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

Ai avut o călătorie fascinantă, trecând de la co-fondarea Zenia la lansarea Zing Coach—poți să ne spui ce te-a inspirat inițial să creezi o platformă de fitness cu inteligență artificială și cum a influențat munca ta anterioară viziunea pentru Zing?

Am lucrat cu produse cu inteligență artificială toată cariera mea, începând cu ceea ce numim acum învățare tradițională, apoi învățare profundă și acum LLM. Înainte de Zenia, compania noastră a ajutat diferite afaceri să integreze soluții cu inteligență artificială, în timp ce căutam și un nișă în care am putea rezolva o problemă reală și construi propriul nostru produs. La acea vreme, a existat o explozie de soluții de învățare profundă care puteau rula algoritmi grei în timp real pe dispozitive, precum măștile de față de la Instagram. Am dezvoltat propria noastră tehnologie pentru urmărirea mișcărilor pe dispozitive mobile, inițial gândindu-ne la costume virtuale, dar după o cercetare mai profundă, am realizat că ar putea fi foarte utilă pentru fitness.

În fitness, există multe produse, dar experiența nu s-a schimbat prea mult de la anii ’80 – încă urmezi un videoclip dintr-o bibliotecă. Am văzut un potențial mare de a perturba piața cu antrenamentul hiper-personalizat și interactiv. Am început cu yoga în Zenia, și după achiziția de către Zing, am continuat să construiesc spre viziunea noastră originală de acolo.

Zing Coach a închis recent o rundă de finanțare Series A de 10 milioane de dolari și deservește acum peste un milion de utilizatori. Care au fost cele mai importante repere tehnice sau strategice care v-au ajutat să ajungeți la această scară și cum ați prioritizat funcțiile pentru a impulsiona creșterea?

De la început, am crezut că un antrenor de fitness cu inteligență artificială ar trebui să fie cu adevărat personalizat și proactiv, așa că am construit produsul în acest paradigma. Pentru a face generarea antrenamentului flexibil, am proiectat o arhitectură de la început care să poată gestiona acest lucru. Când LLM-urile au devenit disponibile pe scară largă, soluția noastră s-a combinat natural cu ele și s-a extins la mai multe cazuri de utilizare.

Al doilea mare reper a fost stratul nostru de comunicare. Acum antrenorul nostru nu doar oferă sfaturi – el se integrează cu alte sisteme pentru a adapta călătoria utilizatorului pe baza feedback-ului, acționând ca un antrenor real. Nu este doar despre emoție, ci și despre proactivitate, înțelegerea când și de ce să contacteze utilizatorul și când are nevoie de o împingere sau pur și simplu de o perspectivă asupra activității sale.

Cum se utilizează învățarea automată pentru a personaliza antrenamentul fiecărui utilizator în timp real? Ne puteți explica modelele și intrările de date care alimentează sistemul de antrenament adaptiv al Zing?

Noi personalizăm la patru momente. În primul rând, construim un plan pe baza obiectivelor dvs., istoricului de antrenament, accidentărilor, datelor corpului, VO₂ max, ritmul cardiac de odihnă și preferințelor. În ziua respectivă, ne uităm la semnalele de recuperare, cum ar fi somnul și durerea musculară, și ajustăm exercițiile, încărcăturile, repetițiile și pauzele. În timpul antrenamentului, urmărim ritmul cardiac, numărul de repetiții, tempo și recuperarea ritmului cardiac între seturi pentru a ajusta următorul set în timp real. După aceea, folosim puterea estimată, alunecarea ritmului cardiac, timpul de recuperare, preferințele și notele dvs. pentru a continua să îmbunătățim planul.

Analiza noastră a mișcării rulează pe dispozitiv în timp real pentru formă și calitatea repetițiilor. Folosim modele predictive pentru a stabili ținte, GPT pentru planificarea pe termen lung, sfaturi de antrenament și motivație proactivă, și viziunea computerizată pentru a urmări compoziția corporală și creșterea musculară în timp, alimentând totul înapoi în plan.

Ați construit scanări ale corpului și teste de flexibilitate prin ZingLab—cum se integrează aceste intrări fizice în algoritmii de antrenament și folosiți vreo formă de învățare de ansamblu sau învățare prin întărire pentru a ajusta rezultatele?

Le folosim în două moduri: pentru a urmări progresul și pentru a actualiza parametrii planului de antrenament. Testul de fitness ajustează nivelul de fitness al utilizatorului, iar scannerul de corp rafinează planul cu date despre compoziția corporală. Curând, vom lansa analiza musculară. Toate acestea sunt importante pentru a construi un sistem de învățare prin întărire care să poată analiza cum recomandările se leagă de rezultatele reale.

