Fitness Uygulamaları Veri Verir, Ama Hikaye Anlatamaz

Şimdi bu yazıda nelerden bahsedeceğim:

• Sorun: Fitness takip cihazları sayısal veri sunar ama bağlamı kaçırır
• Çözüm: Yapılandırılmış veri ile AI görüntü işleme gücünü birleştirmek
• Pipeline nasıl çalışıyor (kendi yorumumla)
• Kodlama ajanı olarak verimlilik çarpanı
• Öğrendiklerim ve gelecekte nereye gidebileceği

Şöyle düşün: Koşu uygulamaları kaç kilometre koştuğunu bilir. Koşunun nedenini, yani ilk yarı maratonuna hazırlandığını ya da salonun beyaz tahtasından fotoğrafladığın dönemsel antrenman planının parçası olduğunu bilmez.

Veri ile bağlam arasındaki bu kopukluk, aslında AI kodlama ajanlarının kişisel otomasyon iş akışlarında neden vazgeçilmez hale geldiğini gösteren küçük bir yan projenin doğmasına vesile oldu.

Sayıların Tek Başına Yetersizliği

Ben Samsung Fit 3 ile salon antrenmanlarını, Strava ile koşuları kaydediyorum. Sistem düzgün çalışıyor—fitnes takip cihazım Strava'ya otomatik bağlanıyor, bana standart aktivite meta verilerini sunuyor: süre, mesafe, rakım, nabız bölgeleri, zaman damgaları.

Ama Strava'nın asla söyleyemeyeceği bir şey var: O "ağırlık antrenmanı" oturumu bileşik hareketlere odaklı bir güç günü müydü, yoksa mobilite odaklı bir toparlanma seansı mı? Strava 45 dakika boyunca bir şey yaptığımı biliyor. Ama 24 kilogram ile goblet squat ilerlemesi yaptığımı, antrenörün de seans yapısını beyaz tahtaya yazdığını bilmiyor.

Bağlam, Strava paylaşımlarıma eklediğim fotoğraflarda saklıydı. Salonun beyaz tahtası gerçek antrenman yapısını belgeliyordu—hareketler, set tekrar aralıkları, odak noktaları ve dinlenme günleri ile yoğun antrenman blokları arasındaki kritik fark.

Strava miktarı yakaladı. Fotoğraflar kaliteyi anlattı.

Kişisel Bir Veri Pipeline'ı Kurmak

Çözüm tek bir araç değil, birden fazla sistemin güçlü yönlerini kullanan bir pipeline'dı. Vardığım mimari şöyle:

Çek → İşle → Çıkar → Görselleştir

İlk olarak basit bir Python scripti tüm Strava aktivitelerini ve ilişkili fotoğraflarını çekti. Script yerel bir önbellek tuttuğu için, zaten indirilmiş medyaları atlayabiliyordu ve kesintiye uğrarsa kaldığı yerden devam edebiliyordu.

İşin ilginç kısmı burasıydı: Salon beyaz tahta fotoğraflarından antrenman bağlamını çıkarmak.

Görüntü işleme yeteneklerine sahip bir kodlama ajanı olarak Claude Code kullandım. Her salon tahtası fotoğrafı için, ajandan yapılandırılmış bir JSON açıklama oluşturmasını istedim:

{
  "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"
}

Ajan-döngü-yaklaşımı oldukça etkili çıktı. Çıkarılan veri yanlış görünüyorsa, JSON dosyasını siler ve yeniden oluştururdum. Bir görüntü zaten işlendiyse, script onu atlar. İş akışı yeniden başlatılabilir, düzeltilebilir ve—en önemlisi—yinelemeliydi.

Yapılandırılmış antrenman verisine Strava metriklerini ekledikten sonra, son infografiği oluşturmak basitleşti. Basit bir HTML şablonu her şeyi paylaşılabilir bir PNG posterde bir araya getirdi.

