Alexey Kurov, Chief Product Officer & Co-founder của Zing Coach – Phỏng vấn Series

Bạn đã có một hành trình thú vị khi chuyển từ đồng sáng lập Zenia sang ra mắt Zing Coach—bạn có thể chia sẻ điều gì đã truyền cảm hứng cho bạn tạo ra một nền tảng thể thao được hỗ trợ bởi AI, và làm thế nào công việc trước đây của bạn đã ảnh hưởng đến tầm nhìn cho Zing?

Tôi đã làm việc với các sản phẩm AI trong suốt sự nghiệp của mình, bắt đầu từ những gì chúng ta gọi là học máy truyền thống, sau đó là học sâu và bây giờ là LLM. Trước Zenia, công ty của chúng tôi đã giúp các doanh nghiệp khác tích hợp các giải pháp AI, đồng thời cũng tìm kiếm một lĩnh vực mà chúng tôi có thể giải quyết một vấn đề thực sự và xây dựng sản phẩm của riêng mình. Tại thời điểm đó, có một sự bùng nổ trong các giải pháp học sâu có thể chạy các thuật toán nặng trong thời gian thực trên các thiết bị, như mặt nạ khuôn mặt của Instagram. Chúng tôi đã phát triển công nghệ của riêng mình cho việc theo dõi chuyển động trên thiết bị di động, ban đầu nghĩ về trang phục ảo, nhưng sau khi nghiên cứu sâu hơn, chúng tôi nhận ra rằng nó có thể rất hữu ích cho thể thao.

Trong thể thao, có rất nhiều sản phẩm, nhưng trải nghiệm chưa thay đổi nhiều kể từ những năm 80 – bạn vẫn chỉ theo dõi một video từ thư viện. Chúng tôi thấy tiềm năng lớn để phá vỡ thị trường với huấn luyện cá nhân hóa và tương tác. Chúng tôi bắt đầu với yoga trong Zenia, và sau khi được Zing mua lại, tôi tiếp tục xây dựng dựa trên tầm nhìn ban đầu của chúng tôi ở đó.

Zing Coach gần đây đã kết thúc vòng Series A trị giá 10 triệu đô la và hiện đang phục vụ hơn một triệu người dùng. Những cột mốc kỹ thuật hoặc chiến lược quan trọng nhất giúp bạn đạt được quy mô này là gì, và làm thế nào bạn ưu tiên các tính năng để thúc đẩy tăng trưởng?

Từ ngày đầu tiên, chúng tôi tin rằng một huấn luyện viên thể thao AI nên thực sự được cá nhân hóa và chủ động, vì vậy chúng tôi đã xây dựng sản phẩm theo mô hình đó. Để làm cho việc tạo ra các chương trình tập luyện linh hoạt, chúng tôi đã thiết kế một kiến trúc từ đầu có thể xử lý nó. Khi LLM trở nên rộng rãi, giải pháp của chúng tôi tự nhiên kết hợp với chúng và mở rộng đến nhiều trường hợp người dùng hơn.

Cột mốc quan trọng thứ hai là lớp giao tiếp của chúng tôi. Bây giờ, huấn luyện viên của chúng tôi không chỉ đưa ra lời khuyên – nó tích hợp với các hệ thống khác để thích ứng với hành trình của người dùng dựa trên phản hồi, hoạt động như một huấn luyện viên thực sự. Nó không chỉ về cảm xúc, mà còn về sự chủ động, hiểu khi và tại sao liên hệ với người dùng, và khi họ cần một cú hích hoặc chỉ một cái nhìn sâu sắc về hoạt động của họ.

Làm thế nào máy học được sử dụng để cá nhân hóa chương trình tập luyện của từng người dùng trong thời gian thực? Bạn có thể giải thích các mô hình và dữ liệu đầu vào nào cung cấp năng lực huấn luyện thích ứng của Zing?

