AI osobni treneri: rade li oni zapravo?

Tradicionalni model osobnog trenera djeluje izvanredno dobro za ljude koji si ga mogu priuštiti. Jedna sesija s certificiranim trenerom u velikom gradu često je skupa, a mjerljivi rezultati obično traže redovit rad iz tjedna u tjedan. Za većinu ljudi ta računica vodi do jednostavne odluke: ne angažiraju osobnog trenera. Umjesto toga, slažu YouTube rutine, slijede generičke programe koji nisu osmišljeni prema njihovu rasporedu, razini kondicije ili sposobnosti oporavka i pitaju se zašto napredak zastaje nakon šest tjedana.

AI fitness coaching ušao je u ovu prazninu s drugačijim obećanjem: prednosti personaliziranog rada s iskusnim trenerom, uz djelić cijene, dostupne na zahtjev u vašoj dnevnoj sobi. To je uistinu uvjerljiva ponuda, ali zaslužuje pomno ispitivanje. Marketinške tvrdnje o AI coachingu kreću se od razumnih do ekstravagantnih, a baza istraživanja, iako raste, još se razvija.

Ovaj članak govori o tome što zapravo jest AI coaching temeljen na aplikaciji, što recenzirani dokazi govore o njegovoj učinkovitosti, gdje zaostaje u usporedbi s ljudskim nadzorom i koji praktični koraci čine razliku između AI coachinga koji daje rezultate i onoga koji jednostavno generira obavijesti o vježbanju koje naučite ignorirati.

Što je AI osobni trening zapravo

Izraz “AI osobni trener” pokriva toliko širok spektar da je gotovo besmislen bez pojašnjenja. Na osnovnoj razini, ne opisuje ništa više od biblioteke unaprijed napisanih programa koji se nude putem algoritma za podudaranje temeljenog na kvizu: odgovorite na nekoliko pitanja o svojim ciljevima i razini kondicije, dobijete predložak programa. To se bitno ne razlikuje od tiskane knjižice s vježbama. Oznaka “AI” tada je marketing, a ne funkcionalnost.

Na sljedećoj razini, istinski prilagodljivi sustavi prate vašu stvarnu izvedbu kroz sesije (vježbe koje ste završili, serije koje bilježite, ocjene težine koje unosite) i prilagođavaju buduće sesije na temelju tih podataka. To je bliže onome što istraživači ponašanja podrazumijevaju pod personaliziranim programiranjem, jer program reagira na ono što zapravo radite, a ne na ono što ste teoretski planirali učiniti.

Na sofisticiranijoj razini, neke platforme koriste ocjenu percipiranog napora (RPE) sesije kao ključni ulazni podatak. Dr. Carl Foster i kolege (PMID 11357117) razvili su i potvrdili metodu RPE za sesiju kao praktičan, pouzdan alat za kvantificiranje unutarnjeg opterećenja tijekom treninga u svim vrstama vježbi. Ključni uvid je da subjektivne ocjene napora, prikupljene dosljedno nakon svake sesije, daju nevjerojatno točnu sliku akumuliranog umora i stresa tijekom treninga; vanjske metrike poput trajanja vježbanja ili broja koraka ne mogu to obuhvatiti same. Sustav umjetne inteligencije koji prikuplja i koristi RPE podatke o sesiji radi nešto kvalitativno drugačije od onog koji broji samo dovršena ponavljanja.

Ono što razlikuje AI coaching od generičkog YouTube treninga jest, u najboljem slučaju, povratna sprega. Program nije statičan. Prilagođava učestalost, volumen, odabir vježbi i intenzitet na temelju stalnog praćenja vaših stvarnih reakcija. Kao što je dr. Foster primijetio u svojoj temeljnoj studiji iz 2001. (PMID 11357117), praćenje RPE sesije tijekom vremena daje trenerima i algoritmima koji modeliraju ponašanje trenera uvid u stvarni akumulirani umor koji sama sirova metrika izvedbe ne može pružiti.

