Alexey Kurov, produktchef och medgrundare av Zing Coach – Intervjuserie

Du har haft en fascinerande resa från att vara med och grunda Zenia till att lansera Zing Coach – kan du dela med dig av vad som ursprungligen inspirerade dig att skapa en AI-driven träningsplattform, och hur ditt tidigare arbete påverkade visionen för Zing?

Jag har arbetat med AI-produkter hela min karriär, med början i det vi nu kallar traditionell ML, sedan djupinlärning och nu juridikexperter. Innan Zenia hjälpte vårt företag olika företag att integrera AI-lösningar, samtidigt som vi letade efter en nisch där vi kunde lösa ett verkligt problem och bygga vår egen produkt. Vid den tiden fanns det en boom inom djupinlärningslösningar som kunde köra tunga algoritmer i realtid på enheter, som Instagrams ansiktsmasker. Vi utvecklade vår egen teknik för rörelsespårning på mobila enheter, initialt med tanke på virtuella dräkter, men efter djupare forskning insåg vi att det kunde vara mycket användbart för fitness.

Inom fitness finns det många produkter, men upplevelsen har inte förändrats mycket sedan 80-talet – man följer fortfarande bara en video från ett bibliotek. Vi såg stor potential att störa marknaden med hyperpersonlig, interaktiv coachning. Vi började med yoga i Zenia, och efter förvärvet av Zing fortsatte jag att bygga mot vår ursprungliga vision där.

Zing Coach avslutade nyligen en serie A-uppdragsperiod på 10 miljoner dollar och betjänar nu över en miljon användare. Vilka var de största tekniska eller strategiska milstolparna som hjälpte er att nå denna skala, och hur prioriterade ni funktioner för att driva tillväxt?

Från dag ett trodde vi att en AI-tränare borde vara verkligt personlig och proaktiv, så vi byggde produkten utifrån det paradigmet. För att göra träningsgenereringen flexibel designade vi en arkitektur från början som kunde hantera det. När LLM:er blev allmänt tillgängliga, kombinerades vår lösning naturligt med dem och skalades till fler användarfall.

Den andra stora milstolpen var vårt kommunikationslager. Nu ger vår coach inte bara råd – den integreras med andra system för att anpassa användarens resa baserat på feedback och agerar som en riktig coach. Det handlar inte bara om känslor, utan också om proaktivitet, att förstå när och varför man ska kontakta användaren, och när de behöver en knuff eller helt enkelt en inblick i sin aktivitet.

Hur används maskininlärning för att anpassa varje användares träningspass i realtid? Kan du visa oss modellerna och datainmatningarna som driver Zings adaptiva coachningssystem?

Vi anpassar träningen vid fyra tillfällen. Först skapar vi en plan baserad på dina mål, träningshistorik, skador, kroppsstatistik, VO₂ max, vilopuls och preferenser. Under dagen tittar vi på återhämtningssignaler som sömn och ömhet och justerar övningar, belastning, repetitioner och vila. Under träningspasset spårar vi puls, repetitionsantal, tempo och pulsåterhämtning mellan set för att justera nästa set i realtid. Efteråt använder vi uppskattad styrka, pulsavvikelse, återhämtningstid, dina gilla- eller överhoppningspass och dina anteckningar för att fortsätta förbättra planen.

Vår rörelseanalys körs på enheten i realtid för att mäta form och repetitionskvalitet. Vi använder prediktiva modeller för att sätta mål, GPT för långsiktig planering, coachingsignaler och proaktiv motivation, och datorseende för att spåra kroppssammansättning och muskeltillväxt över tid, och matar allt tillbaka till planen.

Du har byggt ut kroppsskanning och flexibilitetstester genom ZingLab – hur integreras dessa fysiska input i dina träningsalgoritmer, och använder du någon form av ensembleinlärning eller förstärkningsinlärning för att finjustera resultaten?

Vi använder dem på två sätt: för att följa framsteg och för att uppdatera parametrar för träningsplanen. Konditionstestet justerar användarens konditionsnivå och kroppsskannern förfinar planen med data om kroppssammansättning. Snart kommer vi att lansera muskelanalys. Allt detta är viktigt för att bygga ett system för förstärkningsinlärning som kan analysera hur rekommendationer kopplas till faktiska resultat.

