Інтерв’ю
Олексій Куров, головний директор із продукції та співзасновник Zing Coach – Серія інтерв’ю
Олексій Куров, головний директор із продукції та співзасновник Zing Coach, – технолог та підприємець, який спеціалізується на розробці рішень для фітнесу на основі штучного інтелекту. В Zing Coach він керує розробкою платформи тренування з штучним інтелектом, яка забезпечує персоналізоване тренування, відстеження прогресу в режимі реального часу та багатомодальне взаємодія. Раніше він заснував Zenia, перший додаток для навчання йоги з використанням штучного інтелекту, та займав керівні посади в Gentleminds AI, Pixsee та WeSee, створивши сильний досвід у створенні інтелектуальних, адаптивних цифрових продуктів для здоров’я.
Zing Coach – це додаток для фітнесу на основі штучного інтелекту, який створює адаптивні програми тренування, розроблені для кожного користувача на основі його даних про тіло, цілей, рівня енергії та наявного обладнання. Використовуючи функції, такі як сканування тіла, фітнес-тести та відстеження форми в режимі реального часу, він регулює інтенсивність та прогрес у режимі реального часу, забезпечуючи персоналізовану допомогу у понад 400 вправах. Розроблений для роботи як цифровий персональний тренер, Zing Coach забезпечує інтелектуальні, гнучкі та високо персоналізовані фітнес-досвіди вдома чи в спортзалі.
Ви мали цікаву кар’єру, перейшовши від співзаснування Zenia до запуску Zing Coach – можете.tell нам, що спочатку надихнуло вас створити платформу фітнесу на основі штучного інтелекту, і як ваша попередня робота вплинула на бачення Zing?
Я працював з продуктами штучного інтелекту протягом усієї своєї кар’єри, починаючи з того, що ми зараз називаємо традиційним машинним навчанням, потім глибоким навчанням, а тепер LLM. Перед Zenia наша компанія допомагала різним бізнесам інтегрувати рішення штучного інтелекту, а також шукала нішу, де ми могли б вирішити реальну проблему та створити свій власний продукт. На той час був бум рішень глибокого навчання, які могли виконувати важкі алгоритми в режимі реального часу на пристроях, наприклад, маски обличчя в Instagram. Ми розробили свою власну технологію для відстеження рухів на мобільних пристроях, спочатку думаючи про віртуальні костюми, але після глибшого дослідження ми зрозуміли, що це може бути дуже корисно для фітнесу.
У фітнесі існує багато продуктів, але досвід не змінився суттєво з 80-х – ви все ще просто слідуєте відео з бібліотеки. Ми побачили великий потенціал для порушення ринку з гіперперсоналізованим, інтерактивним тренуванням. Ми почали з йоги в Zenia, а після придбання Zing я продовжував будувати нашу оригінальну бачення там.
Zing Coach недавно закрив $10M Серії А і тепер обслуговує понад мільйон користувачів. Які були найбільшими технічними чи стратегічними етапами, які допомогли вам досягти цього масштабу, і як ви пріоритезували функції для стимулювання зростання?
З першого дня ми вірили, що тренер фітнесу на основі штучного інтелекту повинен бути真正 персоналізованим і проактивним, тому ми побудували продукт у цьому парадигмі. Щоб зробити генерацію тренувань гнучкою, ми розробили архітектуру з самого початку, яка могла б справитися з цим. Коли LLM стали широко доступними, наше рішення природно поєдналося з ними та масштабувалося до більшої кількості випадків користувачів.
Другим великим етапом була наша комунікаційна оболонка. Тепер наш тренер не тільки дає поради – він інтегрується з іншими системами, щоб адаптувати шлях користувача на основі зворотного зв’язку, діючи як справжній тренер. Це не тільки про емоції, але й про проактивність, розуміння, коли та чому контактувати з користувачем, і коли йому потрібний поштовх або просто огляд його діяльності.
Як використовується машинне навчання для персоналізації тренування кожного користувача в режимі реального часу? Можете.tell нам про моделі та дані, які живлять адаптивну систему тренування Zing?
Ми персоналізуємо на чотири моменти. Спочатку ми будуємо план на основі ваших цілей, історії тренування, травм, показників тіла, VO₂ макс, частоти серцевих скорочень та уподобань. У день ми дивимось на сигнали відновлення, такі як сон та болючість, і регулюємо вправи, навантаження, повторення та відпочинок. Під час тренування ми відстежуємо частоту серцевих скорочень, кількість повторень, темп та відновлення серцевої частоти між наборами, щоб регулювати наступний набір у режимі реального часу. Після цього ми використовуємо оцінені показники сили, зсув частоти серцевих скорочень, час відновлення, ваші вподобання або пропуски та ваші нотатки, щоб继续 поліпшувати план.
Наш аналіз рухів працює на пристрої в режимі реального часу для форми та якості повторень. Ми використовуємо передбачувальні моделі для встановлення цілей, GPT для довгострокового планування, тренувальних сигналів та проактивного мотивування, а також комп’ютерне зору для відстеження складу тіла та росту м’язів з часом, надсилаючи все це назад у план.
