Lære AI at tænke som en træner

AI er overalt, men inden for fitness er generiske modeller alene ikke nok. For virkelig at forbedre træningsoplevelsen skal AI forstå nuancerne i kroppe, adfærd, miljøer og virkelige begrænsninger.

Med Matrix Exercise Learning Intelligence, en AI-drevet træningsløsning, der forener smart fitnessteknologi med medicinsk kvalitetsdata om kropskomposition, satte Matrix sig for at bevise, at fremtiden for personlig fitness ikke er automatiseret træning.

Den næste udvikling inden for fitness er baseret på menneskelig ekspertise, erfaring og indsigt, kodet og skaleret ansvarligt gennem proprietær AI.

Som Steve Barrett, direktør for Global Fitness Programming hos Matrix, forklarer: "Dette projekt startede ikke med en skabelon." Det voksede organisk. Vi byggede et maskinlæringssystem fra bunden, fordi vi ikke havde gjort det før, og det var ikke nok at købe noget færdiglavet.”

UDFORDRINGER VED AI I FITNESSPERSONALISERING

Udfordringen med at udvikle Exercise Learning Intelligence var aldrig udelukkende teknologisk, fordi selve ideen opstod ud fra unikke markedsbehov. Fitnessfaciliteter står over for en voksende kløft mellem, hvad medlemmerne ønsker, og hvad traditionelt udstyr kan levere.

Medlemmer ønsker personlig vejledning uden gnidninger. Operatører ønsker at tilbyde motionspersonalisering uden at være afhængige af eller ansætte personale til at administrere det. Undervisere ønsker værktøjer, der forstærker deres ekspertise og strømliner deres arbejdsgang, hvilket giver dem mere tid til at fokusere på at opbygge relationer i stedet for at udvikle programmer.

For at komplicere tingene er der mange lukkede digitale økosystemer, der kræver, at faciliteter opgiver eksisterende udstyr og digitale produkter. Derudover var mange fitnesscentre ivrige efter at levere holistiske wellness-oplevelser, herunder træningspas, der afspejlede reelle mål, reelle tidsplaner og reelle fysiske forhold.

Matrix så en mulighed for at skabe noget mere fleksibelt. Sidst i 2024 tog Matrix de første skridt mod at udvikle en adaptiv coachingoplevelse, der fungerede med eksisterende udstyr og samtidig løftede hele træningsområdet.

VALG AF EN PRÆCIS PARTNER

Ægte personlig træning starter med at forstå hver unikke menneskekrop indefra og ud. Det krav førte til, at Matrix indgik et partnerskab med seca, en virksomhed med næsten to århundreders erfaring inden for medicinske måle- og vejeløsninger.

Secas løsning til kropssammensætning leverer et omfattende øjebliksbillede af hvert individ, baseret på pålidelige, medicinsk validerede målinger, herunder muskelmasse, fedtmasse og væskeniveauer – hvilket afspejler reelle sundheds- og præstationsprofiler.

Dog er præcis medicinsk indsigt alene ikke nok til at ordinere en effektiv træning. Dataene skal omsættes til programmering, der fungerer i travle fitnessfaciliteter med delt udstyr og begrænset tid.

Det var her, Matrix kom ind i billedet. Mens seca bidrog med uovertruffen klinisk præcision, fuldendte Matrix sin årtiers ekspertise inden for fitness billedet. Sammen skabte partnerskabet en bro mellem præcis måling og praktisk handling, og omdannede data til vejledning, som folk kunne stole på og anvende med det samme.

HVORDAN MATRIX BYGGEDE EN FITNESSSPECIFIK AI-MODEL

Fra starten tog Matrix en bevidst beslutning om at bygge en proprietær AI-model specifikt til fitness. Generiske AI-systemer er ofte afhængige af scrapet eller kontekstfri information og producerer anbefalinger, der virker troværdige, men falder fra hinanden i virkelige træningsmiljøer.
Denne nye model skulle være mere uddannet, mere indsigtsfuld og mere empatisk – kort sagt, den skulle være mere menneskelig end en generisk model kunne være.

Derfor har udviklerne hos Matrix trænet vores AI anderledes fra bunden. Matrix byggede sit fundament på etablerede sportsvidenskabelige principper, struktureret programmeringslogik og årtiers succesfuld coaching-erfaring.

Med tilstrækkeligt med blide korrektioner forstod systemet snart ikke blot, hvad det skulle ordinere, men også hvad det skulle undgå. Ved at lære af brancheeksperter forstod Exercise Learning Intelligence hurtigt, hvordan træningspas skulle sekvenseres, hvordan intensiteten skulle udvikle sig, og hvordan restitution skulle bidrage til langsigtet succes.

Dette essentielle grundlæggende arbejde sikrede, at AI'en ikke bare genererede træningsprogrammer uden hensyntagen til de mennesker, der rent faktisk udførte dem. Takket være denne tilgang fra bunden kunne Exercise Learning Intelligence begynde at levere solid coaching i den virkelige verden i stor skala.

