Quando i numeri del fitness non bastano: costruire un ponte tra dati e storia

Il punto della situazione

Prima di entrare nel vivo, ti racconto cosa tratteremo:

• Il problema: i tracker fitness raccolgono numeri ma perdono il contesto
• La soluzione: unire dati strutturati e visione AI
• Come funziona il mio pipeline (interpretazione personale)
• L'agente di codifica come moltiplicatore di produttività
• Cosa ho imparato e cosa bolle in pentola

Il problema con le metriche

Siamo onesti: le app fitness sono ottime nel registrare cifre, pessime nel raccontare storie.

Uso Samsung Fit 3 per la palestra e Strava per le corse. Funziona tutto liscio — il tracker si sincronizza con Strava e mi regala tutti i metadati standard: durata, distanza, dislivello, zone cardiache, timestamp.

Ma ecco cosa Strava non ti dirà mai: se quella sessione di "pesistica" era un giorno dedicato a esercizi composti o un workout di mobilità per il recupero. Sa che ho fatto qualcosa per 45 minuti. Non ha idea che stavo lavorando su una progressione di goblet squat con 24 kg mentre il mio trainer scarabocchiava la struttura della sessione su una lavagna.

Il contesto esisteva solo nelle foto che attachavo ai miei post Strava. La lavagnetta del gym documentava l'allenamento vero: movimenti, rep range, aree di focus, e la distinzione cruciale tra giorni di recupero e blocchi intensi.

Strava catturava la quantità. Le foto raccontavano la qualità.

Costruire un pipeline personale

La soluzione non era un singolo tool — era un pipeline che lasciava parlare più sistemi insieme. Ecco l'architettura a cui sono arrivato:

Fetch → Process → Extract → Visualize

Il recupero dati

Un semplice script Python tirava giù tutte le mie attività Strava insieme alle foto associate. Lo script manteneva una cache locale, così poteva saltare i media già scaricati e riprendere da dove era stato interrotto.

L'estrazione intelligente

Qui viene il bello: recuperare il contesto dagli scatti della lavagna gym.

Ho usato Claude Code come agente di codifica con capacità visive. Per ogni fotografia della lavagna, chiedevo all'agente di generare una descrizione JSON strutturata del workout:

{
  "type": "workout",
  "exercises": [
    {
      "name": "Stacco rumeno",
      "sets": 4,
      "reps": "8-10",
      "weight": "60kg",
      "muscle_groups": ["posterior chain", "glutes"]
    }
  ],
  "focus": "strength",
  "notes": "Mi sono sentito forte, ho aumentato il carico"
}

L'approccio con agente nel loop si è rivelato sorprendentemente efficace. Se i dati estratti sembravano sbagliati, cancellavo quel file JSON e rigeneravo. Se un'immagine era già processata, lo script la saltava. Il workflow era resumable, fixabile, e soprattutto iterativo.

La visualizzazione

Una volta ottenuti i dati strutturati combinati con le metriche Strava, generare l'infografica finale era diretto. Un template HTML semplice tirava tutto insieme in un poster PNG condivisibile.

Perché la classificazione è stata più semplice del previsto

I miei tag attività Strava non erano esattamente consistenti. Alcune sessioni di forza erano etichettate "weight training," altre solo "workout." I giorni di mobilità apparivano a volte come attività generiche. Il caos era tutto farina del mio sacco — tre anni di tagging casuale senza sistema standardizzato.

Invece di costruire un modello di classificazione sofisticato (sarebbe stato overkill per un progetto personale), ho usato un approccio pragmatico: combinare il tipo di attività Strava, keyword nel titolo, e i dati estratti dalle foto per fare una classificazione best-guess.

La logica era pressappoco questa:

• Keyword come "squat," "deadlift," "bench" + dati foto orientati alla forza = workout di forza
• "Mobilità," "stretch," "recovery" + dati foto orientati alla flessibilità = sessione di mobilità
• Distanza + durata + nessuna foto gym = corsa (i metadata Strava sono affidabili qui)

Questa classificazione ibrida era più che sufficiente per un recap personale. Il poster finale sembrava accurato perché sfruttava quello che ogni fonte dati faceva meglio.

La considerazione su MCP

Ho sperimentato brevemente con il server MCP di Strava, che prometteva di semplificare l'integrazione API. Funzionava bene per recuperare i metadata delle attività, ma non riusciva a ottenere le foto attachate. Per progetti che richiedono solo numeri, MCP velocizzerebbe lo sviluppo significativamente. Per questo caso d'uso, lo script manuale rimaneva la scelta migliore dato che l'accesso alle foto era non negoziabile.

Cosa rivela tutto questo sugli agenti AI di codifica

Il valore reale di questo progetto non era l'infografica in sé — era dimostrare come gli agenti AI possano servire come middleware flessibili tra fonti dati e output desiderati.

Gli strumenti di automazione tradizionali seguono logica rigida: se questo, allora quello. Gli agenti di codifica possono ragionare attraverso modalità diverse. Possono guardare un'immagine, capirne il contesto, e generare dati strutturati. Possono adattarsi quando emergono casi edge. Possono aiutarti a costruire l'automazione stessa invece di eseguirla.

Per developer e imprenditori tecnici, questo rappresenta un cambiamento fondamentale. La domanda non è più "Posso automatizzare questo?" ma "Quanto velocemente posso iterare sull'automazione?" Un progetto che avrebbe richiesto un weekend dedicato può ora essere prototipato in un pomeriggio, con l'agente che gestisce il boilerplate e ti aiuta a ragionare sui casi edge.

Il takeaway

L'output era un recap training condivisibile che finalmente raccontava la storia del mio percorso fitness. Ma il processo indicava qualcosa di più grande: l'era dell'empowerment dei dati personali.

I tuoi dati fitness, i tuoi progetti di codice, le tue metriche di business — la maggior parte vive in sistemi frammentati che non comunicano tra loro. Gli agenti AI di codifica stanno diventando il tessuto connettivo che ti permette di costruire visioni personalizzate delle tue informazioni senza risorse da scala enterprise.

Potrei esplorare l'uso di un modello locale per questo workflow, tenendo tutto on-device per privacy. Se sperimenti con progetti simili di automazione personale o hai workflow fitness-agent tuoi, mi farebbe genuinamente piacere sentirli.

A volte i progetti più soddisfacenti non sono quelli che scalano — sono quelli che finalmente fanno raccontare ai tuoi dati la tua storia.