อเล็กซี่ย์ คูโรฟ, ประธานเจ้าหน้าที่ฝ่ายผลิตภัณฑ์และผู้ร่วมก่อตั้ง Zing Coach – ซีรีส์สัมภาษณ์

คุณมีประสบการณ์ที่น่าสนใจในการเปลี่ยนแปลงจากผู้ร่วมก่อตั้ง Zenia ไปเป็นการเปิดตัว Zing Coach—คุณสามารถแบ่งปันสิ่งที่คุณได้รับแรงบันดาลใจในการสร้างแพลตฟอร์มโค้ช AI และวิธีที่งานในอดีตของคุณมีอิทธิพลต่อวิสัยทัศน์ของ Zing หรือไม่

ฉันทำงานกับผลิตภัณฑ์ AI ทั้งอาชีพของฉัน ตั้งแต่การเรียนรู้ของเครื่องแบบดั้งเดิม ไปจนถึงการเรียนรู้ลึก และตอนนี้คือโมเดลภาษาขนาดใหญ่ ก่อนที่จะมาเป็น Zenia บริษัทของเราช่วยให้ธุรกิจต่างๆ รวมถึงการแก้ปัญหาและสร้างผลิตภัณฑ์ของเราเอง ในช่วงเวลานั้น มีการเติบโตอย่างมากในการใช้การเรียนรู้ลึกที่สามารถทำงานได้แบบเรียลไทม์บนอุปกรณ์ เช่น แอปพลิเคชันบนโทรศัพท์มือถือ เราได้พัฒนтехノロジีของเราเองสำหรับการติดตามการเคลื่อนไหวบนอุปกรณ์มือถือ โดยเริ่มแรกคิดว่าจะใช้สำหรับเสื้อผ้าเสมือน แต่หลังจากการวิจัยอย่างลึกซึ้ง เราได้พบว่ามันสามารถใช้ได้ดีสำหรับการออกกำลังกาย

ในด้านการออกกำลังกาย มีผลิตภัณฑ์มากมาย แต่ประสบการณ์ยังไม่เปลี่ยนแปลงมากนักตั้งแต่ช่วงปี 1980 คุณยังคงต้องทำตามวิดีโอจากห้องสมุด เราเห็นโอกาสที่จะเปลี่ยนแปลงตลาดด้วยการให้คำแนะนำส่วนบุคคลและโต้ตอบได้ เราเริ่มต้นด้วยโยคะใน Zenia และหลังจากการเข้าซื้อกิจการโดย Zing ฉันจึงต่อเนื่องในการสร้างวิสัยทัศน์ดั้งเดิมของเรา

Zing Coach ได้ปิดการระดมทุน Series A มูลค่า 10 ล้านดอลลาร์สหรัฐฯ และปัจจุบันให้บริการผู้ใช้มากกว่า 1 ล้านคน สิ่งที่ยิ่งใหญ่ที่สุดคืออะไร ทั้งด้านเทคนิคหรือกลยุทธ์ที่ช่วยให้คุณบรรลุระดับนี้ และคุณจัดลำดับความสำคัญของฟังก์ชันเพื่อขับเคลื่อนการเติบโตได้อย่างไร

ตั้งแต่วันแรก เราเชื่อว่าโค้ช AI ควรเป็นส่วนบุคคลและสามารถโต้ตอบได้ ดังนั้นเราจึงสร้างผลิตภัณฑ์ภายใต้แนวคิดนี้ เพื่อให้การสร้างโปรแกรมการออกกำลังกายมีความยืดหยุ่น เราได้ออกแบบสถาปัตยกรรมที่สามารถจัดการได้ตั้งแต่เริ่มต้น เมื่อโมเดลภาษาขนาดใหญ่กลายเป็นที่นิยมอย่างกว้างขวาง วิธีแก้ปัญหาของเรารวมเข้ากับพวกมันและขยายไปสู่กรณีการใช้งานของผู้ใช้มากขึ้น

