AI與IoT之間差的是數據？揭秘Keep快速入局AIoT的三大絕招

如今，移動互聯網時代正式迎來拐點，以 AI IoT 為技術基礎的智能物聯網為人們的生活帶來越來越多的便利和變化。在這個發展過程中，運動健身自然也貼上了 AI 的印記。

Keep 在 2018 年就已開始布局 AI，成立至今，Keep 實現了用戶從萬到億級的飛躍。作為科技行業的後起之秀，Keep 是如何在大浪淘沙的 IoT 環境下，打通 Keep App、智能硬體及運動空間的壁壘，構建完善的運動生態，實現運動科技行業的破局？Keep 在 AI IoT 的布局是如何？帶著疑問，InfoQ 記者參加了 5 月 25 日在北京舉辦的【Keep 技術開放日·攻城獅智能運動體驗專場】，並根據 Keep 技術 VP 彭躍輝、Keep 人工智慧研究院 CV 項目負責人喬偉、Keep 硬體系統部負責人劉煦的現場分享及專訪，整理了部分實錄。

1

數據是個體力活，但缺乏大數據的支撐，AIoT 猶如「無源之水」

過去的兩年是 AI 與 IoT 井噴式爆發的兩年。

但同時出現的，是一種極不合理的相反態勢：AI 技術賴以生存的基礎——大數據的發展卻遠不及預期。

在運動科技領域，國內運動大數據級別大多處於初、中級極端，硬體技術及演算法等客觀條件的制約限制了運動大數據的升級。但作為一家數據驅動型公司，數據對於 Keep 的重要性不言而喻。面對大數據技術在數據採集、存儲分析及流數據處理等維度的應用和發展，我們構建了自身的數據平台架構，精準分析用戶畫像系統以及 AI 系統。

首先，基於自身業務需求，我們將所有業務場景的數據進行匯總，打造了一套完整的數據平台。數據平台主要分為五層：數據採集，將 APP 、硬體、線下空間等全域數據打通並串聯；數據管理，管理 Keep 所有的數據資產，建立以業務為核心的數據倉庫，並在數倉的基礎上設置分級的數據安全管理和數據脫敏；數據存儲分析，將所有部門對數據的應用和理解進行共享，解決企業經營信息不對稱的問題，其主要分為基於 Spark、Hive、Impla/Kudu 等開源工具的離線計算和基於 Storm、Flink、Kylin/Druid 等組件的實時計算；數據輸出，主要輸出 A/B 測試、用戶畫像、用戶生命周期和風險控制等數據產品；數據變現，包括程序化廣告以及個人運動數據分析。

但是，數據平台的建設並不是一蹴而就的事情，我們也經歷了很長時間的迭代。

一開始，我們會通過建立標準、擴展性好的 SDK 將不同業務的數據彙集，並依次建立數據平台需要的各個組件。

接著需要建立比較完備的管理系統進行數據標準的統一，包括埋點的標準化、指標體系的標準化以及數據應用的標準化。

最後，通過數據分析和演算法講數據的價值賦能給業務，形成閉環。

有了數據平台的支撐，接下來就是如何深入了解用戶。

大家都知道精細化運營是目前企業發展的重要競爭力，特別是對於以用戶為導向的 Keep，及時響應、滿足用戶的需求，建立良好的用戶體系顯得極為重要。因此，在數據平台的支撐下，我們利用 AI 結合 Keep APP 應用及智能硬體採集的數據，建立「用戶畫像」體系，為用戶提供更豐富的運動體驗。

我們對用戶的社會學屬性，運動偏好等也有精確的理解。我們有不同的運動品類和不同的載體，通過這些品類和載體中能了解更多的用戶運動偏好數據，幫助我們更好地改進產品，提供更完善的智能訓練計劃功能。

下圖是我們的智能訓練計劃功能，通過對用戶運動能力的預測，包括用戶主觀的「自我評估」和客觀的「運動能力測試」，結合智能演算法針對性地給用戶推導計算出適合他的運動方案。在此過程中，主觀的自我評估可以讓我們了解到用戶的一些運動習慣和運動行為，客觀的運動能力測試可以精準獲得用戶運動能力。兩者內容的綜合，就可以判斷出用戶的運動需求、運動條件、運動水平、運動偏好等一系列信息。

同時，我們發現，用戶的運動能力是多樣化的，用戶在運動能力的成長方向也是多樣化的，可能是橫向能力的部分成長，也可能是縱向綜合能力的提升。對此，我們還可對用戶成長路徑進行規劃，建立了「蜂巢結構」。「蜂巢結構」中的每一格，代表的是一群特定用戶的運動畫像，當用戶行為發生變化，他所處的蜂巢位置將會發生變化，訓練計劃也將會相應改變。

