La tua app di fitness non sa se stai mentendo — ed è un problema da un miliardo di dollari

Lo scorso novembre ho assistito a una demo che mi ha mandato in tilt qualcosa nel cervello.

Un fornitore di corporate wellness stava presentando la sua «piattaforma fitness basata sull'IA» a una sala piena di dirigenti assicurativi. La demo era impeccabile: un utente sullo schermo che faceva squat, l'app che contava le ripetizioni, assegnava punti, l'intero pacchetto gamificato. I dirigenti annuivano con approvazione. Poi ho fatto una domanda che ha fatto calare il silenzio nella sala: «Che cosa succede se l'utente si limita a dondolare su e giù di appena tre pollici invece di fare davvero lo squat?»

Il fornitore ha sorriso. «Be', ci fidiamo che i nostri utenti—»

«Vi fidate di loro» ho detto. «Ma state chiedendo a questo assicuratore di valutare il rischio sulla base di quella fiducia.»

È stato il momento in cui ho capito che a Veriprajna stavamo costruendo la cosa giusta. Non l'ennesimo chatbot. Non l'ennesimo wrapper attorno a GPT. Qualcosa di cui il settore aveva disperatamente bisogno ma che non era riuscito ad articolare: un'IA che non genera risposte — verifica la realtà fisica.

Il settore del fitness e della salute digitale ha un segreto sporco. Il mercato del corporate wellness da 60 miliardi di dollari, i programmi di sconti assicurativi, i progetti crypto move-to-earn — sono tutti costruiti su dati che si dissolvono nel momento in cui li verifichi. E nessuno vuole parlarne perché le dashboard hanno un ottimo aspetto.

Io ne parlerò.

Perché la tua app di fitness non sa dire se ti sei davvero allenato?

Ecco l'architettura di quasi tutte le app di fitness sul mercato: è un lettore video con un motore di raccomandazione avvitato sopra. Premi play, un istruttore fa le flessioni, tu dovresti seguirlo, e quando il video finisce l'app registra l'allenamento come «completato». Stima il tuo consumo calorico da tabelle generiche. Ti dà un badge.

In nessun momento l'app ha verificato che ti sia mosso.

L'app presume che la fruizione equivalga al completamento. Chiede: «Hai fatto il lavoro?» e accetta acriticamente «Sì» come risposta.

Non è una lamentela di nicchia. È l'architettura fondante di un settore da svariati miliardi di dollari. E fallisce per una ragione che qualsiasi economista comportamentale avrebbe potuto prevedere.

Esiste un principio chiamato legge di Campbell — il sociologo Donald Campbell osservò che più si usa una metrica per prendere decisioni, più le persone la corromperanno. Lega del denaro al conteggio dei passi e la gente attaccherà i Fitbit ai ventilatori a soffitto. Lega gli sconti assicurativi al «completamento dell'allenamento» e la gente lascerà scorrere i video mentre cena.

Non è ipotetico. Ricordi STEPN, il progetto crypto move-to-earn? È crollato in parte a causa della corsa agli armamenti tra la capacità del protocollo di rilevare il movimento valido e la capacità degli utenti di falsificarlo con lo spoofing del GPS e agitatori meccanici. Quando la verifica è debole, la frode diventa razionale. I partecipanti onesti vengono puniti. Chi eroga l'incentivo va in bancarotta.

Continuavo a tornare a una frase che alla fine ho iniziato a ripetere in ogni riunione di presentazione: Non puoi gamificare ciò che non puoi verificare.

La notte in cui abbiamo capito che la pose estimation non è intelligenza

Non siamo partiti da questa intuizione. Ci siamo inciampati dentro.

All'inizio il mio team era entusiasta della pose estimation — librerie come BlazePose e MoveNet che estraggono le coordinate delle articolazioni scheletriche dal video. Pensavamo: fantastico, le useremo per costruire un sistema di verifica del fitness. Abbiamo passato settimane a integrare MoveNet, ottenendo dati scheletrici puliti in streaming dalla fotocamera di un telefono, e poi ci siamo seduti per usare davvero i dati per la verifica.

È lì che sono iniziate le discussioni.

Uno dei miei ingegneri, convinto che avessimo quasi finito, ha richiamato un singolo fotogramma di dati scheletrici — una persona con i gomiti piegati e il busto abbassato. «Visto? Flessione» ha detto.

«Davvero?» ho chiesto. «Sta scendendo o risalendo? Tiene quella posizione da trenta secondi o da trenta millisecondi? Sta tremando per la fatica o è perfettamente controllato?»