ความสำเร็จครั้งใหญ่อีกอย่างหนึ่งคือชั้นการเชื่อมต่อของเรา โค้ชของเราทำงานมากกว่าแค่ให้คำแนะนำ มันรวมเข้ากับระบบอื่นๆ เพื่อปรับเปลี่ยนการเดินทางของผู้ใช้ตามข้อเสนอแนะ โดยไม่เพียงแต่แสดงออกทางอารมณ์เท่านั้น แต่ยังแสดงถึงความสามารถในการเข้าใจเมื่อและทำไมจึงต้องติดต่อผู้ใช้ และเมื่อผู้ใช้ต้องการแรงผลักดันหรือเพียงแค่ข้อมูลเชิงลึกเกี่ยวกับการเคลื่อนไหวของพวกเขา

การเรียนรู้ของเครื่องถูกใช้อย่างไรเพื่อปรับเปลี่ยนการออกกำลังกายส่วนบุคคลของผู้ใช้แบบเรียลไทม์ คุณสามารถอธิบายรุ่นและข้อมูลที่เข้ามาเพื่อขับเคลื่อนระบบโค้ชแบบปรับเปลี่ยนได้หรือไม่

เราทำการปรับเปลี่ยนสี่ครั้ง ครั้งแรก เราสร้างแผนตามเป้าหมาย ประวัติการฝึกซ้อม อาการบาดเจ็บ ข้อมูลร่างกาย อัตราการหายใจสูงสุด อัตราการเต้นของหัวใจขณะพัก และความชอบ ในวันถัดไป เราจะดูสัญญาณการฟื้นตัว เช่น การนอนหลับและความเมื่อยล้า และปรับเปลี่ยนการออกกำลังกาย ความหนัก จำนวนครั้ง และการพัก โดยระหว่างการออกกำลังกาย เราติดตามอัตราการเต้นของหัวใจ จำนวนครั้ง จังหวะ และการฟื้นตัวของอัตราการเต้นของหัวใจระหว่างชุด เพื่อปรับเปลี่ยนชุดถัดไปแบบเรียลไทม์ หลังจากการออกกำลังกาย เราใช้ความแข็งแรงที่ประมาณไว้ การเปลี่ยนแปลงของอัตราการเต้นของหัวใจ ระยะเวลาการฟื้นตัว ความชอบหรือการข้าม และบันทึกย่อเพื่อปรับปรุงแผน

การวิเคราะห์การเคลื่อนไหวของเราทำงานบนอุปกรณ์แบบเรียลไทม์สำหรับการติดตามรูปแบบและคุณภาพการออกกำลังกาย เราใช้แบบจำลองการคาดการณ์เพื่อตั้งเป้าหมาย การวางแผนระยะยาว โค้ช และการกระตุ้น และการมองเห็นคอมพิวเตอร์เพื่อติดตามการเปลี่ยนแปลงขององค์ประกอบร่างกายและการเติบโตของกล้ามเนื้อตามเวลา ซึ่งทั้งหมดนี้จะถูกส่งกลับเข้าไปในแผน

คุณสร้างการตรวจสอบร่างกายและทดสอบความยืดหยุ่นผ่าน ZingLab—วิธีการที่ข้อมูลทางกายภาพเหล่านี้รวมเข้ากับอัลกอริทึมการฝึกหรือไม่ และคุณใช้การเรียนรู้แบบアンサンブルหรือการเรียนรู้แบบเสริมเพื่อปรับผลลัพธ์หรือไม่

เรานำไปใช้สองวิธี: เพื่อติดตามความคืบหน้าและปรับเปลี่ยนพารามิเตอร์ของแผนการฝึกซ้อม การทดสอบฟิตเนสจะปรับระดับฟิตเนสของผู้ใช้ และการสแกนร่างกายจะปรับปรุงแผนโดยใช้ข้อมูลองค์ประกอบร่างกาย ในไม่ช้า เราจะเปิดตัวการวิเคราะห์กล้ามเนื้อ ทั้งหมดนี้มีความสำคัญต่อการสร้างระบบการเรียนรู้แบบเสริมที่สามารถวิเคราะห์ว่าการแนะนำเชื่อมโยงกับผลลัพธ์จริงได้อย่างไร

