Hvordan AI-treningsapper tilpasser treningen

De fleste “tilpassede” treningsapper er ikke spesielt tilpassede. De stiller noen introduksjonsspørsmål, sorterer deg i en gruppe og leverer en mal laget for folk som vagt ligner deg.

Reell personalisering starter senere, når systemet har sett hvordan du faktisk oppfører deg.

Hva en adaptiv app egentlig gjør

(Kilder: 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)

(Kilder: 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) Et AI-treningssystem fungerer vanligvis med en enkel sløyfe:

• systemet ser hva du fullførte
• det måler eller anslår hvor hardt det føltes
• det legger merke til mønstre i tidspunkt, overhoppede økter og konsistens
• det justerer hva som kommer etterpå

Det er en mer meningsfull versjon av personalisering enn en engangsquiz fordi den svarer på bevis i stedet for selvbeskrivelse.

Fosters session-RPE-arbeid betyr noe her. Intern belastning er ofte mer informativ enn ubehandlet varighet eller antall repetisjoner. Hvis en app finner ut at et visst volum konsekvent gjør trettheten for høy, eller at enkelte økter hoppes over oftere enn andre, kan den endre planen på måter en statisk app ikke kan.

Forskningssignalet som er verdt å være oppmerksom på

(Kilder: 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)

(Kilder: 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 al. fant at treningsresept basert på reinforcement learning forbedret både tilfredshet og treningsintensitet sammenlignet med en standardalgoritme i et crossover-forsøk. Det er nyttig fordi det treffer en kjerneutfordring i appdesign: å presse hardt nok til å skape et treningssignal uten å få programmet til å føles straffende eller klønete.

Aguileras DIAMANTE-studie har også betydning, selv om den fokuserte bredere på tidspunkt for meldinger og aktivitetsstøtte. Den viste at reinforcement learning-systemer kan forbedre atferdsresultater ved å tilpasse intervensjoner til individet over tid i stedet for å behandle hver bruker på samme måte.

Den praktiske betydningen er enkel: bedre AI-systemer velger ikke bare øvelser. De lærer hvordan og når en person er mest sannsynlig å reagere godt.

Hva de beste appene tilpasser

(Kilder: 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)

(Kilder: 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) Den sterkeste personaliseringen skjer vanligvis på tvers av tre variabler:

1. Volum

Hvor mye totalt arbeid økten inkluderer.

2. Vanskelighetsgrad

Om bevegelsene, hvileperiodene eller tempoet skal bli vanskeligere eller lettere.

3. Valg

Hvilke øvelser som er mest sannsynlig blir gjennomført godt og gjentatt konsekvent.

Det tredje punktet betyr mer enn det ser ut til. Et teknisk “perfekt” treningsvalg er ikke perfekt hvis brukeren alltid hopper over det. God personalisering er ikke bare fysiologi. Det er atferd pluss fysiologi.

Det er også det som skiller sterke produkter i AI-treningsappene med best dokumentert logikk fra apper som hovedsakelig markedsfører AI som overskrift.

Hva AI fortsatt ikke kan gjøre fullt ut

(Kilder: 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)

(Kilder: 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) Den ser ikke alt.

Den kan gå glipp av subtile brudd i teknikken.

Den kan misforstå hvorfor en økt ble hoppet over.

Den kan tolke livsstress som mangel på motivasjon eller omvendt.

Og med mindre produktet har uvanlig sterk kontekstfangst, er det fortsatt svakere enn en gjennomtenkt menneskelig trener til å integrere skadehistorie, emosjonell tilstand og bevegelsesnyanse i den samme avgjørelsen.

Bunnlinjen

(Kilder: 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)

(Kilder: 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 tilpasser treningsøkter best når den får lære av reell bruk, ikke bare onboarding-svar.

Det betyr at appen trenger nok tilbakemeldingsdata, nok konsistens og nok god design til å holde loopen i live.

Overskriftsløftet er personalisering.

Den virkelige mekanismen er tilpasning.