Kuinka AI Workout Apps mukauttaa harjoittelua

Useimmat “personoidut” harjoitussovellukset eivät ole erityisen henkilökohtaisia. He esittävät muutamia perehdytyskysymyksiä, lajittelevat sinut ämpäriin ja toimittavat mallin, joka on suunniteltu kaltaisillesi epämääräisille ihmisille.

Todellinen personointi alkaa myöhemmin, kun järjestelmä on nähnyt, miten käyttäytyy.

Mitä mukautuva sovellus todella tekee

(Lähteet: 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)

(Lähteet: 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-harjoitusjärjestelmä toimii yleensä yksinkertaisella silmukalla:

• se näkee, mitä olet tehnyt
• se mittaa tai päättelee kuinka vaikealta se tuntui
• Se huomaa ajoituksen, hyppyjen ja johdonmukaisuuden kuviot
• se säätää mitä tulee seuraavaksi

Se on mielekkäämpi versio personoinnista kuin kertaluonteinen tietokilpailu, koska se vastaa todisteisiin eikä itsekuvaukseen.

Fosterin istunto-RPE-työllä on merkitystä täällä. Sisäinen kuormitus on usein informatiivisempi kuin raakakesto tai toistoluku. Jos sovellus oppii, että tietty äänenvoimakkuus aiheuttaa jatkuvasti liian korkeaa väsymystä tai että tietyt istunnot ohitetaan useammin kuin toiset, se voi muuttaa suunnitelmaa tavalla, jolla staattinen sovellus ei pysty.

Tutkimussignaali, johon kannattaa kiinnittää huomiota

(Lähteet: 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)

(Lähteet: 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 et ai. havaitsi, että vahvistamiseen perustuva harjoitusmääräys paransi sekä tyytyväisyyttä että harjoituksen intensiteettiä verrattuna standardialgoritmiin crossover-kokeissa. Se on hyödyllistä, koska se kohtaa sovellussuunnittelun ydinhaasteen: tarpeeksi kovaa työntämistä harjoitussignaalin luomiseksi ilman, että ohjelma tuntuu rankaisevalta tai kömpelöltä.

Myös Aguileran DIAMANTE-kokeilulla on merkitystä, vaikka se keskittyi viestien ajoitukseen ja aktiviteettitukeen laajemmin. Se osoitti, että vahvistavat oppimisjärjestelmät voivat parantaa käyttäytymistuloksia mukauttamalla interventioita yksilön mukaan ajan mittaan sen sijaan, että kohdelisi jokaista käyttäjää samalla tavalla.

Käytännön merkitys on yksinkertainen: paremmat AI-järjestelmät eivät vain valitse harjoituksia. He oppivat, miten ja milloin henkilö todennäköisimmin reagoi hyvin.

Mitä parhaat sovellukset personoivat

(Lähteet: 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)

(Lähteet: 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) Vahvin personointi tapahtuu yleensä kolmella muuttujalla:

1. Äänenvoimakkuus

Kuinka paljon kokonaistyötä istunto sisältää.

2. Vaikeus

Pitäisikö liikkeet, lepoajat tai vauhti vaikeutua tai helpottaa.

3. Valinta

Mitkä harjoitukset suoritetaan todennäköisemmin hyvin ja toistetaan jatkuvasti.

Tuo kolmas seikka on tärkeämpi kuin miltä näyttää. Teknisesti “täydellinen” harjoitusvalinta ei ole täydellinen, jos käyttäjä jättää sen aina väliin. Hyvä personointi ei ole vain fysiologiaa. Se on käyttäytymistä ja fysiologiaa.

Tämä myös erottaa vahvat AI-kuntoilusovellukset sovelluksista, jotka markkinoivat AIia pääasiassa otsikoina.

Mitä AI ei vieläkään pysty täysin tekemään

(Lähteet: 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)

(Lähteet: 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) Se ei näe kaikkea.

Siitä voi puuttua hienovarainen muotojakauma.

Se voi ymmärtää väärin, miksi istunto ohitettiin.

Se voi tulkita elämän stressin motivaation puutteeksi tai päinvastoin.

Ja ellei tuotteessa ole epätavallisen vahvaa kontekstin vangitsemista, se on silti heikompi kuin ajatteleva ihmisvalmentaja integroimaan vammahistorian, tunnetilan ja liikkeen vivahteen samaan päätökseen.

Bottom line

(Lähteet: 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)

(Lähteet: 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 personoi harjoitukset parhaiten, kun sen sallitaan oppia todellisesta käytöstä, ei vain aloitusvastauksista.

Tämä tarkoittaa, että sovellus tarvitsee tarpeeksi palautedataa, riittävän johdonmukaisuutta ja tarpeeksi hyvää suunnittelua pitääkseen silmukan hengissä. Sama koskee kiireisille ihmisille sopivia kuntoilusovelluksen ominaisuuksia: personointi auttaa vain, jos arjen käyttö pysyy kevyenä.

Otsikkolupaus on personointi.

Todellinen mekanismi on sopeutuminen.