คุณดำเนินการอะไรเพื่อให้คำแนะนำ AI มีความรู้สึกเหมือนมนุษย์ มีแรงบันดาลใจ และให้การสนับสนุนแทนที่จะดูเหมือนหุ่นยนต์ มีกี่เปอร์เซ็นต์ของเสียงโค้ชที่ขับเคลื่อนด้วยโมเดลภาษาเทียบกับกฎที่เขียนไว้

เรามีแนวทางสำหรับวิธีการสื่อสารของโค้ช บวกกับข้อจำกัด เราไม่มีบทสคริปต์ที่กำหนดไว้ล่วงหน้า เพื่อให้แน่ใจว่ามันทำงาน เราทำการทดสอบหลายชั้น: ตรวจสอบอัตโนมัติสำหรับการปฏิบัติตามแนวทาง กรรมการผู้ประเมินเพื่อประเมินความรู้สึก “มนุษย์” และอัตราการแก้ปัญหา และการทดสอบ A/B เพื่อวัดผลกระทบต่อเมตริกผลิตภัณฑ์พร้อมกับการรับฟังความคิดเห็นของผู้ใช้ โค้ชโปรไฟล์ถูกพัฒนาขึ้นตามการวิจัยกลุ่มเป้าหมายของเราเพื่อให้รู้สึกจริงแต่มีประสิทธิภาพในการชี้แนะผู้ใช้

Zing เน้นการมีส่วนร่วมและการรักษาผู้ใช้ โดยรายงานว่าสามารถเอาชนะคู่แข่งที่ใหญ่กว่าได้มากกว่า 25% เทคนิคการเรียนรู้ของเครื่องหรือการออกแบบผลิตภัณฑ์ใดที่พิสูจน์แล้วว่ามีประสิทธิภาพในการขับเคลื่อนการรักษาผู้ใช้

เราทำการทดลองและฟีเจอร์มากมายที่ส่งผลเชิงบวกต่อการเดินทางของผู้ใช้ ปัจจัยหลักคือความสามารถในการโต้ตอบ ส่วนบุคคล และเมตริกที่มีการเล่นเกม เช่น สตรีคกิจกรรมและคะแนนความแข็งแรง ซึ่งขับเคลื่อนโดยระบบ AI ที่กล่าวถึงก่อนหน้านี้

คุณเข้าใกล้การเกมมิฟิเคชันภายในแอปอย่างไร ฟีเจอร์เช่นเหรียญรางวัล ระดับ และตารางคะแนนถูกปรับให้เหมาะสมตามพฤติกรรมของผู้ใช้หรือไม่ และคุณเห็นหลักฐานว่าการปรับเปลี่ยนนี้เพิ่มความมุ่งมั่นในระยะยาวหรือไม่

มันสำคัญสำหรับเราในการค้นหาตัวช่วยเพื่อเพิ่มการมีส่วนร่วม ในด้านการออกกำลังกาย ความคืบหน้าไม่เห็นได้ชัดเจนเสมอ และผลลัพธ์มักต้องใช้เวลา นั่นเป็นเหตุผลที่เราทำงานเพื่อหาวิธีในการวัดและแสดงถึงความก้าวหน้าเล็กๆ น้อยๆ เช่น การทดสอบฟิตเนสและคะแนนความแข็งแรง สตรีคกิจกรรมช่วยให้ผู้ใช้สามารถคงความต่อเนื่อง และหลายคนสามารถรักษาระดับการเคลื่อนไหวได้มากกว่าหนึ่งปี

