Алексей Куров, главный директор по продукту и сооснователь Zing Coach – Интервью

У вас была fascинirующая карьера, начиная с сооснования Zenia и запуска Zing Coach – можете ли вы рассказать, что первоначально вдохновило вас на создание платформы для фитнеса на основе ИИ, и как ваша предыдущая работа повлияла на видение Zing?

Я работал с продуктами на основе ИИ на протяжении всей своей карьеры, начиная с того, что мы сейчас называем традиционным машинным обучением, затем глубоким обучением, и теперь большими языковыми моделями. До Zenia наша компания помогала различным бизнесам интегрировать решения на основе ИИ, а также искала нишу, где мы могли бы решить реальную проблему и создать свой собственный продукт. В то время был бум решений на основе глубокого обучения, которые могли запускать тяжелые алгоритмы в реальном времени на устройствах, таких как маски лица в Instagram. Мы разработали свою собственную технологию для отслеживания движения на мобильных устройствах, изначально думая о виртуальных костюмах, но после более глубокого исследования мы поняли, что она может быть очень полезна для фитнеса.

В фитнесе существует множество продуктов, но опыт не изменился значительно с 80-х годов – вы все еще просто следуйте видео из библиотеки. Мы увидели большой потенциал для нарушения рынка с помощью гиперперсонализированного, интерактивного коучинга. Мы начали с йоги в Zenia, и после приобретения Zing я продолжил строить нашу исходную видение там.

Zing Coach недавно закрыл раунд финансирования серии А на сумму 10 миллионов долларов и теперь обслуживает более миллиона пользователей. Какие были самые значительные технические или стратегические вехи, которые помогли вам достичь такого масштаба, и как вы расставляли приоритеты в функциях для стимулирования роста?

С самого начала мы верили, что тренер на основе ИИ должен быть真正 персонализированным и проактивным, поэтому мы построили продукт в этом парадигме. Чтобы сделать генерацию тренировок гибкой, мы разработали архитектуру с самого начала, которая могла бы справиться с этим. Когда большые языковые модели стали широко доступны, наше решение естественным образом объединилось с ними и масштабировалось до большего количества пользовательских случаев.

Второй большой вехой стала наша коммуникационная система. Теперь наш тренер не только дает советы – он интегрируется с другими системами, чтобы адаптировать путешествие пользователя на основе обратной связи, действуя как реальный тренер. Это не только эмоция, но и проактивность, понимание, когда и почему связаться с пользователем, и когда ему нужна помощь или просто информация о его деятельности.

Как используется машинное обучение для персонализации тренировок каждого пользователя в реальном времени? Можете ли вы пройти нас через модели и данные, которые обеспечивают адаптивную систему коучинга Zing?

Мы персонализируем на четырех этапах. Сначала мы строим план на основе ваших целей, истории тренировок, травм, показателей тела, максимального потребления кислорода и предпочтений. В день тренировки мы смотрим на сигналы восстановления, такие как сон и боль в мышцах, и корректируем упражнения, нагрузки, повторения и отдых. Во время тренировки мы отслеживаем частоту сердечных сокращений, количество повторений, темп и восстановление сердечной частоты между подходами, чтобы скорректировать следующий подход в реальном времени. После тренировки мы используем оценочную силу, дрифт сердечной частоты, время восстановления, ваши предпочтения или пропуски, и ваши заметки, чтобы продолжать улучшать план.

Наш анализ движения работает на устройстве в реальном времени для оценки формы и качества повторений. Мы используем прогностические модели для установки целей, большую языковую модель для долгосрочного планирования, подсказки тренера и проактивную мотивацию, и компьютерное зрение для отслеживания состава тела и роста мышц с течением времени, подпитывая все это обратно в план.

Вы построили сканирование тела и тестирование гибкости через ZingLab – как эти физические входные данные интегрируются в ваши алгоритмы тренировок, и используете ли вы какой-либо вид ансамблевого обучения или обучения с подкреплением для тонкой настройки результатов?

Мы используем их двумя способами: для отслеживания прогресса и для обновления параметров плана тренировок. Тест на физическую подготовку корректирует уровень физической подготовки пользователя, а сканирование тела уточняет план с учетом состава тела. Скоро мы запустим анализ мышц. Все это важно для построения системы обучения с подкреплением, которая может анализировать, как рекомендации связаны с фактическими результатами.