Stajalište Američkog koledža sportske medicine o propisivanju vježbanja, čiji su autori Garber i sur. (PMID 21694556), izričito je po ovom pitanju: učinkovito programiranje vježbi zahtijeva individualizaciju. Različiti ljudi s naizgled sličnim fitness profilima različito reagiraju na isti program. Dob, povijest treniranja, kapacitet oporavka, opterećenje stresom, kvaliteta sna i deseci drugih varijabli utječu na to kako se određeni poticaj vježbanja pretvara u prilagodbu. Program koji zanemaruje ove varijable u korist jedinstvenog predloška program je dizajniran za teoretsku prosječnu osobu, što znači za gotovo nijednu stvarnu osobu.

Znanost personaliziranog programiranja

Slučaj za personalizirano programiranje mnogim vježbačima nije intuitivan. Ako čučnjevi grade noge, a sklekovi prsa, zašto je bitno je li program prilagođen pojedincu? Odgovor leži u riječi koju fitness kultura nedovoljno naglašava: varijacije.

Schoenfeld, Ogborn i Krieger objavili su sustavni pregled i meta-analizu 2016. godine (PMID 27102172) ispitujući kako učestalost treninga utječe na mišićnu hipertrofiju. Njihova je analiza identificirala nešto što su praktičari promatrali godinama, ali što su studije na razini populacije imale problema da jasno kvantificiraju: individualni odgovor na učestalost treninga značajno varira. Neki ljudi pokazuju superiorne hipertrofične reakcije kada treniraju svaku mišićnu skupinu tri puta tjedno. Kod drugih dolazi do platoa ili regresije pri toj učestalosti i bolje reagiraju na sesije dvaput tjedno. Meta-analiza je otkrila da je treniranje svake mišićne skupine dva puta tjedno povezano s boljim hipertrofijskim ishodima u usporedbi s jednom tjedno, ali podaci su također pokazali značajne individualne varijacije koje skupni nalazi imaju tendenciju zamagliti.

Ova individualna varijacija upravo je ono čime se bavi ACSM-ovo stajalište iz 2011. (PMID 21694556). Garber i sur. pružaju okvir za propisivanje vježbi koji prepoznaje učestalost, intenzitet, vrijeme i vrstu kao varijable koje se moraju kalibrirati za pojedinca, a ne jednako dodijeliti cijeloj populaciji. Smjernice preporučuju da naizgled zdrave odrasle osobe akumuliraju 150 do 300 minuta aerobne vježbe umjerenog intenziteta tjedno ili 75 do 150 minuta aktivnosti visokog intenziteta, uz aktivnosti jačanja mišića najmanje dva dana u tjednu. Ali operativna fraza je “naizgled zdrave odrasle osobe”, populacija čiji optimalni parametri treninga još uvijek obuhvaćaju ogroman raspon.

Metoda sesijskog RPE-a koju su razvili Foster i sur. (PMID 11357117) pruža praktični mehanizam za premošćivanje jaza između smjernica na razini populacije i propisivanja na razini pojedinca. Tražeći od sportaša da ocijene svoj percipirani napor za cijeli trening, a ne samo za pojedinačne vježbe, treneri mogu pratiti stvara li kumulativno opterećenje treninga produktivni stres ili ide prema prekomjernom naprezanju. Zamislite to kao GPS navigacijski sustav koji ponovno izračunava vašu rutu na temelju prometa u stvarnom vremenu, a ne uvjeta koji su postojali kada je karta ispisana. Fiksni program treninga papirnata je karta: točna u jednom trenutku, slijepa za sve što se mijenja. Program koji uključuje povratne informacije o sesijskom RPE-u kontinuirano ponovno izračunava.

Znanost o navikama potvrđuje ovu tvrdnju. Lally i sur. (PMID 19586449) otkrili su da ponašanje postaje automatsko ne prema fiksnom rasporedu, već kao funkcija dosljednog ponavljanja tijekom vremena, te da je vremenska linija vrlo individualna, u rasponu od 18 do 254 dana za određeno ponašanje. Program koji se prilagođava kako bi zadržao sudionika angažiranim i uspješnim kroz taj prošireni prozor je strukturno bolje pozicioniran da proizvede trajnu promjenu ponašanja nego onaj koji pretpostavlja da će svi korisnici slijediti isti luk.