คุณเผชิญกับความท้าทายทางเทคนิคอะไรในการสร้าง Zing Vision ฟีเจอร์การแก้ไขรูปแบบการออกกำลังกายแบบเรียลไทม์ และระบบปรับให้เข้ากับกรณีเชิงขอบเช่นแสงไม่ดีหรือมุมไม่ปกติบนอุปกรณ์มือถือได้อย่างไร

ความท้าทายหลักคือการรวบรวมชุดข้อมูลสำหรับการฝึกโมเดล เราใช้เวลานานในการรวบรวมและทำเครื่องหมายข้อมูล และเรายังสร้างระบบการเพิ่มประสิทธิภาพที่แข็งแกร่งเพื่อให้มันทำงานได้ดีในสภาพแวดล้อมต่างๆ เช่น แสงไม่ดีหรือมุมไม่ปกติ เมื่อเริ่มพัฒนา 7 ปีที่แล้ว ยังไม่มีวิธีแก้ปัญหาในการทำงานบนอุปกรณ์แบบเรียลไทม์ ดังนั้นเราจึงสร้างสถาปัตยกรรมของเราเอง และแม้ว่าโปรเซสเซอร์จะดีขึ้น แต่สถาปัตยกรรมนี้ช่วยให้เราสามารถประหยัดพลังงานได้

เมื่อคุณขยายไปสู่รูปแบบการเคลื่อนไหวใหม่ๆ เช่น พิลาเตสและโยคะ ระบบ AI ปัจจุบันของคุณปรับตัวเข้ากับรูปแบบการเคลื่อนไหวใหม่เหล่านี้ได้อย่างไร และคุณใช้โมเดลเดียวกันหรือต้องฝึกโมเดลใหม่

ระบบของเรามีโครงสร้างแบบโมดูลาร์ ดังนั้นการเข้าใกล้รูปแบบการออกกำลังกายใหม่ๆ จึงคล้ายกัน เรากำลังทำงานในการอัปเกรดระบบวางแผนการออกกำลังกายของเราเพื่อสนับสนุนรูปแบบการออกกำลังกายที่หลากหลายมากขึ้น

เมื่อคุณขยายไปทั่วโลกและร่วมมือกับสตูดิโอการออกกำลังกายผ่านโปรแกรม Zing Partner คุณปรับแต่งเนื้อหาการฝึกซ้อมหรือแผนการฝึกซ้อมตามความชอบด้านการออกกำลังกายของภูมิภาคหรือวัฒนธรรมอย่างไร

ระบบของเราสามารถจัดลำดับความสำคัญของการออกกำลังกายตามความชอบทางวัฒนธรรมได้ มันสามารถปรับเปลี่ยนได้เนื่องจากการผสมผสานระหว่างแนวทางโมเดลภาษาขนาดใหญ่ โดยที่ตัวแทนหลักกำหนดพารามิเตอร์การออกกำลังกายและโภชนาการตามโปรไฟล์ของผู้ใช้

เมื่อมองไปข้างหน้า คุณเห็นบทบาทของ AI ในการออกกำลังกายวิวัฒนาการไปอย่างไร โดยเฉพาะอย่างยิ่งในการช่วยให้ผู้ใช้ไม่เพียงแต่เริ่มต้น แต่ยังติดตามกิจวัตรการออกกำลังกายในระยะยาว และคุณตื่นเต้นกับการพัฒนาความสามารถใหม่ๆ อะไร

เรามองเห็นว่าโค้ชที่แท้จริงมีอัตราการมีส่วนร่วมที่แข็งแกร่ง แต่ขณะนี้เทคโนโลยีมีความก้าวหน้าจนสามารถทanding โค้ชมนุษย์ได้ เนื่องจากความพร้อมใช้งาน ความรู้ลึกเกี่ยวกับผู้ใช้ และความสามารถในการฝึกซ้อมบนปริมาณข้อมูลขนาดใหญ่และใช้รูปแบบที่มีประสิทธิภาพมากขึ้น

ขอขอบคุณสำหรับสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถทดสอบแอปได้ที่ Zing Coach