Какие шаги вы предприняли, чтобы обеспечить, чтобы рекомендации ИИ казались человеческими, мотивирующими и поддерживающими, а не роботизированными? Какая часть голоса тренера определяется языковыми моделями, а какая – запрограммированными правилами?

У нас есть руководящие принципы для того, как тренер должен общаться, плюс ограничения. У нас нет предопределенных сценариев. Чтобы убедиться, что это работает, мы проводим несколько слоев тестирования: автоматические проверки на соответствие руководящим принципам, человеческие оценщики для оценки “человеческого” ощущения и разрешения дел, а также тесты А/Б для измерения влияния на метрики продукта вместе с обратной связью пользователей. Профили тренеров разрабатываются на основе исследований нашей аудитории, чтобы они казались реальными, но эффективными в руководстве пользователями.

Zing подчеркивает вовлеченность и удержание, якобы превосходя более крупных конкурентов более чем на 25%. Какие конкретные методы машинного обучения или проектирования продукта оказались наиболее эффективными для стимулирования такого уровня удержания?

Мы проводим множество экспериментов и функций, которые положительно влияют на путешествие пользователя. Основными драйверами являются проактивность, персонализация и геймифицированные метрики, такие как полосы активности и баллы силы, обеспечиваемые системами ИИ, которые я описал ранее.

Как вы подходили к геймификации внутри приложения? Являются ли функции, такие как значки, вехи и таблицы лидеров, адаптированы на основе поведения пользователя, и видите ли вы доказательства того, что эта персонализация повышает долгосрочную приверженность?

Важно для нас найти инструменты, которые увеличивают вовлеченность. В фитнесе прогресс не всегда виден сразу, и результаты часто требуют времени. Поэтому мы работаем над способами измерения и демонстрации даже небольших улучшений, таких как тесты на физическую подготовку и гибкость, и балл силы. Полосы активности помогают пользователям оставаться последовательными, и многие поддерживали свой уровень активности более года.

Какие технические проблемы вы столкнулись при построении Zing Vision, вашей функции коррекции формы в реальном времени? Как система адаптируется к крайним случаям, таким как плохое освещение или необычные углы на мобильных устройствах?

Основной проблемой было сбор данных для обучения моделей. Мы потратили много времени на сбор и маркировку данных, а также построили сильную систему аугментации, чтобы сделать ее устойчивой к различным условиям, таким как плохое освещение или необычные углы. Когда мы начали разрабатывать ее 7 лет назад, не было решений для локального запуска, поэтому мы создали свою собственную архитектуру. Даже сейчас, с лучшими процессорами, эта архитектура помогает нам оставаться энергоэффективными.

С вашим расширением в такие области, как пилатес и йога, как ваши текущие системы ИИ адаптируются к новым типам движений? Построены ли они на основе одних и тех же моделей или вы переобучаете новые?

Наша система модульна, поэтому подход к новым типам тренировок аналогичен. Сейчас мы также работаем над улучшением нашей системы планирования активности для лучшей поддержки различных типов тренировок.

Когда вы расширяетесь глобально и сотрудничаете с фитнес-студиями через программу партнеров Zing, как вы адаптируете контент или планы тренировок на основе региональных или культурных предпочтений фитнеса?

Наша система может отдавать приоритет упражнениям на основе культурных предпочтений. Она гибкая благодаря комбинации подхода большого языкового моделирования, где основной агент устанавливает параметры тренировки и питания на основе профиля пользователя.

Оглядываясь вперед, как вы видите эволюцию роли ИИ в фитнесе – особенно в помощи пользователям не только начать, но и придерживаться режимов в долгосрочной перспективе – и какие новые возможности вы наиболее заинтересованы построить?

Мы видим, что с реальными тренерами люди имеют высокие показатели вовлеченности. Но теперь технология достигла уровня, когда она может даже превосходить человеческих тренеров благодаря своей доступности, глубокому знанию пользователя и способности тренироваться на огромных объемах данных и использовать более эффективные закономерности.

Спасибо за отличное интервью, читателям, которые хотят протестировать приложение, следует посетить Zing Coach.