Alexey Kurov, Zing Coach’un Ürün Başkanı ve Kurucu Ortağı – Röportaj Serisi

Sizinki, Zenia’yı kurduktan sonra Zing Coach’u başlatmakla ilgili ilginç bir yolculuktu—AI destekli bir fitness platformu oluşturmanıza neyin ilham verdiğini ve geçmiş çalışmalarınızın Zing için vizyonu nasıl etkilediğini paylaşabilir misiniz?

Tüm kariyerim boyunca AI ürünleri ile çalıştım, geleneksel ML’den derin öğrenmeye ve şimdi LLM’lere kadar. Zenia’dan önce, şirketimiz farklı işletmelere AI çözümleri entegre etmeye yardımcı olurken, aynı zamanda gerçek bir sorunu çözebileceğimiz ve kendi ürünümüzü oluşturabileceğimiz bir niş arıyorduk. O zaman, cihazlarda gerçek zamanlı olarak ağır algoritmaları çalıştırabilen derin öğrenme çözümlerinde bir patlama vardı, Instagram’ın yüz maskeleri gibi. Mobil cihazlarda hareket takibi için kendi teknolojisini geliştirdik, ilk olarak sanal kostümler hakkında düşünürken, ancak daha derin bir araştırma sonrasında, bunun fitness için çok faydalı olabileceğini fark ettik.

Fitness’te birçok ürün var, ancak deneyim 80’lerden bu yana çok değişmedi – hala sadece bir video kütüphanesinden takip ediyorsunuz. Peki, hyper-kişiselleştirilmiş, etkileşimli koçluk ile pazarı bozma potansiyeli gördük. Zenia’da yoga ile başladık ve Zing tarafından satın alındıktan sonra, oradaki orijinal vizyonumuza doğru devam ettim.

Zing Coach最近 10 milyon dolarlık bir Seri A yatırımını tamamladı ve şimdi bir milyondan fazla kullanıcıya hizmet veriyor. Bu ölçekte ulaşmanıza yardımcı olan en büyük teknik veya stratejik kilometre taşları nelerdi ve büyümeyi teşvik etmek için özellikleri nasıl önceliklendirdiniz?

İlk günden itibaren, bir AI fitness koçu gerçekten kişiselleştirilmiş ve proaktif olmalı olduğuna inandık, bu nedenle ürünü bu paradigmada inşa ettik. Esnek bir çalışma programı oluşturmak için, bunu işleyebilecek bir mimari tasarladık. LLM’ler geniş çapta kullanılabilir olduğunda, bizim çözümümüz doğal olarak bunlarla birleşti ve daha fazla kullanıcı durumuna ölçeklendi.

İkinci büyük kilometre taşı, iletişim katmanımızdı. Şimdi koçumuz sadece tavsiyelerde bulunmuyor, aynı zamanda diğer sistemlerle entegre oluyor ve kullanıcıların yolculuğunu geri bildirimlere dayanarak uyarlıyor, gerçek bir koç gibi davranıyor. Bu sadece duygularla ilgili değil, aynı zamanda proaktivite, kullanıcıya ne zaman ve neden ulaşılacağını anlama ve kullanıcıya bir itme veya sadece aktivitesi hakkında bir fikir verme zamanını anlamayla ilgili.

Kullanıcıların her birinin egzersizini gerçek zamanlı olarak nasıl kişiselleştirdiğinizi açıklayabilir misiniz? Hangi modelleri ve veri girişlerini kullanarak Zing’in adapte koçluk sistemini güçlendiriyorsunuz?

Dört anda kişiselleştiriyoruz. İlk olarak, hedeflerinize, eğitim geçmişinize, sakatlıklarınıza, vücut ölçülerinize, VO₂ maksimum değerlerine, dinlenme kalp hızınıza ve tercihlerinize dayanarak bir plan oluşturuyoruz. O gün, uyku ve kas ağrısı gibi iyileşme sinyallerine bakar ve egzersizleri, yükleri, tekrarları ve dinlenme sürelerini ayarlarız. Egzersiz sırasında kalp atış hızını, tekrarları, temposu ve setler arasındaki kalp atış hızını takip ederiz ve bir sonraki seti gerçek zamanlı olarak ayarlarız. Sonrasında, tahmin edilen gücü, kalp atış hızının kayması, iyileşme süresini, beğenilerinizi veya atlayışlarınızı ve notlarınızı kullanarak planı sürekli olarak iyileştiriyoruz.

Hareket analizi, form ve tekrarın kalitesini gerçek zamanlı olarak cihazda çalışır. Hedefleri belirlemek için öngörülü modelleri, uzun vadeli planlama, koçluk ipuçları ve proaktif motivasyon için GPT ve bilgisayar vizyonunu kullanıyoruz ve vücut kompozisyonunu ve kas büyümesini zaman içinde takip etmek için bunları plana geri besliyoruz.

ZingLab aracılığıyla vücut taraması ve esneklik testi gibi fiziksel girdileri nasıl entegre ediyorsunuz? Bu girdiler, eğitim planı parametrelerini nasıl güncelliyor ve pekiştirmeli öğrenme veya takviye öğrenme gibi herhangi bir yöntemi kullanıyor musunuz?

Bunları iki şekilde kullanıyoruz: ilerlemeyi takip etmek ve eğitim planı parametrelerini güncellemek için. Fitness testi, kullanıcının fitness seviyesini ayarlıyor ve vücut taraması, planı vücut kompozisyon verisiyle güncelliyor. Yakında kas analizi başlatıyoruz. Tüm bunlar, önerilerin gerçek sonuçlarla nasıl bağlantılı olduğunu analiz edebilecek bir pekiştirmeli öğrenme sistemi oluşturmak için önemli.

