Защо числата не стигат: как направих своята фитнес статистика да разказва история

Какво ще разгледаме:

• Проблемът: нивата на пулса не обясняват защо тренираш
• Решението: структурирани данни + AI със зрение
• Как работи цялата система (моят прочит)
• Защо AI асистентите за код са толкова полезни
• Какво научих и какво следва

Нека бъда откровен: фитнес апликациите са страхотни в събирането на цифри, но съвсем не са в разказването на истории. Едно приложение за бягане знае, че си изминал 42 километра миналия месец. Онова, което няма да разбере, е дали си се подготвял за първия си полумаратон или дали тези тренировки са били част от внимателно планирана периодизация, която си снимал от бялата дъска във фитнеса.

Този разрив между данни и контекст се превърна в мотивация за един малък страничен проект, който показва защо AI асистентите за писане на код стават толкова важни за личните ни автоматизации.

Защо самите цифри не са достатъчни

Ползвам Samsung Fit 3 за тренировки и Strava за бягане. Заедно работят чудесно — гривната синхронизира данните автоматично и получавам цялата стандартна информация: продължителност, разстояние, сърдечен ритъм, часове.

Но ето какво Strava никога няма да разбере: дали онази "силова тренировка" е била ден за големи движения или по-скоро възстановяваща мобилност. Приложението знае, че си направил нещо за 45 минути. Няма представа, че си правил прогресия на клек с гира от 24 килограма, докато треньорът ти записва структурата на дъска, която не си снимал доскоро.

Целият този контекст съществуваше единствено в снимките, които качвах в Strava. Бялата дъска във фитнеса документираше реалната програма — движения, повторения, мускулни групи и важната разлика между дни за възстановяване и тежки тренировъчни блокове.

Strava улавяше количеството. Снимките разказваха качеството.

Създадох си личен конвейер за данни

Решението не беше еднаединствена програма, а цяла верига, в която различни инструменти вършат това, в което са най-добри:

Изтегляне → Обработка → Извличане → Визуализация

Първата стъпка беше обикновен Python скрипт, който изтегляше всички минали активности от Strava заедно със снимките. Скриптът пазеше локално копие на вече изтеглените файлове, така че да пропуска вече свалените неща и да продължава оттам, където е спрял.

Следващата интересна част: как да извлека контекста от тези снимки на бялата дъска.

Използвах Claude Code като AI асистент със зрение. За всяка снимка от фитнеса, му давах задача да генерира структуриран JSON с описание на тренировката:

{
  "type": "workout",
  "exercises": [
    {
      "name": "Romanian deadlift",
      "sets": 4,
      "reps": "8-10",
      "weight": "60kg",
      "muscle_groups": ["posterior chain", "glutes"]
    }
  ],
  "focus": "strength",
  "notes": "Felt strong today, increased weight from last week"
}

Подходът с AI "в контура" се оказа изненадващо ефективен. Ако извлечените данни изглеждаха грешни, просто изтривах файла и генерирах нов. Ако дадена снимка вече беше обработана, скриптът я прескачаше. Целият процес беше възобновяем, поправим и най-важното — итеративен.

Когато имах структурирани данни за тренировките, комбинирани с метриките от Strava, създаването на крайния инфографик стана лесно. Един обикновен HTML шаблон събираше всичко в PNG картинка за споделяне.

Класификацията се оказа по-лесна, отколкото очаквах

Моите етикети в Strava не бяха особено последователни. Някои силови тренировки бяха отбелязани като "weight training", други просто като "workout". Дните за мобилност понякога изглеждаха като обикновени активности. Хаосът си беше изцяло моя вина — три години небрежно тагване без никаква стандартизация.

Вместо да правя сложен модел за класификация (което щеше да е прекалено за личен проект), използвах практичен подход: комбинирах типа активност от Strava, ключови думи от заглавието и данните от снимките, за да направя най-вероятното предположение.

Логиката изглеждаше така:

• Ключови думи като "клек", "мъртва тяга", "пейп" + силово ориентирани данни от снимка = силова тренировка
• "Мобилност", "разтягане", "възстановяване" + гъвкавост от снимката = мобилност
• Разстояние + продължителност + липса на снимка от фитнес = бягане (тук Strava е достатъчно надежден)

Тази хибридна класификация беше напълно достатъчна за лична справка. крайният плакат се получи точен, защото използваше силните страни на всяка база данни.

Какво мисля за MCP

Експериментирах и със Strava MCP сървъра (Model Context Protocol), който обещаваше да опрости интеграцията с API-то. За изтегляне на metadata от активностите работи добре, но не можеше да вземе снимките, прикачени към тях. За проекти, които изискват само числа, MCP би ускорил разработката значително. За моя случай обаче ръчният скрипт си остана по-добрият избор — достъпът до снимки беше задължителен.

Какво разкри този проект за AI асистентите

Истинската стойност тук не беше самият инфографик, а демонстрацията как AI асистентите могат да служат като гъвкава връзка между източници на данни и желаните резултати.

Традиционните инструменти за автоматизация следват стриктна логика: ако това, тогава онова. AI асистентите могат да разсъждават в различни формати. Могат да погледнат снимка, да разберат контекста ѝ и да генерират структурирани данни. Могат да се адаптират, когато се появят неочаквани случаи. Могат да ти помогнат да изградиш автоматизацията, а не просто да я изпълняват.

За разработчици и технически предприемачи това е фундаментална промяна. Вече не е въпросът "Мога ли да автоматизирам това?", а "Колко бързо мога да итерирам върху автоматизацията?" Проект, който преди щеше да отнеме цял уикенд, сега може да се прототипира за следобед, докато AI се справя с шаблонния код и помага за неочакваните ситуации.

Какво следва от тук

Крайният резултат беше споделяема тренировъчна справка, която наистина разказваше историята на моята фитнес трансформация. Но процесът сочи към нещо по-голямо: ерата на личната работа с данни.

Твоите фитнес данни, кодови проекти, бизнес метрики — повечето от тях седят в разпокъсани системи, които не комуникират помежду си. AI асистентите за писане на код стават връзката, която ти позволява да изградиш собствени изгледи на собствената си информация, без да ти трябват ресурсите на голяма компания.

Следващия път може да опитам да пусна всичко локално с отделен модел, за да пазя поверителността на данните. Ако експериментираш с подобни лични автоматизации или имаш свои AI работни потоци за фитнес, с удоволствие бих чул.

Понякога най-задоволяващите проекти не са тези, които се мащабират — а тези, които най-накрая карат твоите собствени данни да разкажат твоята собствена история.