HVORFOR MENNESKELIG EKSPERTISE STADIG ER VIGTIG I AI-FITNESSCOACHING

Trods de lovende tidlige resultater afslørede det en vigtig sandhed, at de foreskrevne træningspas blev taget med på træningsgulvet.

Desværre fungerede programmer, der så perfekte ud på papiret, ikke altid problemfrit i praksis. Sessionerne varede ofte lange, uden at der blev taget meget hensyn til den tid, det tog for en bruger at komme fra én del af træningsgulvet til en anden. Der blev heller ikke taget højde for konflikter i forbindelse med brug af udstyr, hvilket er almindeligt forekommende i travle fitnesscentre.

Derudover afspejlede intensitetsniveauerne ofte optimal træningsteori, hvilket var godt for dedikerede atleter, men overkill for det gennemsnitlige fitnessmedlem og deres mål.

I stedet for at forenkle systemet, arbejdede teamet hos Matrix utrætteligt på at forfine det. De tilføjede rækværk for at hjælpe Exercise Learning Intelligence med at fungere effektivt i virkelige situationer.

Inden længe var den i stand til at tage højde for og tilpasse sig travle tidsplaner, begrænset træningstid, overbelastning på træningsgulvet, realistisk restitution og meget mere. Måske vigtigst af alt justerede udviklerne hos Matrix de foreskrevne programmer for at afspejle, hvordan rigtige mennesker rent faktisk træner, ikke hvordan bots ville træne under ideelle forhold.

Ved at integrere levet erfaring og empatisk menneskelig indsigt i modellen på det grundlæggende niveau, gik Exercise Learning Intelligence ud over generiske AI-systemer. AI'en i centrum blev mere tilgængelig, mere troværdig og langt mere effektiv.

TEST AF AI-TRÆNING I VIRKELIGE FITNESSOMRÅDER

Matrix var selvfølgelig ikke tilfreds med blot at validere Exercise Learning Intelligence i teorien. Det næste skridt for udviklerne var at teste deres nye AI gennem måneder med rigtige træningspas i rigtige rum.

Ofte tog udviklerne fra Matrix sig selv af de AI-genererede træningsprogrammer og identificerede tidsforskelle, intensitetsproblemer og operationelle friktioner baseret på, hvordan træningsoplevelsen forløb for dem.

Disse timer med virkelige, pulserende træningspas førte til endnu en runde af kritisk forfinelse. Manuelle tilsidesættelser blev introduceret for at bevare fleksibiliteten, så slutbrugeren kunne tilføje det sidste touch af menneskelig indsigt for at korrigere eller perfektionere den foreskrevne træning. Progressionslogikken blev forfinet for at understøtte konsistens snarere end idealiseret træning, hvilket førte til træningsprogrammer, der var praktiske og effektive.

Systemet lærte endda at prioritere træningsoverholdelse og brugertillid frem for at presse brugerne til deres teoretiske grænser.

Hver runde af forbedringer og forbedringer forstærkede de principper, som Matrix startede med – personlig træning virker kun, når det er praktisk, opnåeligt og bæredygtigt for rigtige mennesker i rigtige miljøer.

DEN PERSONLIGT TILPASSEDE COACHINGOPLEVELSE (TEMO)

I sin mere modne form omdanner PACE 24-sekunders kropskompositionsscanninger på Seca-produkter til adaptive, målbaserede, AI-drevne træningsprogrammer, der leveres direkte via Matrix-konsoller. Hver session sender nye præstationsdata tilbage til systemet, hvilket giver programmeringen mulighed for at udvikle sig sammen med brugeren, efterhånden som de opbygger selvtillid og forbedrer deres evner.

AI'en i PACE justerer sig efter tilgængeligt udstyr i hver enkelt facilitet og individuelle fremmødemønstre og tilpasser og justerer programmeringen i realtid. Den understøtter skalerbar onboarding for brugere af alle slags, og den eliminerer stort set byrden ved manuel programmering.

Trænerne forbliver også centrale i oplevelsen og kan nu frit fokusere på at styrke relationer, mens AI'en håndterer kompleksiteten bag kulisserne. Det skaber endda mere meningsfulde interaktionspunkter mellem medlemmer og personale, en vigtig målestok for medlemstilfredshed.

INTELLIGENS DER UDVIKLER SIG

For Matrix er Exercise Learning Intelligence et fundament, ikke en målstregen. Dens arkitektur muliggør fremtidig udvidelse på tværs af wearables, forbedret medicinsk indsigt og mere, efterhånden som hvert unikke økosystem på faciliteter udvikler sig.

Som Steve Barrett reflekterer: "Jo mere vi lærer om enkeltpersoner, jo mere personligt bliver dette." Personalisering er ikke en funktion – det er fremtiden. Og dette system giver os endelig en ansvarlig måde at levere det i stor skala på.”

Exercise Learning Intelligence beviser, at når AI formes af eksperter, testes i virkeligheden og styres af menneskelig indsigt, erstatter det ikke coaching. Det forbedrer træningsoplevelsen for alle.