AI 与 IoT 之间差的是数据？揭秘 Keep 快速入局 AIoT 的三大绝招

如今，移动互联网时代正式迎来拐点，以 AI+IoT 为技术基础的智能物联网为人们的生活带来越来越多的便利和变化。在这个发展过程中，运动健身自然也贴上了 AI 的印记。

Keep 在 2018 年就已开始布局 AI，成立至今，Keep 实现了用户从万到亿级的飞跃。作为科技行业的后起之秀，Keep 是如何在大浪淘沙的 IoT 环境下，打通 Keep App、智能硬件及运动空间的壁垒，构建完善的运动生态，实现运动科技行业的破局？Keep 在 AI+IoT 的布局是如何？带着疑问，InfoQ 记者参加了 5 月 25 日在北京举办的【Keep 技术开放日·攻城狮智能运动体验专场】，并根据 Keep 技术 VP 彭跃辉、Keep 人工智能研究院 CV 项目负责人乔伟、Keep 硬件系统部负责人刘煦的现场分享及专访，整理了部分实录。

数据是个体力活，但缺乏大数据的支撑，AIoT 犹如“无源之水”

过去的两年是 AI 与 IoT 井喷式爆发的两年。

但同时出现的，是一种极不合理的相反态势：AI 技术赖以生存的基础——大数据的发展却远不及预期。

在运动科技领域，国内运动大数据级别大多处于初、中级极端，硬件技术及算法等客观条件的制约限制了运动大数据的升级。但作为一家数据驱动型公司，数据对于 Keep 的重要性不言而喻。面对大数据技术在数据采集、存储分析及流数据处理等维度的应用和发展，我们构建了自身的数据平台架构，精准分析用户画像系统以及 AI 系统。

首先，基于自身业务需求，我们将所有业务场景的数据进行汇总，打造了一套完整的数据平台。数据平台主要分为五层：数据采集，将 APP 、硬件、线下空间等全域数据打通并串联；数据管理，管理 Keep 所有的数据资产，建立以业务为核心的数据仓库，并在数仓的基础上设置分级的数据安全管理和数据脱敏；数据存储分析，将所有部门对数据的应用和理解进行共享，解决企业经营信息不对称的问题，其主要分为基于 Spark、Hive、Impla/Kudu 等开源工具的离线计算和基于 Storm、Flink、Kylin/Druid 等组件的实时计算；数据输出，主要输出 A/B 测试、用户画像、用户生命周期和风险控制等数据产品；数据变现，包括程序化广告以及个人运动数据分析。

但是，数据平台的建设并不是一蹴而就的事情，我们也经历了很长时间的迭代。

• 一开始，我们会通过建立标准、扩展性好的 SDK 将不同业务的数据汇集，并依次建立数据平台需要的各个组件。

• 接着需要建立比较完备的管理系统进行数据标准的统一，包括埋点的标准化、指标体系的标准化以及数据应用的标准化。

• 最后，通过数据分析和算法讲数据的价值赋能给业务，形成闭环。

有了数据平台的支撑，接下来就是如何深入了解用户。

大家都知道精细化运营是目前企业发展的重要竞争力，特别是对于以用户为导向的 Keep，及时响应、满足用户的需求，建立良好的用户体系显得极为重要。因此，在数据平台的支撑下，我们利用 AI 结合 Keep APP 应用及智能硬件采集的数据，建立“用户画像”体系，为用户提供更丰富的运动体验。

我们对用户的社会学属性，运动偏好等也有精确的理解。我们有不同的运动品类和不同的载体，通过这些品类和载体中能了解更多的用户运动偏好数据，帮助我们更好地改进产品，提供更完善的智能训练计划功能。

下图是我们的智能训练计划功能，通过对用户运动能力的预测，包括用户主观的「自我评估」和客观的「运动能力测试」，结合智能算法针对性地给用户推导计算出适合他的运动方案。在此过程中，主观的自我评估可以让我们了解到用户的一些运动习惯和运动行为，客观的运动能力测试可以精准获得用户运动能力。两者内容的综合，就可以判断出用户的运动需求、运动条件、运动水平、运动偏好等一系列信息。

同时，我们发现，用户的运动能力是多样化的，用户在运动能力的成长方向也是多样化的，可能是横向能力的部分成长，也可能是纵向综合能力的提升。对此，我们还可对用户成长路径进行规划，建立了“蜂巢结构”。“蜂巢结构”中的每一格，代表的是一群特定用户的运动画像，当用户行为发生变化，他所处的蜂巢位置将会发生变化，训练计划也将会相应改变。

