Fitness AI: Sinh viên FPT Aptech phát triển nền tảng AI cá nhân hóa hành trình tập luyện

Từ những khó khăn quen thuộc của người mới bắt đầu tập luyện, nhóm sinh viên FPT Aptech đã phát triển Fitness AI – nền tảng Web Full-stack ứng dụng Trí tuệ nhân tạo để hỗ trợ đánh giá thể trạng, xây dựng lịch tập, theo dõi tiến độ và gợi ý dinh dưỡng theo nhu cầu cá nhân.

Fitness AI: Khi bài toán tập luyện trở thành một sản phẩm công nghệ

Bắt đầu tập gym hoặc tập luyện tại nhà, người mới thường phải đối mặt với nhiều câu hỏi: Nên tập bài gì? Sắp xếp lịch tập như thế nào? Ăn uống ra sao để tăng cơ hoặc giảm mỡ? Khi cơ thể mệt mỏi thì có nên tiếp tục tập?

Xuất phát từ những nhu cầu thực tế đó, Nhóm 02 lớp T3.2603.E0 gồm Lương Xuân Phúc, Đỗ Thành Danh, Nguyễn Đức Nghĩa và Bùi Hoàng Thiên đã thực hiện đồ án Fitness AI trong học kỳ 1.

Thay vì xây dựng một website chỉ cung cấp video bài tập, nhóm định hướng Fitness AI trở thành một AI Personal Trainer – trợ lý huấn luyện viên cá nhân ảo, hỗ trợ người dùng từ bước đánh giá thể trạng ban đầu đến việc xây dựng kế hoạch và theo dõi quá trình tập luyện.

Đưa AI vào sâu trong quy trình cá nhân hóa

Điểm nổi bật của Fitness AI nằm ở việc nhóm không chỉ tích hợp AI dưới dạng chatbot mà đưa AI vào nhiều chức năng của sản phẩm.

Phân tích và đánh giá thể trạng

Fitness AI hỗ trợ tính toán BMI tự động, đồng thời phân tích thông tin về mục tiêu tập luyện và hình ảnh thể trạng từ nhiều góc độ như chính diện, nghiêng và sau lưng.

Những dữ liệu này được sử dụng để tạo ra góc nhìn tổng quan hơn về tình trạng cơ thể, từ đó làm cơ sở cho việc xây dựng kế hoạch tập luyện.

Xây dựng lịch tập linh hoạt

Thay vì áp dụng một lịch tập cố định, Fitness AI cho phép người dùng chủ động đăng ký những ngày bận.

Khi bỏ lỡ một buổi tập, hệ thống có thể tự động điều chỉnh và chuyển lịch sang ngày trống tiếp theo. Cách tiếp cận này giúp kế hoạch tập luyện thích ứng tốt hơn với lịch sinh hoạt của từng người dùng.

Cảnh báo tập luyện dựa trên giấc ngủ

Fitness AI còn xây dựng cơ chế cảnh báo dựa trên thời lượng ngủ. Khi người dùng ngủ dưới 8 tiếng, hệ thống sẽ đưa ra khuyến nghị chuyển từ các bài tập nặng sang bài giãn cơ hoặc tập kỹ thuật nhẹ nhàng, nhằm hạn chế việc tập luyện quá sức.

Hỗ trợ dinh dưỡng và AI PT Chatbot

Bên cạnh lịch tập, Fitness AI hỗ trợ ước tính calo món ăn, gợi ý thực đơn và cung cấp AI PT Chatbot để giải đáp các câu hỏi liên quan đến kỹ thuật tập luyện và phục hồi.

Nhờ đó, sản phẩm hướng đến việc hỗ trợ người dùng ở nhiều khía cạnh thay vì chỉ tập trung vào một thư viện bài tập.

AI Fallback: Chủ động giải quyết bài toán phụ thuộc API

Trong quá trình phát triển và bảo vệ đồ án, nhóm cũng phải xử lý bài toán phụ thuộc vào Gemini API.

