Jak aplikacje AI Workout personalizują trening

Większość „spersonalizowanych” aplikacji treningowych nie jest specjalnie spersonalizowana. Zadają kilka pytań wprowadzających, sortują Cię w koszyku i dostarczają szablon stworzony dla osób trochę takich jak Ty.

Prawdziwa personalizacja zaczyna się później, gdy system zobaczy, jak faktycznie się zachowujesz.

Co naprawdę robi aplikacja adaptacyjna

(Źródła: 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)

(Źródła: 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) System ćwiczeń AI zwykle działa z prostą pętlą:

• widzi, co ukończyłeś
• mierzy lub wnioskuje, jakie to było trudne
• zauważa wzorce w synchronizacji, przeskokach i spójności
• dostosowuje to, co będzie dalej

Jest to bardziej znacząca wersja personalizacji niż jednorazowy quiz, ponieważ opiera się na dowodach, a nie na samoopisie.

Sesyjna praca RPE Fostera ma tutaj znaczenie. Obciążenie wewnętrzne często dostarcza więcej informacji niż surowy czas trwania lub liczba powtórzeń. Jeśli aplikacja wykryje, że określona objętość treningowa stale powoduje zbyt duże zmęczenie lub że niektóre sesje są pomijane częściej niż inne, może zmienić plan w sposób, w jaki nie jest to możliwe w przypadku aplikacji statycznej.

Sygnał badawczy, na który warto zwrócić uwagę

(Źródła: 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)

(Źródła: 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 i in. odkryli, że zalecenia ćwiczeń oparte na uczeniu się przez wzmacnianie poprawiły zarówno satysfakcję, jak i intensywność ćwiczeń w porównaniu ze standardowym algorytmem w badaniu krzyżowym. Jest to przydatne, ponieważ stawia czoła podstawowemu wyzwaniu podczas projektowania aplikacji: naciskaniu na tyle mocno, aby stworzyć sygnał treningowy bez sprawiania, że program będzie sprawiał wrażenie kary lub niezdarności.

Badanie Aguilery DIAMANTE również ma znaczenie, mimo że skupiało się na synchronizacji przekazu i szerzej wspieranym działaniu. Wykazano, że systemy uczenia się przez wzmacnianie mogą poprawić wyniki behawioralne, dostosowując z czasem interwencje do danej osoby, zamiast traktować każdego użytkownika w ten sam sposób.

Praktyczne znaczenie jest proste: lepsze systemy AI nie tylko wybierają ćwiczenia. Uczą się, jak i kiedy dana osoba najprawdopodobniej dobrze zareaguje.

Co personalizują najlepsze aplikacje

(Źródła: 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)

(Źródła: 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) Najsilniejsza personalizacja zwykle zachodzi w oparciu o trzy zmienne:

1. Głośność

Ile całkowitej pracy obejmuje sesja.

2. Trudność

Czy ruchy, okresy odpoczynku lub tempo powinny stać się trudniejsze, czy łatwiejsze.

3. Wybór

Które ćwiczenia z większym prawdopodobieństwem zostaną dobrze wykonane i konsekwentnie powtarzane.

Ten trzeci punkt ma większe znaczenie, niż się wydaje. Technicznie „idealny” wybór ćwiczeń nie jest doskonały, jeśli użytkownik zawsze je pomija. Dobra personalizacja to nie tylko fizjologia. To zachowanie plus fizjologia.

To także odróżnia mocne produkty w kategorii najlepsze aplikacje fitness AI od aplikacji, które promują sztuczną inteligencję jako nagłówek.

Czego sztuczna inteligencja wciąż nie jest w stanie w pełni zrobić

(Źródła: 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)

(Źródła: 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) Nie widzi wszystkiego.

Może brakować subtelnego podziału formy.

Może źle zrozumieć, dlaczego sesja została pominięta.

Może interpretować stres życiowy jako brak motywacji i odwrotnie.

I jeśli produkt nie jest uchwycony w niezwykle mocnym kontekście, nadal jest słabszy niż przemyślany trener ludzki, jeśli chodzi o integrowanie historii kontuzji, stanu emocjonalnego i niuansów ruchowych w ramach tej samej decyzji.

Konkluzja

(Źródła: 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)

(Źródła: 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) Sztuczna inteligencja najlepiej personalizuje treningi, gdy można uczyć się na podstawie rzeczywistych zastosowań, a nie tylko odpowiedzi wprowadzających.

Oznacza to, że aplikacja potrzebuje wystarczającej ilości danych zwrotnych, wystarczającej spójności i wystarczająco dobrego projektu, aby utrzymać pętlę przy życiu.

Główną obietnicą jest personalizacja.

Prawdziwym mechanizmem jest adaptacja.