Menu
Eén platform verbindt adaptieve planning, live feedback op oefeningen, voeding, gezondheidsgegevens, analyses en AI-coaching.
Persoonlijke fitnessplannen beginnen vaak met algemene aanbevelingen die niet kunnen inspelen op iemands doelen, lichamelijk profiel of werkelijke trainingsregelmaat. Het bedrijf wilde een mobiele ervaring die training en voeding kon personaliseren en gebruikers tussen sessies betrokken hield.
Ik leidde het project van klantcommunicatie tot technische oplevering. Ik vertaalde productfeedback naar specificaties, coördineerde de mobiele, backend- en QA-teams, gaf wekelijkse demonstraties en ontwikkelde het op Python gebaseerde systeem voor oefeningregistratie.
Het voltooide platform combineert adaptieve trainingsschema's, maaltijdplanning, houding- en herhalingsdetectie via de camera, fitnessanalyses, ingeplande herinneringen, vastenhulpmiddelen, gezondheidskoppelingen en een AI-coach die tot zijn vakgebied beperkt blijft.
Opmerking over vertrouwelijkheid: Namen van klanten en bedrijven zijn omwille van vertrouwelijkheid gewijzigd of weggelaten. Het werk, mijn rol en de projectomvang zijn echt.
Het aanmelden moest persoonlijke doelen, voorkeuren en lichaamsscangegevens omzetten in een werkbaar fitnessplan.
Combineert voorkeuren uit het aanmelden, fitnessdoelen en uitkomsten van de lichaamsscan om persoonlijke trainingsaanbevelingen te ondersteunen.
De telefooncamera moest lichaamsbeweging herkennen, de houding tijdens de oefening beoordelen en herhalingen tellen tijdens actieve sessies.
Een Python-programma ontwikkeld met MediaPipe en OpenCV om lichaamspunten te volgen, bewegingshoeken te berekenen, de houding te detecteren en herhalingen te tellen.
De aanbevelingen voor de volgende week moesten rekening houden met voltooide trainingen, frequentie en eerdere prestaties, in plaats van een vast schema te herhalen.
Verbindt trainingstrouw met wekelijkse aanpassingen van het schema en ondersteunt daarbij persoonlijke maaltijden, vasten, calorieschatting en het scannen van voedsel.
De AI-functies moesten binnen het fitnessdomein blijven en tegelijk praktische toegang afwegen tegen de kosten van modelgebruik.
Google Gemini-modellen gekoppeld voor scan- en coachfuncties, interacties beperkt tot de fitnesslogica van de applicatie en praktische gebruikslimieten toegepast.
De mobiele ervaring is gebouwd met Compose Multiplatform. NestJS en PostgreSQL droegen de API's en gegevens van de applicatie, terwijl Google Gemini-modellen de ervaringen rond lichaam, voeding, planning en coaching aandreven.
De realtimedetectie van oefeningen liep via een apart Python-programma met MediaPipe en OpenCV. Het interpreteerde lichaamspunten en gewrichtshoeken om beweging te herkennen, de houding te toetsen aan het verwachte oefengedrag en herhalingen te tellen.
Als projectleider beheerde ik de klantrelatie, de wekelijkse demonstraties, het vertalen van feedback, de technische specificaties, de implementatiestrategie, de teamcoördinatie en het toezicht op de oplevering over mobiel, backend, AI en QA.
De AI-functies gaven het platform het gevoel van een persoonlijke coach voor iemand die alleen traint, en niet van zomaar weer een fitness-app. De wekelijkse trainingsplanning, het tellen van herhalingen, de houdingsaanwijzingen en de grenzen rond die AI-ervaringen verrasten en overtuigden ons het meest.
De identiteit van de klant is vertrouwelijk. Deze samenvatting geeft mondelinge feedback weer die met Muhammad en het projectteam is gedeeld.
Vertel me wat je bouwt of verbetert, dan help ik je een praktische volgende stap te bepalen.
Nog geen reacties. Deel als eerste je gedachten.
Inzichten over webontwikkeling en over producten bouwen die echt live gaan.