Vilka steg har ni vidtagit för att säkerställa att AI-rekommendationerna känns mänskliga, motiverande och stödjande istället för robotiska? Hur mycket av coachningens röst styrs av språkmodeller kontra skriptade regler?

Vi har riktlinjer för hur coachen ska kommunicera, plus skyddsräcken. Vi har inga fördefinierade skript. För att säkerställa att det fungerar gör vi flera lager av testning: automatiserade kontroller av riktlinjernas efterlevnad, mänskliga bedömare för att utvärdera den "mänskliga" känslan och andelen lösningar på ärenden, och A/B-tester för att mäta effekten på produktstatistik tillsammans med användarfeedback. Coachprofiler utvecklas baserat på forskning om vår målgrupp så att de känns verkliga men effektiva för att vägleda användare.

Zing betonar engagemang och kundlojalitet, och enligt uppgift överträffar de större konkurrenterna med över 25 %. Vilka specifika maskininlärnings- eller produktdesigntekniker har visat sig vara mest effektiva för att driva den typen av kundlojalitet?

Vi kör många experiment och funktioner som positivt påverkar användarupplevelsen. De viktigaste drivkrafterna är proaktivitet, personalisering och spelbaserade mätvärden som aktivitetsserier och styrkepoäng, drivna av de AI-system jag beskrivit tidigare.

Hur närmade ni er gamification i appen? Är funktioner som märken, milstolpar och topplistor anpassade baserat på användarbeteende, och ser ni bevis för att denna personalisering ökar det långsiktiga engagemanget?

Det är viktigt för oss att hitta verktyg som ökar engagemanget. Inom fitness är framsteg inte alltid synliga omedelbart, och resultat tar ofta tid. Därför arbetar vi med sätt att mäta och visa även små förbättringar, som konditions- och flexibilitetstester och styrkepoäng. Aktivitetsserier hjälper användare att hålla sig konsekventa, och många har bibehållit sina aktivitetsnivåer i mer än ett år.

Vilka tekniska utmaningar mötte ni när ni byggde Zing Vision, er funktion för formkorrigering i realtid? Hur anpassar sig systemet till gränsfall som dålig belysning eller ovanliga vinklar på mobila enheter?

Den största utmaningen var att samla in en datauppsättning för att träna modellerna. Vi lade ner mycket tid på att samla in och märka data, plus att vi byggde ett starkt förstärkningssystem för att göra det robust för olika förhållanden som dålig belysning eller ovanliga vinklar. När vi började utveckla det för sju år sedan fanns det inga lösningar för att köra detta lokalt, så vi skapade vår egen arkitektur. Även nu, med bättre processorer, hjälper den här arkitekturen oss att hålla oss energieffektiva.

Med er expansion till metoder som pilates och yoga, hur anpassar era nuvarande AI-system sig till nya typer av rörelsemönster? Är dessa byggda på samma modeller, eller omskolar ni nya?

Vårt system är modulärt, så tillvägagångssättet för nya träningstyper är liknande. Just nu arbetar vi också med att uppgradera vårt aktivitetsplaneringssystem för att bättre stödja olika träningstyper.

I takt med att ni expanderar globalt och samarbetar med fitnessstudior genom Zing Partner Program, hur anpassar ni innehåll eller träningsplaner baserat på regionala eller kulturella träningspreferenser?

Vårt system kan prioritera övningar baserat på kulturella preferenser. Det är flexibelt tack vare en kombination av en LLM-agentisk metod, där huvudagenten ställer in tränings- och näringsparametrar baserat på användarens profil.

Om du blickar framåt, hur ser du på AI:s roll inom träning utvecklas – särskilt när det gäller att hjälpa användare att inte bara komma igång med utan att hålla fast vid rutiner på lång sikt – och vilka nya funktioner ser du mest fram emot att bygga?

Vi ser att med riktiga coacher har människor starka engagemangsgrader. Men nu är tekniken på en nivå där den till och med kan överträffa mänskliga coacher tack vare dess tillgänglighet, djupa kunskap om användaren och förmågan att träna på enorma datamängder och använda mer effektiva mönster.

Tack feller den fantastiska intervjun, bör läsare som vill testa appen besöka Zing tränare.