Menu
Uma plataforma liga planeamento adaptativo, feedback em direto sobre o exercício, nutrição, dados de saúde, análises e treino com IA.
Os planos de fitness pessoais começam muitas vezes com recomendações genéricas, incapazes de responder aos objetivos de uma pessoa, ao seu perfil físico ou à regularidade real do treino. A empresa queria uma experiência móvel capaz de personalizar treino e nutrição, mantendo as pessoas envolvidas entre sessões.
Liderei o projeto desde a comunicação com o cliente até à entrega técnica. Traduzi o feedback de produto em especificações, coordenei as equipas de mobile, backend e QA, apresentei demonstrações semanais e desenvolvi o sistema de registo de exercícios baseado em Python.
A plataforma concluída junta planos de treino adaptativos, planeamento de refeições, deteção de postura e repetições por câmara, análises de fitness, lembretes agendados, ferramentas de jejum, integrações de saúde e um treinador de IA circunscrito ao seu domínio.
Nota de confidencialidade: Os nomes de clientes e empresas foram alterados ou omitidos por confidencialidade. O trabalho, o meu papel e o âmbito do projeto são reais.
A entrada tinha de transformar objetivos pessoais, preferências e dados da leitura corporal num plano de fitness praticável.
Combina preferências de entrada, objetivos de fitness e resultados da leitura corporal para sustentar recomendações de treino personalizadas.
A câmara do telemóvel tinha de reconhecer o movimento do corpo, avaliar a postura no exercício e contar repetições durante as sessões.
Desenvolvimento de um programa em Python com MediaPipe e OpenCV para seguir pontos do corpo, calcular ângulos de movimento, detetar a postura e contar repetições.
As recomendações da semana seguinte tinham de considerar treinos concluídos, frequência e desempenho anterior, em vez de repetir um plano fixo.
Liga a assiduidade ao treino aos ajustes semanais do plano, apoiando refeições personalizadas, jejum, estimativa de calorias e leitura de alimentos.
As funcionalidades de IA tinham de manter-se centradas no domínio do fitness, equilibrando o acesso prático das pessoas com o custo de utilização dos modelos.
Integração dos modelos Google Gemini para as funcionalidades de leitura e treino, interações restritas à lógica de fitness da aplicação e limites de utilização práticos.
A experiência móvel foi construída com Compose Multiplatform. NestJS e PostgreSQL sustentaram as APIs e os dados da aplicação, enquanto os modelos Google Gemini alimentavam as experiências de corpo, alimentação, planeamento e treino.
A deteção de exercícios em tempo real corria num programa Python dedicado com MediaPipe e OpenCV. Interpretava pontos do corpo e ângulos articulares para identificar o movimento, avaliar a postura face ao comportamento esperado e contar repetições.
Como responsável de projeto, geri a relação com o cliente, as demonstrações semanais, a tradução do feedback, as especificações técnicas, a estratégia de implementação, a coordenação da equipa e o acompanhamento da entrega em mobile, backend, IA e QA.
As funcionalidades de IA fizeram a plataforma parecer um treinador pessoal para quem treina sozinho, e não mais uma app de fitness. O planeamento semanal, a contagem de repetições, as indicações de postura e os limites em torno dessas experiências de IA foram o que mais nos surpreendeu e impressionou.
A identidade do cliente é confidencial. Este resumo reflete comentários verbais partilhados com o Muhammad e a equipa do projeto.
Diga-me o que está a construir ou a melhorar e ajudo-o a definir um próximo passo prático.
Ainda não há comentários. Seja o primeiro a partilhar a sua opinião.
Ideias sobre desenvolvimento web e sobre construir produtos que chegam mesmo a sair.