Un singolo fotogramma non ti dice nulla. Una coordinata scheletrica in un dato istante è semanticamente vuota. È come consegnare a qualcuno una lettura grezza di tensione da un ECG e chiedere una diagnosi cardiaca. Il sensore fornisce i dati. L'intelligenza interpreta il segnale.

Avevamo costruito un ottimo sensore. Avevamo costruito zero intelligenza.

Fu una settimana dura. Eravamo stati così concentrati sulla parte di computer vision — ottenere coordinate articolari pulite — da aver confuso il prerequisito con la soluzione. E ogni concorrente del settore commetteva lo stesso errore, promuovendo la pose estimation come «fitness basato sull'IA» quando in realtà era solo un righello elegante.

Ho scritto di questo cambio di paradigma — dalla visione all'elaborazione del segnale — in modo più approfondito nella versione interattiva della nostra ricerca. Ma l'intuizione di fondo era semplice e ha cambiato tutto ciò che abbiamo costruito in seguito.

E se il corpo umano fosse un segnale radio?

Ecco la riformulazione che ha sbloccato il nostro intero approccio.

Quando una persona fa gli squat, la posizione verticale dell'articolazione dell'anca traccia un'onda nel tempo. Non metaforicamente — letteralmente. È un segnale sinusoidale. I jumping jack producono una forma d'onda periodica nella velocità angolare della spalla. Camminare genera segnali complessi multi-armonici nella parte inferiore del corpo.

Il corpo umano, mentre esegue un esercizio ripetitivo, è un oscillatore meccanico.

Una volta che lo vedi in questo modo, smetti di pensare alla computer vision e inizi a pensare all'elaborazione del segnale. Improvvisamente hai accesso a un insieme di strumenti matematici completamente diverso:

• L'ampiezza ti dice la profondità dello squat
• La frequenza ti dice la cadenza
• La fase ti dice se il lato sinistro e quello destro sono coordinati
• La purezza spettrale ti dice se il movimento è controllato o tremolante

Non chiediamo più a un'IA di «indovinare» quale esercizio si stia svolgendo. Stiamo misurando la fisica di una forma d'onda. La domanda passa da «Che aspetto ha?» a «Che cosa misura questo?»

Abbiamo riformulato l'Human Activity Recognition non come un problema di classificazione di immagini, ma come un problema di Digital Signal Processing. Quell'unica decisione ha reso possibile la verifica.

Ma l'elaborazione del segnale grezza — le trasformate di Fourier e simili — è fragile quando applicata al movimento umano reale. Le persone cambiano velocità. Le angolazioni della fotocamera si spostano. Le braccia occludono le gambe. Serve il deep learning per gestire il rumore. La domanda era: quale architettura?

Perché abbiamo scartato le LSTM

Se hai seguito un qualsiasi corso di machine learning nell'ultimo decennio, hai imparato che i dati sequenziali significano reti neurali ricorrenti. Le LSTM — Long Short-Term Memory network — erano lo standard di riferimento. Testo, audio, serie temporali — tutto passava attraverso una LSTM.

Ci abbiamo provato. Non ha funzionato. Non nel modo di cui avevamo bisogno.

I problemi erano fondamentali, non risolvibili con la messa a punto degli iperparametri. Le LSTM elaborano i dati in modo sequenziale — per calcolare cosa sta accadendo al fotogramma 100, devi prima elaborare i fotogrammi da 1 a 99. Su un telefono cellulare che gira in tempo reale, quel collo di bottiglia seriale crea una latenza che rovina l'esperienza utente. Non puoi dire a qualcuno «scendi di più» due secondi dopo che è già risalito.

Peggio ancora, le LSTM dimenticano. La loro «memoria» si degrada nelle sequenze lunghe. Una sessione di yoga di cinque minuti o una sfida di cinquanta flessioni genera migliaia di fotogrammi e, alla fine, il modello ha perso il contesto dell'inizio. Lo abbiamo interpretato come deriva — la fiducia del modello nel proprio conteggio si erodeva nel tempo, come una persona che perde il conto nella propria testa.

Ci fu una riunione di team in cui mettemmo in fila i numeri. La latenza era inaccettabile. La memoria era inaffidabile. Il costo computazionale di eseguire le LSTM su migliaia di stream aziendali simultanei era proibitivo. Qualcuno disse: «Forse dobbiamo ripensare l'intera architettura.»