Chúng tôi cá nhân hóa tại bốn thời điểm. Đầu tiên, chúng tôi xây dựng một kế hoạch dựa trên mục tiêu, lịch sử tập luyện, chấn thương, chỉ số cơ thể, VO₂ max, nhịp tim nghỉ và sở thích của bạn. Vào ngày, chúng tôi xem xét tín hiệu phục hồi như giấc ngủ và đau nhức và điều chỉnh các bài tập, tải, số lần lặp và nghỉ. Trong quá trình tập luyện, chúng tôi theo dõi nhịp tim, số lần lặp, nhịp độ và phục hồi nhịp tim giữa các hiệp để điều chỉnh hiệp tiếp theo trong thời gian thực. Sau đó, chúng tôi sử dụng sức mạnh ước tính, trôi nhịp tim, thời gian phục hồi, lượt thích hoặc bỏ qua và ghi chú của bạn để tiếp tục cải thiện kế hoạch.

Phân tích chuyển động của chúng tôi chạy trên thiết bị trong thời gian thực cho hình thức và chất lượng lần lặp. Chúng tôi sử dụng các mô hình dự đoán để đặt mục tiêu, GPT cho lập kế hoạch dài hạn, lời nhắc huấn luyện và động viên chủ động, và tầm nhìn máy tính để theo dõi thành phần cơ thể và tăng trưởng cơ bắp theo thời gian, đưa tất cả trở lại vào kế hoạch.

Bạn đã xây dựng quét cơ thể và kiểm tra linh hoạt thông qua ZingLab—những đầu vào vật lý này tích hợp như thế nào vào các thuật toán đào tạo của bạn, và bạn có sử dụng bất kỳ hình thức học tăng cường hoặc học tập hợp tác nào để tinh chỉnh kết quả?

Chúng tôi sử dụng chúng theo hai cách: để theo dõi tiến độ và để cập nhật các tham số kế hoạch tập luyện. Kiểm tra thể lực điều chỉnh mức thể lực của người dùng, và máy quét cơ thể tinh chỉnh kế hoạch với dữ liệu thành phần cơ thể. Sắp tới, chúng tôi sẽ ra mắt phân tích cơ bắp. Tất cả những điều này đều quan trọng để xây dựng một hệ thống học tăng cường có thể phân tích cách các khuyến nghị kết nối với kết quả thực tế.

Những bước bạn đã thực hiện để đảm bảo rằng các khuyến nghị AI cảm thấy con người, động viên và hỗ trợ thay vì máy móc là gì? Phần trăm khuyến nghị huấn luyện được điều khiển bởi mô hình ngôn ngữ so với các quy tắc được viết sẵn?

Chúng tôi có hướng dẫn về cách huấn luyện viên nên giao tiếp, cộng với các rào cản. Chúng tôi không có bất kỳ kịch bản được định nghĩa trước nào. Để đảm bảo nó hoạt động, chúng tôi thực hiện nhiều lớp kiểm tra: kiểm tra tự động để tuân thủ hướng dẫn, đánh giá của con người để đánh giá cảm giác “con người” và tỷ lệ giải quyết trường hợp, và các thử nghiệm A/B để đo lường tác động đến các chỉ số sản phẩm cùng với phản hồi của người dùng. Các hồ sơ huấn luyện viên được phát triển dựa trên nghiên cứu về khán giả của chúng tôi để chúng cảm thấy thực nhưng hiệu quả trong việc hướng dẫn người dùng.

Zing nhấn mạnh vào sự tham gia và giữ chân, được báo cáo là vượt trội so với các đối thủ lớn hơn 25%. Những kỹ thuật máy học hoặc thiết kế sản phẩm cụ thể nào đã chứng minh là hiệu quả nhất trong việc thúc đẩy sự giữ chân như vậy?

Chúng tôi chạy nhiều thí nghiệm và tính năng có tác động tích cực đến hành trình của người dùng. Các yếu tố chính là sự chủ động, cá nhân hóa và các chỉ số được trò chơi hóa như chuỗi hoạt động và điểm sức mạnh, được hỗ trợ bởi các hệ thống AI mà tôi đã mô tả trước đó.

