Kuidas tehisintellekti treeningrakendused treeningut isikupärastavad

Enamik “isikupärastatud” treeningrakendusi pole eriti isikupärastatud. Need esitavad mõned sissejuhatavad küsimused, paigutavad teid rühma ja pakuvad malli, mis on loodud teie sarnaste inimeste jaoks.

Tegelik isikupärastamine algab hiljem, kui süsteem on näinud, kuidas te tegelikult käitute.

Mida adaptiivne rakendus tegelikult teeb

(Sources: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) (Source 1; Source 2; Source 3; Source 4; Source 5; Source 6)

(Sources: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) AI treeningsüsteem töötab tavaliselt lihtsa tsükliga:

• see näeb, mida olete lõpetanud
• see mõõdab või järeldab, kui raske see tundus
• see märkab ajastamise, vahelejätmiste ja järjepidevuse mustreid
• see kohandab seda, mis järgmisena tuleb

See on isikupärastamise sisukam versioon kui ühekordne viktoriin, kuna see vastab tõenditele, mitte enesekirjeldusele.

Fosteri seansi-RPE töö on siin oluline. Sisemine koormus on sageli informatiivsem kui toores kestus või korduste arv. Kui rakendus saab teada, et kindel maht põhjustab pidevalt väsimust või et mõni seanss jäetakse teistest sagedamini vahele, võib see plaani muuta viisil, mida staatiline rakendus ei suuda. Sama loogika töötab paremini, kui kasutaja oskab hinnata ka oma treeningu valmisoleku märke.

Uurimissignaal, millele tasub tähelepanu pöörata

(Sources: Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults; A new approach to monitoring exercise training; Systematic review exploring human, AI, and hybrid health coaching in digital health interventions: trends, engagement, and lifestyle outcomes) (Source 1; Source 2; Source 3; Source 4; Source 5; Source 6)

(Sources: Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults; A new approach to monitoring exercise training; Systematic review exploring human, AI, and hybrid health coaching in digital health interventions: trends, engagement, and lifestyle outcomes) Doherty jt leidsid ristuuringus, et tugevdusõppel põhinev treeningu määramine parandas nii rahulolu kui ka treeningu intensiivsust võrreldes standardse algoritmiga. See on kasulik, sest rakenduse disaini põhiülesanne on suruda piisavalt tugevalt, et tekiks treeningsignaal, ilma et programm tunduks karistav või kohmakas.

Aguilera DIAMANTE kliiniline uuring on samuti oluline, kuigi see keskendus sõnumite ajastusele ja aktiivsuse toetamisele laiemalt. See näitas, et tugevdusõppel põhinevad süsteemid võivad parandada käitumistulemusi, kohandades sekkumisi aja jooksul inimese järgi, selle asemel et kohelda kõiki kasutajaid ühtemoodi.

Praktiline tähendus on lihtne: paremad AI-süsteemid ei vali ainult harjutusi. Nad õpivad, kuidas ja millal inimene kõige tõenäolisemalt hästi reageerib.

Mida parimad rakendused isikupärastavad

(Sources: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) (Source 1; Source 2; Source 3; Source 4; Source 5; Source 6)

(Sources: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) Kõige tugevam isikupärastamine toimub tavaliselt kolme muutuja puhul:

1. Maht

Kui palju tööd seanss kokku sisaldab.

2. Raskus

Kas liigutused, puhkeperioodid või tempo peaksid muutuma raskemaks või kergemaks.

3. Valik

Millised harjutused sooritatakse tõenäolisemalt hästi ja korratakse järjepidevalt.

See kolmas punkt on olulisem, kui tundub. Tehniliselt “täiuslik” harjutuste valik ei ole täiuslik, kui kasutaja jätab selle alati vahele. Hea isikupärastamine ei ole ainult füsioloogia. See on käitumine pluss füsioloogia.

See eristab tugevaid tooteid parimate AI-treeningurakenduste kategoorias neist, mis kasutavad tehisintellekti peamiselt turundussildina.

Mida AI ikka veel täielikult teha ei suuda

(Sources: Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults; A new approach to monitoring exercise training; Systematic review exploring human, AI, and hybrid health coaching in digital health interventions: trends, engagement, and lifestyle outcomes) (Source 1; Source 2; Source 3; Source 4; Source 5; Source 6)

(Sources: Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults; A new approach to monitoring exercise training; Systematic review exploring human, AI, and hybrid health coaching in digital health interventions: trends, engagement, and lifestyle outcomes) See ei näe kõike.

Sellel võib puududa peen vormianalüüs.

See võib valesti aru saada, miks seanss vahele jäeti.

See võib tõlgendada elustressi motivatsiooni puudumisena või vastupidi.

Ja kui tootel pole ebatavaliselt tugevat kontekstihõivet, on see vigastuste ajaloo, emotsionaalse seisundi ja liikumisnüansi integreerimisel samasse otsusesse siiski nõrgem kui läbimõeldud inimtreener.

Kokkuvõte

(Sources: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) (Source 1; Source 2; Source 3; Source 4; Source 5; Source 6)

(Sources: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) AI isikupärastab treeninguid kõige paremini siis, kui neil on lubatud õppida tegelikust kasutamisest, mitte ainult vastustest.

See tähendab, et rakendus vajab tagasisideahela elushoidmiseks piisavalt andmeid, piisavalt järjepidevust ja piisavalt head disaini.

Pealkirjas lubatakse isikupärastamist.

Tegelik mehhanism on kohanemine.