Qualcun altro disse: «Forse ci servono le convoluzioni.»

Quella persona aveva ragione.

Come funziona davvero una Temporal Convolutional Network?

Le Temporal Convolutional Network — le TCN — prendono l'architettura convoluzionale che ha rivoluzionato il riconoscimento delle immagini e la applicano al dominio del tempo. Invece di far scorrere un filtro sui pixel di un'immagine, lo fai scorrere sui passi temporali di un segnale. Ma due scelte progettuali rendono le TCN radicalmente diverse da tutto ciò che le ha precedute.

Primo: le convoluzioni causali. La rete al tempo t guarda solo i dati provenienti dal tempo t e precedente. Non sbircia mai nel futuro. Sembra ovvio, ma è una garanzia matematica che conta enormemente per la verifica in tempo reale. Non stiamo decidendo retroattivamente se una ripetizione fosse valida dopo la fine della serie — la verifichiamo mentre accade.

Secondo, e questa è la parte che ancora mi entusiasma: le convoluzioni dilatate. Invece di guardare passi temporali adiacenti, la rete introduce una spaziatura tra i punti che esamina. E quella spaziatura cresce esponenzialmente a ogni livello. Il livello 1 vede fotogrammi adiacenti. Il livello 2 ne salta uno. Il livello 3 ne salta tre. Al livello 10, un singolo filtro cattura una finestra di 512 fotogrammi.

Questo significa che la rete può prestare attenzione simultaneamente a ciò che sta accadendo proprio ora — il ginocchio sta cedendo verso l'interno in questo specifico fotogramma? — e a ciò che è accaduto negli ultimi tre minuti — la periodicità del movimento si sta degradando in un modo che suggerisce affaticamento?

Una TCN con convoluzioni dilatate vede sia la fisica istantanea di un singolo fotogramma sia il contesto temporale a lungo termine di un intero allenamento. Nessun'altra architettura ti dà entrambe le cose contemporaneamente.

E poiché le convoluzioni sono operazioni parallele, non sequenziali, il tutto gira abbastanza velocemente per l'inferenza mobile in tempo reale. Anche l'addestramento è più rapido — nessun gradiente esplosivo, nessun gradiente evanescente, solo una backpropagation stabile attraverso una rete a profondità fissa.

Per l'analisi tecnica completa — inclusi i dati comparativi sulle prestazioni rispetto alle LSTM e la matematica della nostra analisi del segnale — vedi il nostro paper di ricerca.

Contare le ripetizioni senza sapere cosa sia una ripetizione

Una delle nostre prime decisioni progettuali fu controversa, persino all'interno del team.

La maggior parte delle app di fitness che tentano di contare le ripetizioni addestra un modello specifico per ogni esercizio. Un «contatore di flessioni». Un «contatore di squat». Un «contatore di curl per bicipiti». Questo significa che ogni nuovo esercizio richiede nuovi dati di addestramento, nuova etichettatura, nuovo deployment. È fragile e non scala.

Abbiamo preso una direzione diversa. Abbiamo costruito un sistema di conteggio class-agnostic basato sull'autosomiglianza temporale. L'idea: se un movimento è ripetitivo, il segnale sarà simile a se stesso a intervalli regolari. Non hai bisogno di sapere quale sia l'esercizio. Devi solo rilevare che il segnale si sta ripetendo.

La TCN mappa la sequenza di pose scheletriche in una rappresentazione compressa, poi calcoliamo la similarità tra ogni coppia di passi temporali. L'azione ripetitiva appare come un pattern visivo distinto — linee parallele di alta similarità. La distanza tra quelle linee è la durata della ripetizione. L'intensità delle linee ti dice quanto sono costanti le ripetizioni.

Questo funziona per gli squat, gli slanci con kettlebell, la vogata, i jumping jack o qualsiasi movimento riabilitativo che un fisioterapista inventerà martedì prossimo. Rileviamo la fisica della ripetizione stessa, non l'identità dell'esercizio.

Ammetto che ci fu un momento di dubbio. Un investitore mi disse: «Usa semplicemente GPT-4 con input video. Sa contare le flessioni.» Gli ho chiesto di provarci con qualcuno che facesse quarti di ripetizione a velocità variabile mentre un bambino piccolo attraversava l'inquadratura. Ha smesso di tirarlo fuori.

Cosa succede quando misuri la forma, non ti limiti a contare?