之前，Keep 原有的训练课程是人工编排的。在智能化的过程中，后续我们打造了一套课程自动生成系统，能够自动地从动作生成一个课程，并根据动作的性别、难度、肌肉点、姿态、容量、休息时长等特征，制定了一些列的课程生成规则，通过规则生成、筛选出符合逻辑的训练课程。然后结合用户画像和课程画像， 就能为用户动态生成个性化的智能训练计划，截至到目前 Keep 已经为 100w 用户定制超过 200w 个训练计划。

此外，我们在训练过程跟踪和即时反馈上也一直在探索。在硬件上，我们实现了手环的动作识别和动作打分算法，利用硬件的传感器和心率得到更多用户的反馈；在视觉上， 通过摄像头来监测和识别用户的关节点，通过关节点的运动轨迹来给用户更多的反馈；在 App 上，我们及时地为用户调节训练的节奏，在训练过程中用户在遇到某个不适合的动作或身体情况变化时，及时地为用户做进退阶、或者跳过这个动作。

为了让用户更能坚持，我们还把具体相同或者相似特点的人聚集起来，相互激励和相互扶持，让运动不再枯燥。

根据打造的用户画像和课程画像系统，并在数据以及内容驱动的人工智能方式下，我们取代了过去由健身教练组织健身课程的人工方法，建立了以内容和数据为核心的运动科技生态。

运动科技与 IoT 的结合与破局

当前，在 IoT 的影响下，运动和设备有着自然紧密的结合。但是我们发现，用户严重的碎片化认知是需要解决的关键问题。

用户碎片化认知的形成主要因为两点：一方面是 IoT 的复杂多样性不能让用户有全面的了解；另一方面是 IoT 比移动互联网多一个数量级导致了各种兼容性的问题。对此，在技术方面，我们建立了多通道的通讯模型，通过 WIFI、蓝牙等不同的方式连接到手机上，屏蔽底层的复杂性，不需要让用户理解链接的多样性；在产品方面，通过用户的交互以及统一的内容体验，直接带领用户跟随 APP 运动。

同时，为了依靠优质的技术特点、产品功能，快速吸引用户，占领市场，我们还 积极布局手环、体脂称、跑步机等智能硬件，触及了以手机摄像头为载体的机器视觉方面，通过手机摄像头的视觉反馈对用户动作进行识别和分析，从而给用户更多运动指导，使用户的运动体验得到更多提升。

以人体关键点识别以及动作打分为例，目前，对人体关节点或关键点定准定位、以及对人体大动作等复杂场景的追踪和监测等已成为很多企业攻克 AI 落地应用的突破口。那么，Keep 如何通过 AI 解决高精度人体姿态识别的问题呢？

我们设计了自下而上的特征迁移架构，解决高精度的人体姿态识别问题。整体解决思路是这样的：通过深度学习技术，我们会在在图片或视频里抽取出人体相关的一些关节点，基于 video to video 的方式，把光流信息应用到网络中，解决同一关节点的时序平滑问题。并通过运动传感器，配合 AI 算法及 Keep 的动作库和数据模型，在捕捉用户动作轨迹的同时进行标准度打分和指导。比如深蹲动作，有时候人在做这个动作的时候左右是不是平衡的，或者深蹲的幅度不够，或者身体不在一个竖直面上，我们会通过关节点运动的轨迹来判断动作是不是标准的，然后给用户正确的参考与指导，避免受伤。

另外，跑步路线作为基于 Keep 智能硬件的创新技术之一，它会根据用户跑步的轨迹自动生成一些路线，当用户到一个陌生城市时，打开 Keep 就能看到有哪些地方适合跑步。这个新功能里面主要用到的一项技术是，怎么把路线生成出来。路线是三维点集聚合的问题，我们用了很多不同的策略来优化。除此之外我们现在路线有几万条，怎么能让匹配更快是我们要解决的问题，我们通过算法模型找到一个跟用户轨迹最匹配的一条路线。如果用户按照 Keep 推荐的路线去跑步，这个创新功能可以判断用户的跑步轨迹和推荐路线的相似度是多少。

Keep AI+IoT 的未来

最后说说 Keep 在 AI+IoT 的战略，因为也会有很多人问我们，如何看待 AI 与 IoT 的关系。

那么对于 Keep 来说，我们认为万物相连的物联网、大数据、及人工智能三者是相互协同，缺一不可的关系。

在今后，Keep 将基于 IoT、AI 以及大数据做更多的结合，贴近用户生活，打造娱乐化的运动体验，并把更多的算法落地在 IoT 的设备上，让用户真实感觉到 Keep 的训练计划是有效的、个性化的。同时，将内容与 IoT 场景更加深入，通过平台整合及硬件加持，传递给用户最准确的信息。

当前，运动领域的智能化已拉开序幕，作为运动行业的领军者，Keep 将持续构建科技互联下的运动生态， 带领全世界的人一起科学运动。相信，在不久的将来我们就会得知答案。

我们一起期待着。