Jak jsem přiměl fitness aplikace mluvit česky – respektive vyprávět můj příběh

Co vás čeká:

• Proč samotná čísla z fitness trackerů nic neříkají
• Řešení: kombinace dat a AI s obrazovým vnímáním
• Jak taková datová pipeline funguje v praxi
• Coding agent jako nástroj na zvýšení produktivity
• Co jsem se z toho naučil a kam dál

Pravda o fitness aplikacích

Přiznám se rovnou: fitness aplikace umí skvěle počítat, ale naprosto selhávají v tom důležitějším. Vaše běžecká appka ví, že jste v únoru naběhali 42 kilometrů. Co neví: že jste se připravovali na svůj první půlmaraton, nebo že ty kilometry byly součástí promyšleného tréninkového plánu, který jste vyfotili z tabule ve fitness centru.

Přesně tenhle rozpor mezi daty a skutečným kontextem mě donutil vytvořit menší vedlejší projekt. A tenhle projekt mi krásně ukázal, proč se AI coding agenty stávají nenahraditelnými pomocníky pro osobní automatizaci.

Proč samotné metriky nestačí

Používám Samsung Fit 3 pro záznamy z posilovny a Strava pro běhání. Obě aplikace spolu krásně komunikují – tracker automaticky synchronizuje s Stravou a já mám k dispozici veškerá metadata: délku trvání, vzdálenost, převýšení, tepové zóny, časové značky.

Ale tady je háček: Strava vám nikdy neřekne, jestli vaše „posilování" bylo den zaměřený na velké cviky nebo spíš regenerační pohybová session. Ví, že jste něco dělali 45 minut. Vůbec netuší, že jste pracovali na goblet squat progression s 24 kilogramy, zatímco váš trenér kreslil strukturu tréninku na tabuli, kterou jste nikdy nevyfotili – až donedávna.

Kontext existoval jen v náhodných fotografiích, které jsem přidával k příspěvkům na Stravě. Tabule ve fitku dokumentovala skutečnou strukturu tréninku – cviky, počet sérií, zaměření a zásadní rozdíl mezi odpočinkovými a intenzivními dny.

Strava zachytila množství. Fotky prozradily kvalitu.

Stavba osobní datové pipeline

Řešením nebyl jeden nástroj, ale celá pipeline, která nechala jednotlivé systémy dělat to, v čem jsou nejlepší. Tady je architektura, na které jsem skončil:

Stáhni → Zpracuj → Extrahuj → Vizualizuj

Za prvé: jednoduchý Python skript stáhl všechny moje Strava aktivity spolu s přiloženými fotografiemi. Skript si udržoval lokální cache, takže přeskočil už stažená média a mohl pokračovat tam, kde předtím skončil.

Pak přišla zajímavá část: extrakce kontextu tréninku z fotek fitkováé tabule.

Použil jsem Claude Code jako coding agenta s vizuálními schopnostmi. Pro každou fotografii tabule jsem agenta vyzval, aby vygeneroval strukturovaný JSON popis tréninku:

{
  "type": "workout",
  "exercises": [
    {
      "name": "Rumunský mrtvý tah",
      "sets": 4,
      "reps": "8-10",
      "weight": "60kg",
      "muscle_groups": ["zadní řetězec", "hýždě"]
    }
  ],
  "focus": "strength",
  "notes": "Dnes jsem se cítil silný, zvýšil jsem váhu oproti minulému týdnu"
}

Přístup s agentem v loopu se ukázal jako překvapivě účinný. Když extrahovaná data vypadala špatně, jednoduše jsem smazal ten JSON soubor a nechal ho vygenerovat znovu. Pokud byl obrázek už zpracovaný, skript ho přeskočil. Workflow byl resumovatelný, opravitelný a – což je klíčové – iterativní.

Jakmile jsem měl strukturovaná data o tréninku kombinovaná se Stravovými metrikami, vykreslení finální infografiky bylo přímočaré. Jednoduchá HTML šablona všechno spojila do sdělitelného PNG posteru.

Proč klasifikace byla jednodušší, než jsem čekal

Moje Strava štítky aktiv nebyly zrovna konzistentní. Některé posilovací session byly označené jako „weight training," jiné prostě jako „workout." Mobility dny se občas zobrazovaly jako generické aktivity. Ten chaos byl zcela moje dílo – tři roky ležérního tagování bez jakéhokoliv standardizovaného systému.

Místo budování sofistikovaného klasifikačního modelu (což by bylo pro osobní projekt přehnané) jsem použil pragmatický přístup: zkombinoval jsem typ aktivity ze Strava, klíčová slova z názvu a extrahovaná data z fotografií pro co nejlepší odhad klasifikace.

Logika vypadala zhruba takhle:

• Klíčová slova jako „squat," „deadlift," „bench" + posilová data z fotky = posilovací trénink
• „Mobility," „stretch," „recovery" + flexibilní data = pohybová session
• Vzdálenost + doba + žádná fotka z fitka = běh (Strava metadata jsou tady spolehlivá)

Tato hybridní klasifikace byla pro osobní přehled dostatečná. Finální poster působil věrohodně, protože využíval to, co každý zdroj dat umí nejlépe.

Úvahy o MCP

Krátce jsem experimentoval se Strava Model Context Protocol (MCP) serverem, který sliboval zjednodušení API integrace. Pro stažení metadat aktiv fungoval skvěle, ale nedokázal stáhnout fotografie přiložené k aktivitám. Pro projekty vyžadující jen čísla by MCP vývoj výrazně zrychlil. Pro tenhle případ, kde byl přístup k fotkám nezbytný, zůstal manuální skript lepší volbou.

Co to odhaluje o AI coding agentech

Skutečná hodnota tohohle projektu nebyla v samotné infografice – byla v demonstraci toho, jak mohou AI agenti sloužit jako flexibilní middleware mezi zdroji dat a žádoucími výstupy.

Tradiční automatizační nástroje sledují rigidní logiku: když tohle, tak tamto. Coding agenti ale dokáží reasonovat napříč modlitami. Umí se podívat na obrázek, pochopit jeho kontext a vygenerovat strukturovaná data. Dokáží se přizpůsobit, když se objeví edge cases. Pomohou vám postavit tu automatizaci samotnou, nejen vykonávat příkazy v rámci ní.

Pro vývojáře a technické podnikatele to představuje fundamentální posun. Otázka už není „Dokážu toto automatizovat?" ale spíš „Jak rychle můžu na automatizaci iterovat?" Projekt, který by dříve vyžadoval vyhrazený víkend, se teď dá prototypovat během odpoledne, přičemž agent obstarává boilerplate a pomáhá vám promýšlet edge cases.

Závěr

Výstupem bylo sdělitelné tréninkové shrnutí, které skutečně vyprávělo příběh mé fitness cesty. Ale proces ukázal něco většího: éru osobního datového posílení.

Vaše fitness data, vaše kódové projekty, firemní metriky – většina z toho sedí v roztříštěných systémech, které spolu nemluví. AI coding agenti se stávají pojivovou tkání, která vám umožňuje stavět vlastní pohledy na vlastní informace bez podnikových zdrojů.

Příště možná zkusím provozovat lokální model pro tohle workflow a nechat vše na zařízení kvůli soukromí. Pokud experimentujete s podobnými osobními automatizačními projekty nebo máte vlastní fitness-agent workflows, rád bych o nich slyšel.

Někdy ty nejuspokojivější projekty nejsou ty, které škálují – jsou to ty, které konečně donutí vaše vlastní data vyprávět váš vlastní příběh.