Contare è necessario ma tutt'altro che sufficiente. Qualcuno può fare cinquanta «flessioni» con un pollice di ampiezza di movimento. Il contatore sale. La fisica dice che non è successo nulla.

Abbiamo costruito tre metriche che trasformano un conteggio di ripetizioni in una valutazione della qualità.

Profondità. Tracciamo la traiettoria delle articolazioni chiave — l'anca durante uno squat, il petto durante una flessione — e applichiamo il rilevamento dei picchi al segnale filtrato dalla TCN. Una ripetizione è valida solo se lo spostamento supera una soglia biomeccanica. Non è un'opinione. È una misurazione di quanto l'articolazione si sia effettivamente spostata.

Controllo. Nell'elaborazione del segnale, il «jerk» è la derivata terza della posizione — il tasso di variazione dell'accelerazione. Un jerk elevato significa tremori, instabilità o l'uso dello slancio per barare sul movimento. Ne calcoliamo una versione normalizzata chiamata Log Dimensionless Jerk. Un punteggio alto significa che la persona è in difficoltà o si lancia attraverso la ripetizione. Nella riabilitazione e nel corporate wellness, questo è un indicatore anticipatore del rischio di infortunio.

Simmetria. Confrontiamo l'energia e la fase del segnale tra il lato sinistro e quello destro. Un indice di asimmetria rivela quando qualcuno favorisce una gamba durante uno squat — spesso un precursore di infortunio o un segno di riabilitazione incompleta. Questa metrica è impossibile da autovalutare. Non puoi sentire un'asimmetria del 12%. Ma il segnale può misurarla.

Una «Veriprajna Verified Rep» non è una casella da spuntare. È un pacchetto di dati che contiene timestamp, hash dei keypoint scheletrici, punteggio di confidenza della TCN e telemetria cinematica — profondità, velocità, jerk, simmetria. È verificabile. È immutabile. È la differenza tra un'affermazione e una prova.

L'architettura per la privacy che ha convinto i clienti aziendali a dire sì

Devo affrontare una cosa che le persone mi chiedono sempre: «State analizzando persone che fanno esercizi davanti a una telecamera. Come fa a non essere un incubo per la privacy?»

Lo sarebbe, se trasmettessimo il video in streaming al cloud. Non lo facciamo.

Il telefono esegue un pose estimator leggero sulla sua Neural Processing Unit. Questo estrae le coordinate scheletriche — solo numeri che rappresentano le posizioni delle articolazioni. Pochi kilobyte di dati. I fotogrammi video vengono scartati immediatamente. Nessun dato di pixel lascia mai il dispositivo. Ciò che viene trasmesso al nostro motore cloud (o elaborato sul dispositivo per i telefoni di fascia alta) sono dati cinematici anonimi. Numeri. Non volti.

Questa è conformità al GDPR e all'HIPAA per architettura, non per policy. I dati biometrici — il video del volto e del corpo di una persona — non vengono mai memorizzati, mai trasmessi, mai messi a rischio. Non è stato un ripensamento. Abbiamo progettato l'intero sistema attorno a questo vincolo perché sapevamo che i clienti aziendali non avrebbero toccato nient'altro.

Chi paga per la fisica?

L'economia del movimento verificato è sbalorditiva una volta che la vedi.

Assicurazioni. Gli assicuratori attualmente offrono sconti per gli abbonamenti in palestra, che verificano la posizione, non lo sforzo. Con dati di movimento funzionale verificato — cinque squat, cinque affondi, un mantenimento dell'equilibrio — un assicuratore può valutare stabilità, ampiezza di movimento e simmetria. Questi correlano fortemente con il rischio di cadute negli anziani e con la salute metabolica generale. Sottoscrizione dinamica basata sulla capacità funzionale verificata, non su tabelle attuariali statiche. L'assicuratore che lo capisce per primo conquista il mercato.

Corporate wellness. Un settore da 60 miliardi di dollari in cui le aziende pagano per risultati che non possono misurare. I dipendenti agitano i telefoni per raggiungere gli obiettivi di passi e reclamano contributi all'Health Savings Account. Con i minuti attivi verificati, la barriera alla frode diventa lo sforzo fisico. Per falsificare una flessione sul nostro sistema, dovresti sostanzialmente costruire un robot umanoide — oppure semplicemente fare la flessione.