Ви побудували сканування тіла та тестування гнучкості через ZingLab – як ці фізичні входи інтегруються в ваші алгоритми тренування, і чи використовуєте ви якийсь вид ансамблевого навчання або підкріпленого навчання для тонкої настройки результатів?
Ми використовуємо їх двома способами: для відстеження прогресу та для оновлення параметрів плану тренування. Фітнес-тест регулює рівень фізичної підготовки користувача, а сканування тіла уточнює план за допомогою даних про склад тіла. Незабаром ми запустимо аналіз м’язів. Все це важливо для побудови системи підкріпленого навчання, яка може аналізувати, як рекомендації пов’язані з фактичними результатами.
Які кроки ви зробили, щоб забезпечити, щоб рекомендації штучного інтелекту відчувалися людськими, мотивуючими та підтримуючими, а не роботизованими? Наскільки голос тренера керується мовними моделями проти скриптових правил?
У нас є керівні принципи для того, як тренер повинен спілкуватися, плюс обмежувальні фактори. У нас немає попередньо визначених скриптів. Щоб переконатися, що це працює, ми проводимо кілька рівнів тестування: автоматичні перевірки на відповідність керівним принципам, людські оцінювачі для оцінки “людського” відчуття та швидкості вирішення випадків, а також тестування А/Б для вимірювання впливу на метрики продукту разом із зворотним зв’язком користувачів. Профілі тренерів розробляються на основі досліджень нашої аудиторії, щоб вони відчувалися реальними, але ефективними у керуванні користувачами.
Zing підкреслює залученість та утримання, повідомляючи про перевершення великих конкурентів більш ніж на 25%. Які конкретні техніки машинного навчання або дизайну продукту виявилися найбільш ефективними для стимулювання такого рівня утримання?
Ми проводимо багато експериментів та функцій, які позитивно впливають на шлях користувача. Основними драйверами є проактивність, персоналізація та ігрові метрики, такі як активні смуги та показники сили, які живляться системами штучного інтелекту, про які я згадував раніше.
Як ви підходили до гейміфікації всередині додатка? Чи є функції, такі як значки, віхи та таблиці лідерів, адаптовані на основі поведінки користувача, і чи бачите ви докази того, що така персоналізація підвищує довгострокову прив’язаність?
Для нас важливо знайти інструменти, які підвищують залученість. У фітнесі прогрес не завжди видно одразу, а результати часто займають час. Тому ми працюємо над способами вимірювання та демонстрації навіть малих поліпшень, таких як фітнес-тести та показник сили. Активні смуги допомагають користувачам залишатися послідовними, і багато з них підтримували свій рівень активності понад рік.
Які технічні труднощі ви зустріли при побудові Zing Vision, вашої функції корекції форми в режимі реального часу? Як система адаптується до крайніх випадків, таких як погане освітлення чи незвичайні кути на мобільних пристроях?
Основною трудністю було зібрати набір даних для навчання моделей. Ми витратили багато часу на збір та маркування даних, а також побудували сильну систему aumentації, щоб зробити її стійкою до різних умов, таких як погане освітлення чи незвичайні кути. Коли ми почали розробляти це 7 років тому, не було рішень для виконання цього локально, тому ми створили свою власну архітектуру. Навіть зараз, з кращими процесорами, ця архітектура допомагає нам залишатися енергоефективними.
З вашим розширенням на модальності, такі як пілатес та йога, як ваші поточні системи штучного інтелекту адаптуються до нових типів рухових патернів? Чи будуються вони на основі тих самих моделей, чи ви перенастроюєте нові?
Наша система модульна, тому підхід до нових типів тренувань аналогічний. Наразі ми також працюємо над покращенням нашої системи планування діяльності для кращої підтримки різних типів тренувань.
Як ви розширюєтеся глобально та партнеруєте з фітнес-студіями через програму Zing Partner, як ви адаптуєте контент чи плани тренування на основі регіональних чи культурних уподобань фітнесу?
Наша система може пріоритезувати вправи на основі культурних уподобань. Це гнучко завдяки комбінації підходу LLM-агент, де основний агент встановлює параметри тренування та харчування на основі профілю користувача.
Оглядаючи вперед, як ви бачите розвиток ролі штучного інтелекту у фітнесі – особливо у допомозі користувачам не тільки почати, але й триматися тренувань довгостроково – і які нові можливості вас найбільш цікавлять для побудови?
Ми бачимо, що з справжніми тренерами люди мають сильні показники залученості. Але тепер технологія досягла рівня, на якому вона може навіть перевершити людських тренерів завдяки своїй доступності, глибоким знанням користувача та можливості тренуватися на величезних обсягах даних та використовувати більш ефективні патерни.
Дякуємо вас за велике інтерв’ю, читачам, які бажають протестувати додаток, слід відвідати Zing Coach.