之前，Keep 原有的訓練課程是人工編排的。在智能化的過程中，後續我們打造了一套課程自動生成系統，能夠自動地從動作生成一個課程，並根據動作的性別、難度、肌肉點、姿態、容量、休息時長等特徵，制定了一些列的課程生成規則，通過規則生成、篩選出符合邏輯的訓練課程。然後結合用戶畫像和課程畫像， 就能為用戶動態生成個性化的智能訓練計劃，截至到目前 Keep 已經為 100w 用戶定製超過 200w 個訓練計劃。

此外，我們在訓練過程跟蹤和即時反饋上也一直在探索。在硬體上，我們實現了手環的動作識別和動作打分演算法，利用硬體的感測器和心率得到更多用戶的反饋；在視覺上， 通過攝像頭來監測和識別用戶的關節點，通過關節點的運動軌跡來給用戶更多的反饋；在 App 上，我們及時地為用戶調節訓練的節奏，在訓練過程中用戶在遇到某個不適合的動作或身體情況變化時，及時地為用戶做進退階、或者跳過這個動作。

為了讓用戶更能堅持，我們還把具體相同或者相似特點的人聚集起來，相互激勵和相互扶持，讓運動不再枯燥。

根據打造的用戶畫像和課程畫像系統，並在數據以及內容驅動的人工智慧方式下，我們取代了過去由健身教練組織健身課程的人工方法，建立了以內容和數據為核心的運動科技生態。

2

運動科技與 IoT 的結合與破局

當前，在 IoT 的影響下，運動和設備有著自然緊密的結合。但是我們發現，用戶嚴重的碎片化認知是需要解決的關鍵問題。

用戶碎片化認知的形成主要因為兩點：一方面是 IoT 的複雜多樣性不能讓用戶有全面的了解；另一方面是 IoT 比移動互聯網多一個數量級導致了各種兼容性的問題。對此，在技術方面，我們建立了多通道的通訊模型，通過 WIFI、藍牙等不同的方式連接到手機上，屏蔽底層的複雜性，不需要讓用戶理解鏈接的多樣性；在產品方面，通過用戶的交互以及統一的內容體驗，直接帶領用戶跟隨 APP 運動。

同時，為了依靠優質的技術特點、產品功能，快速吸引用戶，佔領市場，我們還 積極布局手環、體脂稱、跑步機等智能硬體，觸及了以手機攝像頭為載體的機器視覺方面，通過手機攝像頭的視覺反饋對用戶動作進行識別和分析，從而給用戶更多運動指導，使用戶的運動體驗得到更多提升。

以人體關鍵點識別以及動作打分為例，目前，對人體關節點或關鍵點定準定位、以及對人體大動作等複雜場景的追蹤和監測等已成為很多企業攻克 AI 落地應用的突破口。那麼，Keep 如何通過 AI 解決高精度人體姿態識別的問題呢？

我們設計了自下而上的特徵遷移架構，解決高精度的人體姿態識別問題。整體解決思路是這樣的：通過深度學習技術，我們會在在圖片或視頻里抽取出人體相關的一些關節點，基於 video to video 的方式，把光流信息應用到網路中，解決同一關節點的時序平滑問題。並通過運動感測器，配合 AI 演算法及 Keep 的動作庫和數據模型，在捕捉用戶動作軌跡的同時進行標準度打分和指導。比如深蹲動作，有時候人在做這個動作的時候左右是不是平衡的，或者深蹲的幅度不夠，或者身體不在一個豎直面上，我們會通過關節點運動的軌跡來判斷動作是不是標準的，然後給用戶正確的參考與指導，避免受傷。

另外，跑步路線作為基於 Keep 智能硬體的創新技術之一，它會根據用戶跑步的軌跡自動生成一些路線，當用戶到一個陌生城市時，打開 Keep 就能看到有哪些地方適合跑步。這個新功能裡面主要用到的一項技術是，怎麼把路線生成出來。路線是三維點集聚合的問題，我們用了很多不同的策略來優化。除此之外我們現在路線有幾萬條，怎麼能讓匹配更快是我們要解決的問題，我們通過演算法模型找到一個跟用戶軌跡最匹配的一條路線。如果用戶按照 Keep 推薦的路線去跑步，這個創新功能可以判斷用戶的跑步軌跡和推薦路線的相似度是多少。

3

Keep AI IoT 的未來

最後說說 Keep 在 AI IoT 的戰略，因為也會有很多人問我們，如何看待 AI 與 IoT 的關係。

那麼對於 Keep 來說，我們認為萬物相連的物聯網、大數據、及人工智慧三者是相互協同，缺一不可的關係。

在今後，Keep 將基於 IoT、AI 以及大數據做更多的結合，貼近用戶生活，打造娛樂化的運動體驗，並把更多的演算法落地在 IoT 的設備上，讓用戶真實感覺到 Keep 的訓練計劃是有效的、個性化的。同時，將內容與 IoT 場景更加深入，通過平台整合及硬體加持，傳遞給用戶最準確的信息。

當前，運動領域的智能化已拉開序幕，作為運動行業的領軍者，Keep 將持續構建科技互聯下的運動生態， 帶領全世界的人一起科學運動。相信，在不久的將來我們就會得知答案。

我們一起期待著。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！