Tele-riabilitazione. I disturbi muscoloscheletrici sono uno dei principali fattori di costo per i datori di lavoro. L'aderenza all'esercizio a domicilio è notoriamente inferiore al 50% e, quando i pazienti si esercitano, spesso usano una forma scorretta che ritarda il recupero. Una TCN che monitora gli angoli articolari prescritti offre ai clinici una dashboard di conformità verificata e di andamento della qualità. Il Remote Therapeutic Monitoring è ora un codice CPT rimborsabile negli Stati Uniti — non è speculativo. È un flusso di ricavi.

Move-to-earn, fatto bene. I progetti fitness Web3 sono falliti perché il GPS è banalmente falsificabile. Noi forniamo l'oracolo per lo sforzo fisico. Il minting di token subordinato alla verifica della TCN crea un'economia in cui l'offerta è limitata dalla capacità fisica della base utenti, non dalla creatività dei bari.

«Ma prima o poi non lo faranno gli LLM?»

Lo sento di continuo. L'assunto che, poiché i large language model continuano a migliorare, prima o poi risolveranno tutto, inclusa la verifica fisica.

Non lo faranno. E la ragione è architetturale, non una questione di scala.

Gli LLM sono progettati per produrre il più probabile token successivo. Sono probabilistici. Generano output plausibili. Nei domini creativi e amministrativi, questo è incredibilmente utile. Ma nella verifica fisica, la plausibilità è il nemico. Una diagnosi medica, un protocollo di riabilitazione, un adeguamento del premio assicurativo — questi non possono basarsi su ciò che sta probabilmente accadendo. Devono essere fondati su ciò che sta realmente accadendo.

Nessuna quantità di scaling cambia la funzione obiettivo fondamentale. Un LLM con mille miliardi di parametri sta ancora ottimizzando per la verosimiglianza, non per la verità. La nostra TCN ottimizza per la fisica di una forma d'onda — ampiezza, frequenza, fase, purezza spettrale. Queste sono misurazioni, non predizioni.

L'altra domanda che mi fanno: «Non potete semplicemente fare il fine-tuning di un modello vision-language su video di esercizi?» Si può. Ti dirà «questa sembra una flessione». Non ti dirà che la spalla sinistra sta sopportando il 15% di carico in più rispetto alla destra, che il profilo del jerk indica un'insorgenza precoce dell'affaticamento, o che la profondità della ripetizione si è degradata dell'8% negli ultimi due minuti. Ti darà un'etichetta. Noi ti diamo un'analisi del segnale.

Il settore dell'IA è ossessionato dalla generazione. Noi siamo ossessionati dalla verifica. Non sono la stessa disciplina, e confonderle è il modo in cui si finisce per calcolare i premi assicurativi sulle allucinazioni.

Il confine tra sensazioni e fisica

Ci penso molto: l'intero settore della salute digitale si trova su un lato di un confine, e la maggior parte di esso non si rende conto che il confine esista.

Da un lato c'è quella che io chiamo l'Economia delle Sensazioni. Dati autodichiarati. Conteggi di passi da dispositivi che si possono agitare. Completamenti di allenamenti da video che si possono ignorare. Dashboard che sembrano incoraggianti. Dati che sembrano corretti. Funziona finché qualcuno non li verifica, e allora evaporano.

Dall'altro lato c'è ciò che stiamo costruendo: l'Economia della Fisica. Movimento verificato. Spostamento misurato. Controllo quantificato. Asset verificabili. Dati che sopravvivono allo scrutinio perché non sono mai stati basati sulla fiducia in primo luogo.

La transizione tra queste due economie non è incrementale. Non arrivi al 60% del percorso verso la fisica aggiungendo un contatore di passi al tuo lettore video. O misuri la forma d'onda o no. O verifichi la ripetizione o ti fidi della parola dell'utente.

Ogni azienda con cui parliamo — ogni assicuratore, ogni acquirente di corporate wellness, ogni piattaforma di tele-riabilitazione — arriva alla fine alla stessa consapevolezza. Hanno pagato per sensazioni chiamandole dati. Nel momento in cui vedono davvero come sono fatti i dati di movimento verificato, non possono più tornare indietro.

Ho fondato Veriprajna perché credevo che il problema di IA più importante di questo decennio non sia generare testo migliore. È verificare la realtà fisica. Ogni mese che passa, ogni nuovo wrapper di LLM che viene lanciato, ogni app di fitness che rilascia l'ennesimo lettore video con un sistema di badge — ne divento più certo.

Il futuro dell'IA per la salute non sono chatbot più intelligenti. È la misurazione onesta. E la fisica non ha allucinazioni.