Фитнес-трекеры умеют считать, но не понимать

Содержание:

• Проблема: гаджеты дают цифры, но теряют смысл
• Решение: сочетание данных и ИИ со зрением
• Устройство пайплайна
• Кодинг-агент как ускоритель продуктивности
• Выводы и планы

Большинство приложений для тренировок справляются с подсчётом километров и калорий. Но когда дело доходит до истории — настоящей истории ваших достижений — они пасуют.

Возьмём Strava. Приложение знает, что в прошлом месяце вы пробежали 180 километров. Оно совершенно не в курсе, что вы готовились к первому марафону. Или что каждая тренировка была частью продуманного плана, который тренер нарисовал на доске в зале.

Именно этот разрыв между цифрами и контекстом стал отправной точкой для моего небольшого побочного проекта. Заодно я понял, почему AI-агенты для написания кода становятся незаменимыми в личных автоматизациях.

Почему одних метрик недостаточно

У меня Samsung Fit 3 для силовых и Strava для бега. Всё синхронизируется автоматически: длительность, дистанция, пульс, временные метки. Красота.

Но вот что Strava никогда не определит сам: была ли моя «силовая тренировка» днём чистой силы с базовыми движениями или восстановительной сессией на мобильность. Приложение видит: «45 минут активности». Оно понятия не имеет, что это была прогрессия в гоблет-приседаниях с весом 24 килограмма.

Вся суть тренировки жила на фотографиях, которые я время от времени прикреплял к постам в Strava. Тренер записывал программу на доске: упражнения, подходы, акценты, отметки об интенсивности. Я редко фотографировал эту доску — но когда начал, всё изменилось.

Strava фиксировала количество. Фотографии рассказывали о качестве.

Как я построил персональный пайплайн

Готовое решение не существовало. Пришлось собирать из отдельных компонентов — каждый делал то, что умеет лучше всего.

Схема: Скачать → Обработать → Извлечь → Визуализировать

Сначала Python-скрипт выгружал все активности из Strava вместе с прикреплёнными фотографиями. Кэш на диске позволял не перекачивать уже скачанное и продолжать работу после перерывов.

Дальше начиналось интересное: извлечение контекста из снимков тренировочной доски.

Я использовал Claude Code как кодинг-агент с возможностями зрения. Для каждой фотографии агент генерировал структурированное описание в JSON:

{
  "type": "workout",
  "exercises": [
    {
      "name": "Румынская тяга",
      "sets": 4,
      "reps": "8-10",
      "weight": "60kg",
      "muscle_groups": ["задняя цепь", "ягодицы"]
    }
  ],
  "focus": "strength",
  "notes": "Чувствовал себя сильным, добавил вес"
}

Подход с агентом в цикле оказался удивительно рабочим. Если результат не понравился — удалял JSON и перезапускал генерацию. Если картинка уже обработана — скрипт пропускал. Всё можно было перезапустить, исправить, улучшить.

Когда структурированные данные о тренировках объединились с метриками из Strava, оставалось собрать инфографику. Простой HTML-шаблон — и готовый PNG-постер для соцсетей.

Классификация без машинного обучения

Мои теги в Strava — это хаос. Три года пометок без системы: «силовая», «треня», «тренировка», «вес». Иногда просто «активность».

Строить нейросеть для классификации было бы явным перебором для личного проекта. Вместо этого я комбинировал тип активности из Strava, ключевые слова из названия и данные из фотографий.

Логика получилась простая:

• Ключевые слова «присед», «тяга», «жим» + силовая фотография = силовая тренировка
• «Мобильность», «растяжка», «восстановление» + гибкостные данные = мобильность
• Дистанция + время + нет фото из зала = бег (тут Strava достаточно надёжна)

Гибридный подход оказался достаточным. В итоговом постере всё выглядело достоверно, потому что я использовал сильные стороны каждого источника.

Протокол MCP: быстро, но не всё

Я тестировал Strava MCP-сервер — он упрощает работу с API. Для получения метаданных активностей отлично. Но фотографии он не достаёт.

Для проектов, где нужны только цифры, MCP сэкономил бы кучу времени. Здесь без ручного скрипта не обойтись — доступ к фото был принципиален.

Что это говорит о кодинг-агентах

Главная ценность проекта — не инфографика. Демонстрация того, как AI-агенты работают гибким связующим звеном между источниками данных и нужным результатом.

Классические инструменты автоматизации действуют жёстко: если А, то Б. Кодинг-агенты мыслят шире. Смотрят на картинку, понимают контекст, генерируют структуру. Адаптируются к нестандартным ситуациям. Помогают строить саму автоматизацию, а не просто выполняют команды внутри неё.

Для разработчиков и технических предпринимателей это фундаментальный сдвиг. Вопрос больше не «могу ли я это автоматизировать?», а «как быстро я смогу это автоматизировать?». Проект, на который раньше уходили выходные, теперь прототипируется за день.

Итог

На выходе — красивый итог тренировок, который наконец рассказывает историю. Но процесс указал на более масштабную тенденцию: эпоху личной работы с данными.

Ваш фитнес, ваши проекты, ваши метрики — всё разбросано по системам, которые не общаются между собой. AI-кодинг-агенты становятся соединительной тканью, которая позволяет собирать кастомные представления своих данных без корпоративного бюджета.

В следующий раз попробую локальную модель — пусть всё работает на устройстве, без утечек в облако.

Если у вас есть похожие проекты автоматизации или ИИ-воркфлоу для спорта — буду рад обменяться опытом.

Лучшие проекты — не те, что масштабируются. Те, что наконец заставляют ваши данные рассказать вашу историю.