Cum am transformat fotografiile de sală în date structurate (și de ce contează)

Voi acoperi:

• Problema: fitness trackerele oferă date, dar nu oferă context
• Soluția: combinarea datelor structurate cu viziunea AI
• Cum funcționează pipeline-ul (interpretarea mea)
• Agentul de codare ca multiplicator de productivitate
• Lecții învățate și posibilități viitoare

Să fim onești: cifrele nu spun totul

Aplicațiile de fitness excelează la numere. La povești? Complet eșec.

aplicația mea de alergat știe că am fugit 180 de kilometri anul acesta. Ce nu știe e că mă pregăteam pentru primul meu semimaraton, sau că acele sesiuni făceau parte dintr-un plan de periodizare pe care l-am fotografiat de pe tabla din sală.

Această diferență între date și context m-a determinat să construiesc un mic proiect secundar. Un proiect care ilustrează perfect de ce agenții AI de codare devin indispensabili pentru automatizările personale.

Problema cu metricile singure

Folosesc Samsung Fit 3 pentru sesiunile de sală și Strava pentru alergări. Configurația funcționează admirabil — trackerul se sincronizează automat cu Strava și îmi oferă toate metadatele standard: durată, distanță, altitudine, zone de puls, timestaps.

Dar iată ce Strava nu îți va spune niciodată: dacă sesiunea de "sală" a fost o zi de forță cu împinsuri și genuflexiuni sau un antrenament de mobilitate pentru recuperare. Știe că am făcut ceva 45 de minute. Nu are habar că lucram progresia de goblet squat cu 24 de kilograme, în timp ce antrenorul meu scria structura sesiunii pe o tablă pe care nu m-am gândit să o fotografiez decât recent.

Contextul trăia exclusiv în pozele pe care le atașam mai mult sau mai puțin aleatoriu la postările de pe Strava. Tabla din sală documenta structura reală a antrenamentului — mișcări, serii, repetări, și distincția crucială dintre zilele de recuperare și blocurile de antrenament intens.

Strava captura cantitatea. Fotografiile povesteau calitatea.

Construind un Pipeline Personal de Date

Soluția nu a fost un singur tool — a fost un pipeline care lăsa mai multe sisteme să strălucească prin ce fac cel mai bine:

Preia → Procesează → Extrage → Vizualizează

Mai întâi, un script Python simplu prelua toate activitățile mele din Strava împreună cu pozele asociate. Scriptul menținea o memorie cache locală, ceea ce însemna că putea sări peste media deja descărcată și să repornească de unde se oprise dacă era întrerupt.

Apoi a venit partea interesantă: extragerea contextului de antrenament din fotografiile tablei de sală.

Am folosit Claude Code ca agent de codare cu capabilități de viziune. Pentru fiecare fotografie a tablei de sală, îi ceream agentului să genereze o descriere JSON structurată a antrenamentului:

{
  "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"
}

Abordarea cu agent în buclă s-a dovedit remarcabil de eficientă. Dacă datele extrase arătau greșit, pur și simplu ștergeam fișierul JSON și îl regenerez. Dacă o imagine era deja procesată, scriptul o sărea. Workflow-ul era reluabil, corectabil și — crucial — iterativ.

Odată ce am avut date structurate despre antrenamente combinate cu metricile din Strava, randarea infograficului final a devenit simplă. Un template HTML simplu asambla totul într-un poster PNG partajabil.

De ce Clasificarea A Fost Mai Simplă Decât Mă Așteptam

Tagurile mele de activitate din Strava nu erau tocmai consistente. Unele sesiuni de forță erau etichetate "sală," altele pur și simplu spuneau "workout." Zilele de mobilitate apăreau uneori ca activități generice. Haosul era în întregime opera mea — trei ani de tagging ocazional fără niciun sistem standardizat.

În loc să construiesc un model de clasificare sofisticat (care ar fi fost overkill pentru un proiect personal), am folosit o abordare pragmatică: am combinat tipul de activitate din Strava, cuvintele cheie din titlu și datele extrase din poză pentru a face cea mai bună presupunere posibilă.

Logica arăta cam așa:

• Cuvinte cheie precum "squat," "deadlift," "împins" + date foto orientate pe forță = antrenament de forță
• "Mobilitate," "întindere," "recuperare" + date foto orientate pe flexibilitate = sesiune de mobilitate
• Distanță + durată + fără poză de sală = alergare (metadatele Strava sunt de încredere aici)

Această clasificare hibridă a fost suficient de bună pentru un rezumat personal. Posterul final s-a simțit precis pentru că folosea ce făcea fiecare sursă de date cel mai bine.

Considerația MCP

Am experimentat scurt cu serverul Model Context Protocol (MCP) de la Strava, care promitea să simplifice integrarea API. A funcționat bine pentru preluarea metadatelor de activitate, dar nu putea accesa pozele atașate la activități. Pentru proiecte care necesită doar cifre, MCP ar simplifica dezvoltarea semnificativ. Pentru acest caz de utilizare, scriptul manual a rămas alegerea mai bună, dat fiind că accesul la poze era non-negociabil.

Ce Dezvăluie Acela Despre Agenții AI de Codare

Valoarea reală în acest proiect nu a fost infograficul în sine — a fost demonstrarea modului în care agenții AI pot servi ca middleware flexibil între sursele de date și outputurile dorite.

Tool-urile tradiționale de automatizare urmează o logică rigidă: dacă asta, atunci ailaltă. Agenții de codare pot raționa across modalities. Pot privi o imagine, înțelege contextul ei și genera date structurate. Se pot adapta când apar cazuri speciale. Te pot ajuta să construiești automatizarea în sine, nu doar să execute în cadrul ei.

Pentru dezvoltatori și antreprenori tehnici, aceasta reprezintă o schimbare fundamentală. Întrebarea nu mai este "Pot să automatizez asta?" ci "Cât de repede pot itera pe automatizare?" Un proiect care altfel ar fi necesitat un weekend întreg poate fi prototipat într-o după-amiază, cu agentul ocupându-se de boilerplate și ajutându-te să gândești cazurile speciale.

Concluzia

Rezultatul a fost un rezumat al antrenamentelor partajabil care povestea de fapt istoria călătoriei mele sportive. Dar procesul a indicat spre ceva mai mare: era empowerement-ului personal prin date.

Datele tale de fitness, proiectele tale de cod, metricile afacerii tale — mare parte din ele stau în sisteme fragmentate care nu comunică între ele. Agenții AI de codare devin țesătura conjunctivă care îți permite să construiești vizualizări personalizate ale propriilor tale informații, fără resurse de nivel enterprise.

S-ar putea să explorez rularea unui model local pentru acest workflow data viitoare, păstrând totul pe dispozitiv pentru intimitate. Dacă experimentezi cu proiecte similare de automatizare personală sau ai workflow-uri de tip fitness-agent proprii, mi-ar plăcea genuin să aud despre ele.

Uneori cele mai satisfăcătoare proiecte nu sunt cele care scalază — sunt cele care în sfârșit îți lasă propriile date să spună propria ta poveste.