Alexey Kurov, Chief Product Officer och medgrundare av Zing Coach – Intervjuer

Du har haft en fascinerande resa från att grunda Zenia till att lansera Zing Coach—kan du berätta vad som ursprungligen inspirerade dig att skapa en AI-driven fitnessplattform, och hur ditt tidigare arbete har påverkat visionen för Zing?

Jag har arbetat med AI-produkter hela min karriär, från det vi nu kallar traditionell ML till deep learning och nu LLMs. Innan Zenia hjälpte vårt företag olika företag att integrera AI-lösningar, samtidigt som vi letade efter en nisch där vi kunde lösa ett riktigt problem och bygga vår egen produkt. På den tiden var det en boom i deep learning-lösningar som kunde köra tunga algoritmer i realtid på enheter, som Instagrams ansiktsmasker. Vi utvecklade vår egen teknik för rörelseuppföljning på mobila enheter, initialt med tanken på virtuella kostymer, 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 – du följer fortfarande bara en video från en bibliotek. Vi såg en stor potential att störa marknaden med hyperpersonlig, interaktiv coaching. Vi började med yoga i Zenia, och efter förvärvet av Zing fortsatte jag att bygga mot vår ursprungliga vision där.

Zing Coach har nyligen stängt en 10 miljoner dollar serie A och servar 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-fitnesscoach borde vara riktigt personlig och proaktiv, så vi byggde produkten i den paradigmen. För att göra träningsgenerering flexibel designade vi en arkitektur från början som kunde hantera det. När LLMs blev allmänt tillgängliga kombinerade vår lösning naturligt med dem och skalförstorades till fler användningsfall.

Den andra stora milstolpen var vår kommunikationslager. Nu ger vår coach inte bara råd – den integrerar 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, förståelse för när och varför man ska kontakta användaren, och när de behöver en push eller bara en insikt om sin aktivitet.

Hur används maskinlärning för att personanpassa varje användares träningspass i realtid? Kan du gå igenom modellerna och datainmatningarna som driver Zings adaptiva coachningssystem?

Vi personanpassar vid fyra tillfällen. Först bygger vi en plan baserad på dina mål, träningshistorik, skador, kroppsmått, VO₂ max, vilotid och preferenser. På dagen tittar vi på återhämtningssignaler som sömn och stelhet och justerar övningar, belastningar, repetitioner och vila. Under träningspasset spårar vi hjärtfrekvens, repetitioner, tempo och hjärtfrekvensåterhämtning mellan set för att justera nästa set i realtid. Efteråt använder vi uppskattad styrka, hjärtfrekvensdrift, återhämtningstid, dina gillanden eller hopp över, och dina anteckningar för att fortsätta förbättra planen.

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

Du har byggt ut kroppsscanning och flexibilitetstestning via ZingLab—hur integrerar dessa fysiska inmatningar i dina träningsalgoritmer, och använder du någon form av ensemble-inlärning eller förstärkt inlärning för att finjustera resultaten?

Vi använder dem på två sätt: för att spåra förbättringar och för att uppdatera träningsplanens parametrar. Fitness-testet justerar användarens fitnessnivå, och kroppsscannern finjusterar planen med kroppssammansättningsdata. Snart kommer vi att lansera muskelanalys. Allt detta är viktigt för att bygga ett förstärkt inlärningssystem som kan analysera hur rekommendationer kopplar till faktiska resultat.

Vilka åtgärder har du vidtagit för att se till att AI-rekommendationerna känns mänskliga, motiverande och stödjande snarare än robotiska? Hur stor del av coach-rösten drivs av språkmodeller jämfört med skriptade regler?

Vi har riktlinjer för hur coachen ska kommunicera, plus skyddsräcken. Vi har inga fördefinierade skript. För att se till att det fungerar gör vi flera lager av tester: automatiserade kontroller för riktlinjekompatibilitet, mänskliga bedömare för att utvärdera “mänsklig” känsla och fallets lösningsfrekvens, och A/B-tester för att mäta effekten på produktmått tillsammans med användarfeedback. Coachprofiler utvecklas baserat på forskning om vår målgrupp så att de känns verkliga men effektiva i att guida användare.

Zing betonar engagemang och kvarhållande, och rapporteras överträffa större konkurrenter med över 25%. Vilka specifika maskinlärnings- eller produktutvecklingstekniker har visat sig vara mest effektiva för att driva det slags kvarhållande?

Vi kör många experiment och funktioner som positivt påverkar användarresan. De viktigaste drivkrafterna är proaktivitet, personanpassning och spelifierade mått som aktivitetsserier och styrkescore, driven av de AI-system jag beskrivit tidigare.

Hur har du angripit spelifiering inom appen? Är funktioner som emblem, milstolpar och ledartavlor anpassade baserat på användarbetende, och ser du bevis för att denna personanpassning ökar långsiktig engagemang?

Det är viktigt för oss att hitta verktyg som ökar engagemanget. Inom fitness är framsteg inte alltid synliga omedelbart, och resultaten tar ofta tid. Därför arbetar vi med sätt att mäta och visa även små förbättringar, som fitness- och flexibilitetstest, och styrkescore. Aktivitetsserier hjälper användare att hålla sig konsekventa, och många har upprätthållit sin aktivitet i över ett år.

Vilka tekniska utmaningar mötte du när du byggde Zing Vision, din funktion för realtidsformkorrigering? Hur anpassar sig systemet till extrema fall som dålig belysning eller ovanliga vinklar på mobila enheter?

Den största utmaningen var att samla in en datamängd för att träna modellerna. Vi tillbringade mycket tid med att samla in och märka data, plus vi byggde ett starkt augmenteringssystem för att göra det robust för olika förhållanden som dålig belysning eller ovanliga vinklar. När vi började utveckla det för 7 år sedan fanns det inga lösningar för att köra detta lokalt, så vi skapade vår egen arkitektur. Även nu, med bättre processorer, hjälper denna arkitektur oss att förbli energieffektiva.

Med din expansion till modaliteter som Pilates och yoga, hur anpassar sig dina nuvarande AI-system till nya typer av rörelsemönster? Är dessa byggda ovanpå samma modeller, eller tränar ni nya?

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

När du expanderar globalt och samarbetar med fitnessstudior genom Zing Partner Program, hur anpassar du innehåll eller träningsplaner baserat på regionala eller kulturella fitnesspreferenser?

Vårt system kan prioritera övningar baserat på kulturella preferenser. Det är flexibelt tack vare en kombination av en LLM-agenterad ansats, där den primära agenten ställer in tränings- och näringsparametrar baserat på användarens profil.

När du ser framåt, hur ser du på AI:s roll i fitness—speciellt i att hjälpa användare att inte bara starta utan också hålla fast vid rutiner på lång sikt—andra nya funktioner är du mest ivrig att bygga?

Vi ser att med riktiga tränare har människor starka engagemangsrater. Men nu är tekniken på en nivå där den kan överträffa mänskliga tränare tack vare tillgänglighet, djup kunskap om användaren och förmåga att träna på enorma datamängder och använda mer effektiva mönster.

Tack för den underbara intervjun, läsare som vill testa appen bör besöka Zing Coach.