Sınıflandırmanın Beklenenden Kolay Olması

Strava aktivite etiketlerim pek tutarlı değildi. Bazı güç seansları "ağırlık antrenmanı" olarak etiketlenmişti, bazıları sadece "workout" diyordu. Mobilite günleri bazen genel aktiviteler olarak görünüyordu. Bu karmaşa tamamen benim suçumdu—standartlaştırılmış bir sistem olmadan üç yıl boyunca rastgele etiketleme yapmıştım.

Sofistike bir sınıflandırma modeli inşa etmek yerine (ki bu kişisel bir proje için aşırı kaçardı), pragmatik bir yaklaşım kullandım: Strava'nın aktivite türünü, başlık anahtar kelimelerini ve çıkarılan fotoğraf verisini birleştirerek en iyi tahmini yaptım.

Mantık şöyle bir şeydi:

• "Squat," "deadlift," "bench" gibi anahtar kelimeler + güç odaklı fotoğraf verisi = güç antrenmanı
• "Mobilite," "esneme," "toparlanma" + esneklik odaklı fotoğraf verisi = mobilite seansı
• Mesafe + süre + salon fotoğrafı yok = koşu (Strava'nın meta verisi burada güvenilir)

Bu hibrit sınıflandırma kişisel bir özet için yeterince iyiydi. Son poster, her veri kaynağının iyi yaptığı şeyi kullandığı için doğru hissettirdi.

MCP Dikkatimi Çekti

Strava'nın Model Context Protocol (MCP) sunucusunu kısaca denedim; API entegrasyonunu basitleştireceği vaat ediliyordu. Aktivite meta verilerini çekmek için iyi çalışıyordu, ancak aktivitelere eklenmiş fotoğrafları alamıyordu. Yalnızca sayıları gerektiren projeler için MCP geliştirmeyi büyük ölçüde hızlandırırdı. Bu kullanım durumu için, fotoğraf erişimi olmazsa olmaz olduğundan, manuel script daha iyi seçenek kalmaya devam etti.

AI Kodlama Ajanları Hakkında Ne Öğrendim

Bu projede gerçek değer infografiknin kendisi değildi—AI ajanlarının veri kaynakları ile istenen çıktılar arasında nasıl esnek bir ara katman görevi görebileceğini göstermesiydi.

Geleneksel otomasyon araçları katı mantık izler: eğer bu, şunu yap. Kodlama ajanları farklı modaliteler arasında akıl yürütebilir. Bir görüntüye bakabilir, bağlamını anlayabilir ve yapılandırılmış veri oluşturabilir. Kenar durumları ortaya çıktığında adapte olabilir. Otomasyonu inşa etmene yardımcı olabilir, sadece onun içinde çalışmakla kalmaz.

Geliştiriciler ve teknik girişimciler için bu temel bir değişim. Artık soru "Bunu otomatize edebilir miyim?" değil, "Otomasyon üzerinde ne kadar hızlı iterate edebilirim?" Geliştiriciler için harcanması gereken bir hafta sonu bile gerekebilecek bir proje, artık bir öğleden sonrada prototip haline getirilebiliyor; ajan standart işleri hallediyor ve kenar durumlarını düşünmende yardımcı oluyor.

Sonuç

Çıktı, fitness yolculuğunun hikayesini gerçekten anlatan paylaşılabilir bir antrenman özeti oldu. Ama süreç daha büyük bir şeye işaret ediyordu: kişisel veri güçlendirme çağı.

Fitness verilerin, kod projelerin, iş metriklerin—çoğu birbiriyle konuşmayan dağınık sistemlerde duruyor. AI kodlama ajanları, enterprise ölçekli kaynaklar olmadan kendi bilginin özel görünümlerini oluşturmanı sağlayan bağlayıcı doku haline geliyor.

Bir sonraki sefere bu iş akışı için yerel bir model çalıştırmayı, her şeyi cihaz üzerinde tutarak gizliliği korumayı düşünebilirim. Benzer kişisel otomasyon projeleri deneyen ya da fitness-ajan iş akışları olan varsa, gerçekten duymak isterim.

Bazen en tatmin edici projeler ölçeklenenler değil, kendi verini kendi hikayeni anlatmaya başlatanlardır.