Ce pași ați făcut pentru a asigura că recomandările cu inteligență artificială par umane, motivante și de sprijin, în loc de robotice? Cât din vocea de antrenament este condusă de modele de limbaj versus reguli scriptate?

Avem ghiduri pentru modul în care antrenorul ar trebui să comunice, plus garduri de protecție. Nu avem scripturi predefinite. Pentru a ne asigura că funcționează, facem mai multe straturi de testare: verificări automate pentru conformitatea cu ghidurile, evaluatori umani pentru a evalua “simțul uman” și rata de rezolvare a cazurilor, și teste A/B pentru a măsura impactul asupra metricilor produsului, împreună cu feedback-ul utilizatorilor. Profilele antrenorilor sunt dezvoltate pe baza cercetărilor asupra publicului nostru, astfel încât să pară reale, dar eficiente în ghidarea utilizatorilor.

Zing accentuează implicarea și retenția, raportând o depășire a competitorilor mai mari cu peste 25%. Care sunt tehnici specifice de învățare automată sau de proiectare a produsului care s-au dovedit a fi cele mai eficiente în impulsionarea acestei retenții?

Rulăm multe experimente și funcții care au un impact pozitiv asupra călătoriei utilizatorului. Principalii factori de impulsionare sunt proactivitatea, personalizarea și metrici jucăușe, cum ar fi șirurile de activitate și scorurile de forță, alimentate de sistemele cu inteligență artificială pe care le-am descris anterior.

Cum ați abordat jocificarea în cadrul aplicației? Sunt funcții precum insignele, reperele și clasamentele personalizate în funcție de comportamentul utilizatorului, și vedeți dovezi că această personalizare sporește angajamentul pe termen lung?

Este important pentru noi să găsim unelte care să crească implicarea. În fitness, progresul nu este întotdeauna vizibil imediat, și rezultatele adesea iau timp. De aceea, lucrăm la modalități de a măsura și de a arăta chiar și îmbunătățiri mici, cum ar fi teste de fitness și flexibilitate, și scorul de forță. Șirurile de activitate ajută utilizatorii să rămână constanți, și mulți au menținut nivelurile lor de activitate pentru mai mult de un an.

Care au fost provocările tehnice cu care v-ați confruntat la construirea Zing Vision, funcția dvs. de corectare a formei în timp real? Cum se adaptează sistemul la cazuri marginale, cum ar fi iluminarea slabă sau unghiuri neobișnuite pe dispozitive mobile?

Principala provocare a fost colectarea unui set de date pentru antrenarea modelelor. Am petrecut mult timp strângând și etichetând date, plus am construit un sistem puternic de augmentare pentru a-l face robust pentru diferite condiții, cum ar fi iluminarea slabă sau unghiuri neobișnuite. Când am început să o dezvoltăm acum 7 ani, nu existau soluții pentru a rula acest lucru local, așa că am creat propria noastră arhitectură. Chiar și acum, cu procesoare mai bune, această arhitectură ne ajută să rămânem eficienți din punct de vedere energetic.

În timp ce vă extindeți în modalități precum Pilates și yoga, cum se adaptează sistemele dvs. actuale de inteligență artificială la noi tipuri de mișcări? Sunt acestea construite pe baza acelorași modele, sau sunteți antrenând modele noi?

Sistemul nostru este modular, așa că abordarea noilor tipuri de antrenament este similară. Acum, lucrăm și la îmbunătățirea sistemului nostru de planificare a activității pentru a sprijini mai bine diferitele tipuri de antrenament.

Pe măsură ce vă extindeți la nivel global și partenerizați cu studiouri de fitness prin Programul de parteneriat Zing, cum personalizați conținutul sau planurile de antrenament pe baza preferințelor regionale sau culturale de fitness?

Sistemul nostru poate prioritiza exercițiile pe baza preferințelor culturale. Este flexibil datorită unei abordări LLM-agentic, unde agentul principal setează parametrii de antrenament și nutriție pe baza profilului utilizatorului.

Privind înainte, cum vedeți rolul inteligenței artificiale evoluând în fitness—în special în ajutarea utilizatorilor să nu doar înceapă, ci și să rămână cu rutinele pe termen lung—and what new capabilities are you most excited to build?

Vedem că, cu antrenori reali, oamenii au rate de implicare puternice. Dar acum, tehnologia a ajuns la un nivel în care poate chiar să depășească antrenorii umani datorită disponibilității sale, cunoașterii profunde a utilizatorului și capacității de a se antrena pe volume uriașe de date și de a utiliza modele mai eficiente.

Mulțumim pentru acest interviu minunat, cititorilor care doresc să testeze aplicația li se recomandă să viziteze Zing Coach.