos nossa própria tecnologia para acompanhamento de movimento em dispositivos móveis, inicialmente pensando em fantasias virtuais, mas após uma pesquisa mais aprofundada, percebemos que poderia ser muito útil para o fitness.

No fitness, há muitos produtos, mas a experiência não mudou muito desde a década de 80 – você ainda segue um vídeo de uma biblioteca. Vimos um grande potencial para disruptar o mercado com treinamento hiper-personalizado e interativo. Começamos com yoga na Zenia e, após a aquisição pela Zing, continuei construindo em direção à nossa visão original.

A Zing Coach recentemente fechou uma rodada de financiamento de US$ 10 milhões em série A e agora atende a mais de um milhão de usuários. Quais foram os principais marcos técnicos ou estratégicos que ajudaram a alcançar essa escala e como priorizou recursos para impulsionar o crescimento?

Desde o início, acreditamos que um treinador de fitness de IA deve ser verdadeiramente personalizado e proativo, então construímos o produto nesse paradigma. Para tornar a geração de treinamento flexível, projetamos uma arquitetura desde o início que pudesse lidar com isso. Quando os LLMs se tornaram amplamente disponíveis, nossa solução se combinou naturalmente com eles e escalou para mais casos de uso de usuário.

O segundo grande marco foi nossa camada de comunicação. Agora, nosso treinador não apenas fornece conselhos – ele se integra a outros sistemas para adaptar a jornada do usuário com base em feedback, agindo como um treinador real. Não é apenas sobre emoção, mas também sobre proatividade, entendendo quando e por que entrar em contato com o usuário e quando ele precisa de um empurrão ou apenas uma visão geral sobre sua atividade.

Como a aprendizagem de máquina é usada para personalizar o treinamento de cada usuário em tempo real? Pode nos guiar pelos modelos e entradas de dados que alimentam o sistema de treinamento adaptativo da Zing?

Nós personalizamos em quatro momentos. Primeiro, construímos um plano com base em suas metas, histórico de treinamento, lesões, métricas do corpo, VO₂ max, frequência cardíaca em repouso e preferências. No dia, olhamos para sinais de recuperação, como sono e dor muscular, e ajustamos exercícios, cargas, repetições e descanso. Durante o treinamento, acompanhamos a frequência cardíaca, contagem de repetições, tempo e recuperação da frequência cardíaca entre séries para ajustar a próxima série em tempo real. Depois, usamos força estimada, deriva da frequência cardíaca, tempo de recuperação, gostos ou pulos e anotações para continuar melhorando o plano.

Nossa análise de movimento é executada em dispositivo em tempo real para forma e qualidade de repetição. Usamos modelos preditivos para definir metas, GPT para planejamento de longo prazo, dicas de treinamento e motivação proativa, e visão computacional para acompanhar a composição corporal e o crescimento muscular ao longo do tempo, alimentando tudo de volta ao plano.

Você desenvolveu varredura do corpo e testes de flexibilidade por meio da ZingLab – como essas entradas físicas se integram aos algoritmos de treinamento e está usando algum tipo de aprendizado de ensemble ou reforço para aprimorar os resultados?

Nós as usamos de duas maneiras: para acompanhar o progresso e para atualizar parâmetros do plano de treinamento. O teste de condicionamento físico ajusta o nível de condicionamento físico do usuário, e a varredura do corpo refina o plano com dados de composição corporal. Em breve, lançaremos análise muscular. Tudo isso é importante para construir um sistema de aprendizado de reforço que possa analisar como as recomendações se conectam aos resultados reais.

Quais passos você tomou para garantir que as recomendações de IA sejam humanas, motivacionais e de apoio, em vez de robóticas? Quanto da voz do treinador é impulsionada por modelos de linguagem versus regras pré-estabelecidas?

Nós temos diretrizes para como o treinador deve se comunicar, além de guardiões. Não temos scripts pré-definidos. Para garantir que funcione, realizamos várias camadas de testes: verificações automatizadas para cumprimento das diretrizes, avaliadores humanos para avaliar a sensação “humana” e taxa de resolução de casos, e testes A/B para medir o impacto em métricas de produto, juntamente com feedback do usuário. Perfis de treinador são desenvolvidos com base em pesquisas sobre nosso público, para que sejam reais, mas eficazes em orientar os usuários.

A Zing enfatiza engajamento e retenção, relatando superar concorrentes maiores em mais de 25%. Quais técnicas de aprendizado de máquina ou design de produto provaram ser mais eficazes para impulsionar esse tipo de retenção?

Executamos muitos experimentos e recursos que positivamente impactam a jornada do usuário. Os principais impulsionadores são proatividade, personalização e métricas gamificadas, como sequências de atividade e escores de força, impulsionados pelos sistemas de IA que descrevi anteriormente.

Como você abordou a gamificação dentro do aplicativo? Recursos como badges, marcos e quadros de liderança são personalizados com base no comportamento do usuário, e você vê evidências de que essa personalização aumenta o comprometimento de longo prazo?

É importante para nós encontrar ferramentas que aumentem o engajamento. No fitness, o progresso nem sempre é visível imediatamente, e os resultados geralmente levam tempo. É por isso que trabalhamos em maneiras de medir e mostrar melhorias, mesmo que sejam pequenas, como testes de condicionamento físico e flexibilidade, e o escore de força. Sequências de atividade ajudam os usuários a permanecer consistentes, e muitos mantiveram seus níveis de atividade por mais de um ano.

Quais desafios técnicos você enfrentou ao construir a Zing Vision, sua funcionalidade de correção de forma em tempo real? Como o sistema se adapta a casos de bordo, como iluminação ruim ou ângulos incomuns em dispositivos móveis?

O principal desafio foi coletar um conjunto de dados para treinar os modelos. Passamos muito tempo coletando e rotulando dados, além de construir um forte sistema de aumento para torná-lo robusto para diferentes condições, como iluminação ruim ou ângulos incomuns. Quando começamos a desenvolvê-lo, há 7 anos, não havia soluções para executá-lo localmente, então criamos nossa própria arquitetura. Mesmo agora, com processadores melhores, essa arquitetura nos ajuda a manter a eficiência de energia.

Ao expandir para modalidades como Pilates e yoga, como os sistemas de IA atuais se adaptam a novos tipos de padrões de movimento? São construídos sobre os mesmos modelos ou está re-treinando novos?

Nosso sistema é modular, então a abordagem para novos tipos de treinamento é semelhante. Atualmente, também estamos trabalhando na atualização do nosso sistema de planejamento de atividade para melhor apoiar diferentes tipos de treinamento.

À medida que você se expande globalmente e se associa a estúdios de fitness por meio do Programa de Parceiros da Zing, como você personaliza o conteúdo ou planos de treinamento com base em preferências de fitness regionais ou culturais?

Nosso sistema pode priorizar exercícios com base em preferências culturais. É flexível graças a uma combinação de abordagem de LLM-agente, onde o agente principal define parâmetros de treinamento e nutrição com base no perfil do usuário.

Olhando para o futuro, como você vê o papel da IA evoluindo no fitness – especialmente em ajudar os usuários a não apenas começar, mas a persistir em rotinas de longo prazo – e quais novas capacidades você está mais animado para construir?

Vemos que com treinadores reais, as pessoas têm taxas de engajamento fortes. Mas agora, a tecnologia está em um nível em que pode superar os treinadores humanos graças à sua disponibilidade, conhecimento profundo do usuário e capacidade de treinar em grandes volumes de dados e usar padrões mais eficazes.

Obrigado pelo grande entrevista, leitores que desejam testar o aplicativo devem visitar Zing Coach.