Što pokazuju kontrolirana istraživanja

Istraživanja fitness intervencija temeljenih na aplikacijama nisu uvijek pozitivna, ali su pozitivnija nego što skeptici obično priznaju.

Schoeppe i sur. objavili su sustavni pregled 2016. (PMID 27927228) ispitujući učinkovitost intervencija temeljenih na aplikaciji za poboljšanje prehrane, tjelesne aktivnosti i sjedilačkog ponašanja. U pregledu je analizirano 37 studija koje su ispunjavale kriterije za uključivanje. Trideset i dvije od 37 studija, otprilike 86%, pokazale su da su intervencije temeljene na aplikaciji bile učinkovite za poboljšanje barem jednog ishoda povezanog s promicanjem tjelesne aktivnosti. U pregledu je navedeno da su aplikacije s više interaktivnih značajki, uključujući alate za postavljanje ciljeva, samonadzor i mehanizme povratnih informacija, bile povezane s jačim učincima. Dokazi upućuju na to da digitalni alati za treniranje, kada su dobro dizajnirani, mogu značajno promijeniti ponašanje povezano s tjelesnom aktivnosti u stvarnim populacijama.

Pitanje pridržavanja, odnosno mogu li ljudi održavati vježbanje kod kuće bez odgovornosti prema treneru, ispitivali su Jakicic i kolege u ispitivanju iz 1999. (PMID 10546695). Tijekom 18 mjeseci, sudionici u uvjetima vježbanja kod kuće pokazali su stope pridržavanja usporedive s onima u nadziranoj grupi. To je otkriće značajno jer se trajanje od 18 mjeseci proteže znatno dalje od tipičnog prozora od 8 do 12 tjedana većine studija vježbanja, hvatajući dugoročnije obrasce pridržavanja koji zapravo predviđaju kondicijske rezultate. Studija prethodi modernom treniranju s umjetnom inteligencijom (godina je bila 1999., tehnologija je bila znatno jednostavnija), ali zaključak o ponašanju vrijedi: kada je trenje malo i struktura jasna, vježbanje kod kuće nije inherentno sklonije odustajanju od nadziranog treninga.

Pridržavanje je, kao što pokazuju Jakicic i sur. (PMID 10546695), primarni prediktor kondicijskih rezultata. Najsofisticiraniji program treninga bezvrijedan je ako se stvarno ne provodi tijekom vremena. Istraživanje navika koje su proveli Lally i sur. (PMID 19586449) pokazuje da se obrasci potrebni da vježbanje postane automatsko obično pojavljuju tijekom tjedana do mjeseci, a ne tijekom prve dvije ili tri sesije koje većina ljudi smatra svojim “probnim razdobljem”.

Za korisnike koji već imaju iskustva s vježbanjem (ljude koji razumiju dobre obrasce kretanja, nemaju akutne rizike od ozljeda i trebaju programiranje i napredovanje, a ne tehničke upute) istraživačka slika razumno je ohrabrujuća. Treniranje temeljeno na aplikaciji djeluje dovoljno dobro da proizvede značajna poboljšanja u tjelesnoj aktivnosti i održava ta poboljšanja na način na koji samousmjereno, nestrukturirano vježbanje obično ne uspijeva.

Gdje AI Coaching podbacuje

Iskrenost zahtijeva priznanje onoga što AI coaching ne može učiniti, a ograničenja su stvarna.

Najznačajnije ograničenje je forma. Nijedan trenutačni sustav treniranja s umjetnom inteligencijom nije riješio procjenu kvalitete kretanja u stvarnom vremenu putem telefonske kamere na razini koja bi zadovoljila certificiranog trenera snage i kondicije. Procjena položaja temeljena na kameri značajno se poboljšala, ali otkrivanje suptilnog zaobljenja kralježnice koje predviđa lumbalnu ozljedu ili valgusa koljena u čučnju koji bi trebao potaknuti regresiju zahtijeva kvalitetu promatranja koju tehnologija još nije pouzdano postigla izvan kontroliranih istraživačkih okruženja. Za početnike koji nikada nisu naučili ispravne obrasce kretanja, to je značajna sigurnosna praznina.