AI önerilerinin insani, motivasyonel ve destekleyici hissetmesini sağlamak için hangi adımları attınız? Koç sesi ne kadarı dil modelleri tarafından yönlendiriliyor ve ne kadarı betimlenmiş kurallar tarafından?

Koçun nasıl iletişim kurması gerektiğine ilişkin rehberlerimiz ve sınırlarımız var. Önceden tanımlanmış senaryolarımız yok. İşe yaradığını sağlamak için birkaç katmanlı testler yapıyoruz: rehber uyumunu kontrol etmek için otomatik kontroller, “insani” hissi ve vaka çözme oranını değerlendirmek için insan değerlendirmenler ve ürün metrikalarını ölçmek ve kullanıcı geri bildirimi almak için A/B testleri. Koç profilleri, hedef kitlemizle ilgili araştırmalara dayanarak geliştiriliyor, böylece gerçekçi ve kullanıcıları yönlendirmede etkili hissediliyor.

Zing, katılımı ve tutundurmayı vurguluyor ve büyük rakiplerini %25’ten fazla aşarak bir milyondan fazla kullanıcıya hizmet veriyor. Büyümeyi teşvik eden ve kullanıcıların uzun vadeli olarak bağlı kalmasını sağlayan en etkili makine öğrenimi veya ürün tasarım teknikleri nelerdi?

Birçok deney ve özellik yapıyoruz ve bunlar kullanıcı yolculuğunu olumlu yönde etkiliyor. Ana sürücüler, proaktivite, kişiselleştirme ve aktivite çizelgeleri, güç puanları gibi oyunlaştırma metricleri, daha önce bahsettiğim AI sistemleri tarafından güçlendiriliyor.

Uygulama içinde oyunlaştırma nasıl ele alındı? Rozetler, kilometre taşları ve liderlik tabloları gibi özellikler, kullanıcı davranışına göre uyarlanıyor mu ve bu kişiselleştirmenin uzun vadeli bağlılığı artırabileceğine dair kanıtlar var mı?

Kullanıcıların katılımını artırmak için araçlar bulmak önemlidir. Fitness’te, ilerleme her zaman hemen görünmeyebilir ve sonuçlar genellikle zaman alabilir. Bu nedenle, küçük gelişmeleri ölçmek ve göstermek için yollar üzerinde çalışıyoruz, fitness ve esneklik testleri gibi ve aktivite çizelgeleri gibi. Kullanıcılar aktivite seviyelerini bir yıldan fazla süre boyunca sürdürdüler.

Zing Vision, gerçek zamanlı form düzeltme özelliğinizin teknik zorlukları nelerdi? Sistem, kötü aydınlatma veya mobil cihazlarda alışılmadık açılara gibi kenar durumlarına nasıl uyum sağlıyor?

Ana zorluk, modelleri eğitmek için bir veri seti toplamak oldu. Veri toplamak ve etiketlemek için çok zaman harcadık ve ayrıca farklı koşullara karşı dayanıklı hale getirmek için güçlü bir aumento sistemi geliştirdik. Bunu geliştirmeye 7 yıl önce başladığımızda, yerel olarak çalıştırabilecek bir çözüm yoktu, bu nedenle kendi mimarimizi oluşturduk. Hala, daha iyi işlemcilerle, bu mimari bize enerji verimliliği konusunda yardımcı oluyor.

Pilates ve yoga gibi modalitelerine genişlerken, mevcut AI sistemleriniz yeni hareket kalıplarına nasıl uyum sağlıyor? Bu, aynı modellerin üzerine inşa edilen mi yoksa yeniden eğitilen yeni modeller mi?

Sistemimiz modüler, bu nedenle yeni çalışma türlerine yaklaşım benzer. Şu anda, farklı çalışma türlerini daha iyi desteklemek için aktivite planlama sistemimizi yükseltmeye çalışıyoruz.

Zing Partner Programı aracılığıyla fitness stüdyolarıyla küresel olarak genişlerken, bölgesel veya kültürel fitness tercihlerine göre içeriği veya eğitim planlarını nasıl uyarlıyorsunuz?

Sistemimiz, egzersizleri kültürel tercihlerine göre önceliklendirebiliyor. Esnek olması, LLM-agentic bir yaklaşım kombinasyonu sayesinde mümkün oluyor, ana ajan, kullanıcı profiline dayanarak çalışma ve beslenme parametrelerini belirliyor.

İleriye bakıldığında, fitness’te AI’ın rolünün nasıl evrileceğini görüyorsunuz—özellikle kullanıcıların sadece başlamakla kalmayıp uzun vadeli olarak da rutinlerine bağlı kalmasına yardımcı olmak için? Hangi yeni yetenekleri inşa etmekten en çok heyecan duyuyorsunuz?

Gerçek koçlarla, insanların güçlü bir katılım oranı olduğunu görüyoruz. Ancak şimdi, teknoloji insan koçları geride bırakabilecek seviyeye ulaştı, çünkü kullanıcıya derin bir şekilde hakim, büyük veri hacimleri üzerinde eğitim alabiliyor ve daha etkili kalıplar kullanabiliyor.

Harika bir röportaj için teşekkür ederiz, okuyucuların uygulamayı test etmek istiyorsa Zing Coach adresini ziyaret etmeleri gerekir.