En træningsapp kan allerede samle puls, distance og gennemførte øvelser. Det nye er, at flere programmer forsøger at bruge oplysningerne til at forklare et forløb og foreslå, hvad brugeren kan gøre næste gang. Kunstig intelligens kan sammenholde registreringer, formulere et svar på et spørgsmål og tilpasse visningen til den aktivitet, der er valgt. Det lyder enkelt på skærmen, men kræver, at dataene faktisk beskriver den rigtige person og den rigtige træning. Ellers bliver et velformuleret forslag blot en overbevisende forklaring på et forkert grundlag.
Målinger skal forstås i deres sammenhæng
Et pulstal alene fortæller ikke, om et træningspas gik efter planen. Hastighed, terræn, øvelsesvalg og kvaliteten af målingen kan ændre, hvordan tallet bør læses. Når en app begynder at foreslå ændringer i et program, skal den derfor kunne skelne mellem en reel udvikling og et enkelt udsving. Brugeren bør samtidig kunne se, hvilke oplysninger der indgår i vurderingen. Et system, der viser den relevante periode og markerer usikre målinger, giver mere grundlag for at forstå forslaget end en skjult samlet score.
Forbindelsen mellem udstyr og software er et konkret sted at begynde. En vejledning om at parre et pulsbælte med en træningsapp viser, hvor mange praktiske forhold der kan påvirke, om registreringerne når korrekt frem. Hvis forbindelsen afbrydes under et pas, må et AI-system ikke behandle hullet som et pludseligt fald i brugerens indsats. En tydelig markering af manglende data kan være mere nyttig end en automatisk fortolkning, der lader som om hele forløbet blev målt.
Programmerne kan også sammenligne ensartede pas over tid i stedet for at lægge alle aktiviteter i samme kurve. En rolig gåtur og en hård cykeltur kan begge være relevante, men de besvarer forskellige spørgsmål om belastning. Når appen adskiller dem, kan den give en forklaring, som brugeren har mulighed for at efterprøve i sin egen log. Den form for gennemsigtighed gør et forslag lettere at bruge som et udgangspunkt for planlægning frem for som en ordre fra en algoritme.
Sprogforståelse skal passe til formålet
FlerAI-funktioner gør det muligt at spørge en app med almindelige ord i stedet for at lede gennem menuer. En motionist kan skrive, at benene føltes tunge efter løbeturen, eller spørge, hvilke pas der indeholdt flest bakker. Svaret kræver både forståelse af sætningen og adgang til de registreringer, som spørgsmålet handler om. Hvis modellen svarer generelt uden at skelne mellem brugerens data og almindelig information, kan det være svært at vide, hvad der faktisk er blevet analyseret.
Sprogmodeller møder formuleringer fra mange digitale områder, og en søgefrase som online casino denmark viser, hvordan et engelsk emne og en geografisk betegnelse kan stå i samme korte forespørgsel. Den slags blandede formuleringer er også almindelige i fitnesssoftware, hvor brugeren kan skrive danske sætninger med engelske betegnelser for øvelser eller udstyr. En god assistent må forstå ordenes sammenhæng og svare inden for appens eget formål. Den bør kunne genkende, hvilke data et træningsspørgsmål henviser til, frem for blot at gentage de mest sandsynlige ord.
Forklaringer er vigtigere end nye knapper
En undersøgelse fra Københavns Universitet af AI-feedback i fitnessapps beskriver, hvordan brugere kan opleve spændinger mellem en automatisk vurdering og deres egen forståelse af et træningspas. Forskerne peger blandt andet på forskellen mellem en opsummering af én aktivitet og en fortælling om et længere træningsforløb. Det er relevant, når en app skal forklare et løb, der på papiret ser langsomt ud, men som indgik i en planlagt rolig uge. Et svar bliver mere anvendeligt, hvis det viser målingerne og lader motionisten føje sin egen forklaring til.
For brugeren er den bedste nye funktion måske den, der gør en gammel registrering lettere at forstå. Appen kan vise, hvad den bygger et forslag på, give plads til at rette oplysninger og tydeligt sige, når datagrundlaget er for spinkelt. En træner eller sundhedsfaglig person kan fortsat bidrage med den sammenhæng, som et ur ikke kan måle. AI i fitnesssoftware bliver mest anvendelig, når dens forklaringer hjælper mennesker med at fortolke deres egne aktiviteter uden at gøre teknologien mere skråsikker end målingerne tillader.