(Zbog toga su RazFitovi AI treneri Orion i Lyssa dizajnirani da vode obrasce pokreta unutar biblioteke vježbi aplikacije, umjesto da pokušavaju riješiti neriješeni problem korekcije forme u stvarnom vremenu putem kamere. Pristup je konzervativan po dizajnu, usklađujući težinu vježbe s demonstriranim sposobnostima korisnika umjesto da pokušava nadzirati kvalitetu pokreta koju sustav ne može pouzdano procijeniti.)

AI coaching također ne može uzeti u obzir psihološko stanje, akutnu bolest ili vrstu nakupljanja životnog stresa zbog koje je programirana naporna sesija loša ideja za određeni dan. Ljudski trener čita vaš govor tijela u prvih pet minuta i prilagođava se u skladu s tim. Algoritam koji radi na temelju podataka o završetku sesije i RPE unosa radi na tanjem signalu.

Pridržavanje navika ostaje ljudski problem koji tehnologija može podržati, ali ne i riješiti. Lally i sur. (PMID 19586449) otkrili su da je za stvaranje navika potrebno prosječno 66 dana, a za zahtjevnija ponašanja i do 254 dana. Nijedan AI sustav treniranja ne mijenja tu biologiju. Tehnologija može pružiti upute, nagrade i strukturirano napredovanje, ali fizička ponavljanja ipak se moraju dogoditi, u stvarnom svijetu, u danima kada je motivacija niska, a kauč je bliže od prostora na podu za vježbanje.

Niti jedna platforma za treniranje umjetne inteligencije još nije potvrđena u randomiziranom kontroliranom ispitivanju prema zlatnom standardu koje bi odgovaralo kvaliteti dokaza koji podržavaju trening pod nadzorom certificiranih trenera. Schoeppe et al. (2016., PMID 27927228) u sustavnom su pregledu pronašli dosljedno pozitivne rezultate, ali “pozitivno” u ovom kontekstu znači poboljšanja u tjelesnoj aktivnosti koju su sudionici sami prijavili, a ne vrstu rigorozno kontroliranog, slijepog mjerenja ishoda koje zaslužuje najviše razine kliničkih dokaza. Baza istraživanja istinski je ohrabrujuća, ali još nije definitivna.

Konačno, AI coaching najbolje funkcionira za motivirane početnike: ljude koji već razumiju zašto žele vježbati, imaju osnovnu razinu sposobnosti kretanja i trebaju strukturu i napredak, a ne temeljne upute. Za potpune početnike, osobito one s prethodnim ozljedama ili značajnim ograničenjima kretanja, iskrena je preporuka da ulože u najmanje dvije ili tri sesije s certificiranim trenerom prije nego što se oslone na program vođen umjetnom inteligencijom. To ulaganje u ispravnu temeljnu mehaniku donosi dividende koje nikakva količina personaliziranih prilagodbi algoritama ne može zamijeniti.

Kako autoregulacija čini AI Coaching pametnijim

Mehanizam koji razlikuje adaptivno AI treniranje od statične proračunske tablice jest autoregulacija: praksa prilagodbe varijabli treninga na temelju stalnih povratnih informacija o tome kako pojedinac zapravo reagira.

RPE metoda sesije dr. Carla Fostera (PMID 11357117) praktični je kamen temeljac autoregulacije u modernom treniranju. Metoda traži od sportaša da ocijene svoj percipirani napor za cijelu sesiju, a ne samo najtežu seriju ili prosječnu vježbu, na ljestvici od 0 do 10. Ova ocjena, pomnožena s trajanjem sesije u minutama, daje vrijednost “opterećenja treninga”. Praćenje ovih vrijednosti tijekom vremena daje sliku kroničnog opterećenja (utvrđena osnovna vrijednost), akutnog opterećenja (nedavne sesije) i omjer između njih, signal koji iskusni treneri koriste za otkrivanje prekoračenja prije nego što izvedba opadne i rizik od ozljeda poraste.

Kao što dr. Foster primjećuje (PMID 11357117), ova subjektivna mjera bilježi dimenzije stresa tijekom treninga koje vanjske metrike u potpunosti propuštaju. Dvije 40-minutne sesije mogu izgledati identično na papiru, ali se činiti radikalno različitima ovisno o kvaliteti sna, statusu uhranjenosti ili akumuliranom stresu iz prethodnog tjedna. Podaci o RPE-u automatski integriraju sve te čimbenike, jer je to sportaševo proživljeno iskustvo sesije.

