Πώς έφτιαξα ένα αυτοματοποιημένο σύστημα για να καταλάβει επιτέλους η εφαρμογή γυμναστικής μου τι γυμνάζομαι

Θα δούμε:

• Το πρόβλημα: οι εφαρμογές fitness καταγράφουν νούμερα αλλά χάνουν το νόημα
• Η λύση: συνδυάζοντας structured δεδομένα με AI που "βλέπει"
• Πώς λειτουργεί το pipeline ( με δικά μου λόγια)
• Τον coding agent σαν εργαλείο παραγωγικότητας
• Τι έμαθα και πού πάμε από εδώ

Η αλήθεια είναι απλή

Οι εφαρμογές γυμναστικής μετράνε άριστα. Καταλαβαίνουν ελάχιστα.

Το Samsung Fit 3 μου δείχνει ότι έκανα 45 λεπτά "βάρη". Το Strava καταγράφει την διαδρομή του τρεξίματός μου με GPS ακρίβεια. Μαζί, μου δίνουν έναν τεράστιο όγκο μετρήσεων: καρδιακούς παλμούς, απόσταση, επεισόδια, χρόνους ανάκαμψης.

Αυτό που δεν μου λέει καμία εφαρμογή είναι αν εκείνη η προπόνηση 45 λεπτών ήταν δύναμη με βαριά σύνθετα κινήματα ή αν ήταν μέρα αποκατάστασης με εστίαση στην κινητικότητα.

Το κενό μεταξύ αριθμών και νοήματος

Κάπου εκεί βρίσκεται η αρχή αυτού του project.

Είχα μια συλλογή από φωτογραφίες από τον πίνακα του γυμναστηρίου μου. Εκεί ο προπονητής σχεδίαζε τη δομή κάθε session: ασκήσεις, σετ, επαναλήψεις, επικέντρωση. Αυτές οι φωτογραφίες περίμεναν στο τηλέφωνό μου, αχρησιμοποίητες.

Τα δεδομένα του Strava ήταν στο cloud, οργανωμένα και προσβάσιμα μέσω API.

Η πληροφορία που έλειπε; Καθόταν σε ένα folder.

Ένα pipeline που συνδυάζει τα δυνατά σημεία κάθε συστήματος

Η αρχιτεκτονική που έφτιαξα ακολουθεί μια απλή λογική:

Fetch → Process → Extract → Visualize

Fetch: Ένα Python script τραβάει όλες τις δραστηριότητές μου από το Strava μαζί με τις συνημμένες φωτογραφίες. Το script κρατάει τοπικό cache, οπότε αν κοπεί η σύνδεση, συνεχίζει από εκεί που σταμάτησε.

Process: Κατεβάζω τις νέες φωτογραφίες από τον πίνακα του γυμναστηρίου. Μέχρι πρόσφατα, δεν είχα σκεφτεί να τις φωτογραφίζω καν — ένα κενό που διόρθωσα πολύ εύκολα.

Extract: Εδώ μπαίνει ο AI coding agent με δυνατότητες όρασης. Για κάθε φωτογραφία πίνακα, τον ρωτάω να μου δώσει τη δομή της προπόνησης σε structured μορφή:

{
  "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"
}

Visualize: Με τα structured δεδομένα συνδυασμένα με τις μετρήσεις του Strava, η δημιουργία του τελικού infographic γίνεται απλή υπόθεση. Ένα HTML template συγκεντρώνει τα πάντα σε μια εικόνα έτοιμη για share.

Γιατί η ταξινόμηση ήταν πιο απλή απ' ό,τι περίμενα

Τα labels στο Strava μου ήταν χάος. "Βάρη", "Γυμναστήριο", "Workout", "Training" — τρία χρόνια αυθαίρετης ονοματοδοσίας χωρίς κανένα σύστημα.

Αντί να φτιάξω ένα πολύπλοκο classification model (υπερβολικό για personal project), χρησιμοποίησα έναν прагматичή προσέγγιση: συνδυάζω το activity type του Strava, λέξεις-κλειδιά από τον τίτλο, και τα δεδομένα από τη φωτογραφία.

Η λογική:

• "Squat", "deadlift", "bench" + φωτογραφία με ασκήσεις δύναμης = strength workout
• "Mobility", "stretch", "recovery" + εικόνες με διατάσεις = mobility session
• Απόσταση + διάρκεια + καμία φωτογραφία gym = τρέξιμο (το GPS του Strava είναι αξιόπιστο εδώ)

Αυτός ο υβριδικός classification ήταν αρκετά καλός για μια προσωπική ανασκόπηση.

Το MCP experiment

Πειραματίστηκα γρήγορα με το Model Context Protocol του Strava. Για fetching metadata, λειτουργούσε εξαιρετικά. Το πρόβλημα: δεν έδινε πρόσβαση στις φωτογραφίες.

Για projects που θέλουν μόνο νούμερα, το MCP θα επιτάχυνε σημαντικά την ανάπτυξη. Για αυτή τη χρήση, το χειροκίνητο script έμεινε η καλύτερη επιλογή.

Τι σημαίνει αυτό για τους AI coding agents

Το πραγματικό value αυτού του project δεν ήταν το infographic. Ήταν η επίδειξη του πώς οι AI agents μπορούν να λειτουργήσουν σαν flexible middleware μεταξύ πηγών δεδομένων και επιθυμητών outputs.

Τα παραδοσιακά εργαλεία automation ακολουθούν άκαμπτη λογική: αν αυτό, τότε εκείνο. Οι coding agents μπορούν να σκεφτούν cross-modality. Κοιτάζουν μια εικόνα, καταλαβαίνουν το context, δημιουργούν structured δεδομένα. Προσαρμόζονται όταν εμφανίζονται edge cases. Και — κρίσιμο σημείο — σε βοηθάνε να χτίσεις το automation itself, δεν απλώς εκτελείς εντός του.

Για developers και τεχνικούς entrepreneurs, αυτό είναι fundamental shift. Η ερώτηση δεν είναι πια "Μπορώ να το αυτοματοποιήσω;" αλλά "Πόσο γρήγορα μπορώ να κάνω iterate στο automation;"

Επόμενα βήματα

Σκέφτομαι να τρέξω ένα local model για αυτό το workflow, κρατώντας τα πάντα on-device για privacy. Το Strava API είναι ωραίο, αλλά υπάρχει κάτι ικανοποιητικό στο να μην στέλνεις τις προπονήσεις σου σε server.

Αν έχετε παρόμοια personal automation projects ή workflows με fitness agents, θα χαρώ να τα ακούσω.

Μερικές φορές τα πιο ικανοποιητικά projects δεν είναι αυτά που κλιμακώνονται — είναι αυτά που κάνουν επιτέλους τα δικά σου δεδομένα να πουν τη δική σου ιστορία.