Bạn đã tiếp cận trò chơi hóa trong ứng dụng như thế nào? Các tính năng như huy hiệu, cột mốc và bảng xếp hạng có được tùy chỉnh dựa trên hành vi của người dùng không, và bạn có thấy bằng chứng rằng sự cá nhân hóa này tăng cường cam kết lâu dài?

Điều quan trọng đối với chúng tôi là tìm ra các công cụ tăng cường sự tham gia. Trong thể thao, tiến bộ không phải lúc nào cũng có thể nhìn thấy ngay lập tức, và kết quả thường mất thời gian. Đó là lý do tại sao chúng tôi làm việc trên các cách để đo lường và hiển thị thậm chí những cải thiện nhỏ, như kiểm tra thể lực và linh hoạt, và điểm sức mạnh. Các chuỗi hoạt động giúp người dùng duy trì sự nhất quán, và nhiều người đã duy trì mức độ hoạt động của họ trong hơn một năm.

Những thách thức kỹ thuật bạn đã gặp phải khi xây dựng Zing Vision, tính năng sửa lỗi hình thức thời gian thực của bạn là gì? Hệ thống này thích ứng với các trường hợp biên như ánh sáng yếu hoặc góc nhìn không thường thấy trên thiết bị di động như thế nào?

Thách thức chính là thu thập một tập dữ liệu để đào tạo các mô hình. Chúng tôi đã dành rất nhiều thời gian để thu thập và gắn nhãn dữ liệu, cộng với việc xây dựng một hệ thống tăng cường mạnh mẽ để làm cho nó mạnh mẽ cho các điều kiện khác nhau như ánh sáng yếu hoặc góc nhìn không thường thấy. Khi chúng tôi bắt đầu phát triển nó 7 năm trước, không có giải pháp nào để chạy cục bộ, vì vậy chúng tôi đã tạo ra kiến trúc của riêng mình. Ngay cả bây giờ, với các bộ xử lý tốt hơn, kiến trúc này giúp chúng tôi duy trì hiệu quả năng lượng.

Với việc mở rộng sang các phương thức như Pilates và yoga, hệ thống AI hiện tại của bạn đang thích ứng với các loại hình chuyển động mới như thế nào? Những mô hình này có được xây dựng trên cùng một mô hình hay bạn đang đào tạo các mô hình mới?

Hệ thống của chúng tôi là mô-đun, vì vậy cách tiếp cận với các loại tập luyện mới là tương tự. Hiện tại, chúng tôi cũng đang làm việc trên việc nâng cấp hệ thống lập kế hoạch hoạt động của mình để hỗ trợ tốt hơn các loại tập luyện khác nhau.

Khi bạn mở rộng toàn cầu và hợp tác với các phòng tập thể thao thông qua Chương trình Đối tác Zing, bạn đang tùy chỉnh nội dung hoặc kế hoạch tập luyện dựa trên sở thích thể thao khu vực hoặc văn hóa như thế nào?

Hệ thống của chúng tôi có thể ưu tiên các bài tập dựa trên sở thích văn hóa. Nó linh hoạt nhờ sự kết hợp giữa cách tiếp cận LLM-agentic, nơi tác nhân chính thiết lập các tham số tập luyện và dinh dưỡng dựa trên hồ sơ người dùng.

Nhìn về tương lai, bạn thấy vai trò của AI trong thể thao sẽ phát triển như thế nào, đặc biệt là trong việc giúp người dùng không chỉ bắt đầu mà còn duy trì các thói quen lâu dài – và những khả năng mới nào bạn đang mong đợi xây dựng?

Chúng tôi thấy rằng với các huấn luyện viên thực sự, mọi người có tỷ lệ tham gia mạnh mẽ. Nhưng bây giờ, công nghệ đã ở mức có thể thậm chí vượt trội so với các huấn luyện viên con người nhờ vào sự sẵn có, kiến thức sâu sắc về người dùng và khả năng đào tạo trên các tập dữ liệu lớn và sử dụng các mẫu hiệu quả hơn.

Cảm ơn for cuộc phỏng vấn tuyệt vời, độc giả muốn thử ứng dụng nên truy cập Zing Coach.