Fiksni programi to ne mogu učiniti. Program koji propisuje iste težine, iste serije, iste intervale bez obzira na to kako se osjećate je, po svojoj zamisli, slijep za vaše stvarno stanje bilo kojeg dana. Na dobar dan trenirate ispod potencijala. Na težak dan riskirate pretjerati. Tijekom dovoljno dugog razdoblja, ta neusklađenost između recepta i kapaciteta jedan je od primarnih pokretača stagnacije i konačnog odustajanja.

Prilagodljivi sustav koji prati RPE sesiju po sesiju i u skladu s tim prilagođava težinu sljedeće sesije, povećavajući opterećenje kada se sesije čine lakšima od očekivanog i smanjujući ga kada se umor akumulira, čini nešto bliže onome što radi prilagodljiv ljudski trener. Ovdje je relevantna znanost o danima odmora i oporavku: poticaj prilagodbe je vježbanje, ali stvarna prilagodba događa se tijekom oporavka. Sustav koji ne može otkriti akumulirani umor kronično će nedovoljno oporavljati dio svojih korisnika.

Individualne varijacije koje su Schoenfeld i sur. (PMID 27102172) dokumentirali u svojoj meta-analizi iz 2016. pokazuju zašto je važna automatski prilagođena frekvencija. Budući da neki pojedinci napreduju na višoj frekvenciji treninga, a drugi dolaze do platoa, sustav koji počinje sa zadanom učestalošću i prilagođava se na temelju podataka o izvedbi s vremenom će se približiti nečemu što je bliže individualnom optimumu nego što to može postići bilo koji fiksni raspored. Načela progresivnog preopterećenja koja pokreću dugoročnu prilagodbu ne zahtijevaju samo povećanje težine tijekom vremena, nego povećanje brzinom koju pojedinac može apsorbirati, a ta je stopa vrlo varijabilna, kao što istraživanje jasno pokazuje.

Kako izvući najviše iz treninga vođenog umjetnom inteligencijom

Dokazi istraživanja upućuju na nekoliko praktičnih načela za korisnike koji žele da treniranje vođeno umjetnom inteligencijom stvarno donese rezultate, a ne samo obavijesti.

Iskreno pratite sesije. Cijeli adaptivni mehanizam ovisi o točnim ulaznim podacima. Bilježenje sesije kao dovršene kada ste je preskočili pola ili ocjenjivanje napora kao umjerenog kada ste se jedva oznojili, kvari signal koji sustav koristi za kalibraciju budućih sesija. RPE ocjene, razine energije i podaci o završetku sesije korisni su onoliko koliko su točni. Veza između kvalitete sna i izvedbe treninga dobro je utvrđena; praćenje sna uz podatke o vježbanju daje AI sustavu bolji kontekst za tumačenje ocjena napora koje se čine nedosljednima s nedavnim programiranjem.

Dajte algoritmu dovoljno vremena da nauči. Lally i sur. (PMID 19586449) otkrili su da su obrascima ponašanja potrebni tjedni do mjeseci da se uspostave. Sustav treniranja s umjetnom inteligencijom koji radi na temelju dva tjedna podataka o sesijama crpi iz tankog uzorka. Značajno prepoznavanje uzoraka (otkrivanje vaše pojedinačne stope oporavka, vaše reakcije na promjene učestalosti, vašeg optimalnog trajanja sesije) zahtijeva najmanje četiri do šest tjedana dosljednih podataka. Korisnici koji napuste sustav nakon dva tjedna jer se ne osjećaju savršeno kalibriranima, napuštaju ga upravo kada još uvijek prikuplja informacije koje su mu potrebne. Strategije stvaranja navike koje pomažu da se fitness navika održi jednako se primjenjuju na postizanje stvarnog učinka AI coachinga.

Početnici bi trebali uložiti u ljudske temelje prije nego što se oslone samo na AI smjernice. Dvije ili tri sesije s certificiranim trenerom, usmjerene posebno na kvalitetu pokreta za vježbe u vašem planiranom programu, dramatično smanjuju rizik od ozljeda koji je najznačajnije ograničenje AI coachinga. Zamislite ovo kao instaliranje osnovnog sloja sposobnosti kretanja na kojem se AI zatim nadograđuje. Nakon što se uspostave temeljni obrasci, programiranje temeljeno na aplikaciji može sigurno osigurati napredak i strukturu koju bi inače spriječili troškovi ljudskog treniranja i ograničenja rasporeda.

Upotrijebite mehaniku igre kao skelu ponašanja, a ne zamjenu za istinsku namjeru treninga. RazFitov pristup, s Orionom za treninge usmjerene na snagu i Lyssa za kardio, koristi adaptivne sesije od 1 do 10 minuta koje progresivno povećavaju opterećenje na temelju podataka o završetku, čineći dosljednost primarnim pokretačem prilagodbe, a ne apsolutni intenzitet. Bedževi postignuća i mehanika nizova rješavaju problem pridržavanja koji su Jakicic et al. (1999., PMID 10546695) identificirali kao primarni prediktor kondicijskih rezultata: problem nije u tome da ljudi ne znaju kako vježbati, nego u tome da to prestanu raditi. Kada je struktura jasna, sesije su kratke, a povratne informacije trenutne, dosljednost postaje moguća na način koji dulji, zahtjevniji programi rijetko mogu održati.

Kombinirajte AI treniranje s praksama koje pojačavaju njegovu kvalitetu signala: dosljedno spavanje, odgovarajući oporavak i poštene ocjene napora. Algoritam koji radi na temelju iskrenih, dosljednih podataka tijekom dva mjeseca proizvest će značajno individualiziranije iskustvo od istog algoritma koji radi na nedosljednim unosima tijekom tjedan dana. Ulaganje u kvalitetne podatke ulaganje je u kvalitetu programa koji generiraju.

Reference

1. Garber CE i sur. (2011). “Količina i kvaliteta vježbe za razvoj i održavanje kardiorespiratorne, mišićno-koštane i neuromotorne kondicije u naizgled zdravih odraslih osoba: smjernice za propisivanje tjelovježbe.” Medicina & Science in Sports & Exercise, 43(7), 1334–1359. PMID 21694556. https://pubmed.ncbi.nlm.nih.gov/21694556/

2. Jakicic JM i sur. (1999). “Učinci povremenog vježbanja i korištenja opreme za kućno vježbanje na pridržavanje, gubitak težine i kondiciju kod žena s prekomjernom težinom: randomizirano ispitivanje.” JAMA, 282(16), 1554–1560. PMID 10546695. https://pubmed.ncbi.nlm.nih.gov/10546695/

3. Foster C i sur. (2001). “Novi pristup praćenju treninga vježbanja.” Journal of Strength and Conditioning Research, 15(1), 109–115. PMID 11357117. https://pubmed.ncbi.nlm.nih.gov/11357117/

4. Schoenfeld BJ, Ogborn D, Krieger JW (2016). “Učinci učestalosti treninga otpora na mjere mišićne hipertrofije: sustavni pregled i meta-analiza.” Sportska medicina, 46(11), 1689–1697. PMID 27102172. https://pubmed.ncbi.nlm.nih.gov/27102172/

5. Lally P i sur. (2010). “Kako se stvaraju navike: modeliranje stvaranja navika u stvarnom svijetu.” Europski časopis za socijalnu psihologiju, 40(6), 998–1009. PMID 19586449. https://pubmed.ncbi.nlm.nih.gov/19586449/

6. Schoeppe S i sur. (2016). “Učinkovitost intervencija koje koriste aplikacije za poboljšanje prehrane, tjelesne aktivnosti i sjedilačkog ponašanja: sustavni pregled.” International Journal of Behavioral Nutrition and Physical Activity, 13(1), 127. PMID 27927228. https://pubmed.ncbi.nlm.nih.gov/27927228/

Povezani članci

• Dani odmora: znanost pametnijeg oporavka
• Progresivno preopterećenje kod kuće: Vodič bez teretane
• Kako izgraditi naviku vježbanja koja će se zadržati
• Kako gamifikacija mijenja fitness