Để sản phẩm vẫn có thể vận hành khi không có API key thực tế, nhóm đã xây dựng cơ chế AI Fallback (Chế độ Demo). Khi API bên ngoài không khả dụng, hệ thống chuyển sang sử dụng các tập luật đã được chuẩn hóa sẵn.

Đây là một giải pháp giúp nhóm duy trì khả năng trình diễn các chức năng AI của Fitness AI trong những điều kiện khác nhau.

Kiến trúc Full-stack và hệ thống phân quyền 3 cấp độ

Fitness AI được xây dựng theo mô hình Full-stack, với các công nghệ chính gồm:

• Frontend: ReactJS – xây dựng giao diện responsive và tối ưu trải nghiệm người dùng.
• Backend: Node.js & Express – xây dựng RESTful API, xử lý logic nghiệp vụ và phân quyền.
• Database: MongoDB – lưu trữ dữ liệu tài khoản, bài tập và nội dung blog.

Hệ thống được chia thành 3 nhóm người dùng:

• Visitor: Có thể trải nghiệm nhanh các tính năng như đánh giá BMI, nhận cảnh báo giấc ngủ, tra cứu calo món ăn và xem video bài tập.
• Member: Có thể quản lý hồ sơ cá nhân, tạo và điều chỉnh kế hoạch AI, đồng thời theo dõi nhật ký tập luyện, lượng nước và giấc ngủ.
• Admin: Sử dụng bảng điều khiển để quản lý thư viện video, bài viết blog và danh sách thành viên.

Cách phân quyền này giúp nhóm tổ chức rõ ràng các luồng chức năng và vai trò trong hệ thống.

Từ những bài toán kỹ thuật đến kinh nghiệm phát triển sản phẩm

Để hoàn thiện Fitness AI, nhóm phải giải quyết nhiều vấn đề phát sinh trong quá trình phát triển.

Một trong số đó là xử lý hình ảnh thể trạng. Hình ảnh người dùng tải lên có thể thiếu sáng hoặc không đúng góc độ, vì vậy nhóm bổ sung bước đối soát giữa thông số BMI được nhập và hình ảnh thực tế trước khi AI đưa ra kết luận.

Với thư viện bài tập, mỗi video được gắn nhãn theo nhóm cơ, trình độ và loại bài tập, giúp hệ thống có cơ sở để lọc và đề xuất nội dung phù hợp với lịch tập cá nhân.

Bên cạnh đó, nhóm cũng chú trọng UX/UI bằng cách chia hệ thống thành các khu vực chức năng rõ ràng như Dashboard, Kế hoạch AI, Thư viện, Blog và Trợ lý AI, giúp người dùng dễ dàng tìm kiếm và sử dụng tính năng.

Fitness AI thể hiện tư duy phát triển phần mềm từ học kỳ đầu tiên

Dù được thực hiện trong học kỳ 1, Fitness AI cho thấy nhóm đã tiếp cận dự án theo quy trình tương đối đầy đủ, từ phân tích yêu cầu, thiết kế hệ thống, lập trình Full-stack đến xây dựng Test case và README.

Điểm đáng chú ý của đồ án không chỉ nằm ở số lượng tính năng mà còn ở cách nhóm tìm cách giải quyết những vấn đề phát sinh trong quá trình xây dựng sản phẩm, từ độ chính xác của dữ liệu đầu vào, khả năng thích ứng của lịch tập đến phương án dự phòng khi API không khả dụng.

Tiếp tục hoàn thiện Fitness AI trong tương lai

Sau phiên bản hiện tại, nhóm dự kiến tiếp tục phát triển Fitness AI với một số định hướng như đồng bộ dữ liệu tiến độ lên Cloud MongoDB, tích hợp cổng thanh toán thực tế và nâng cấp mô hình AI để phân tích, so sánh vóc dáng trước và sau quá trình tập luyện.

Từ một ý tưởng xuất phát từ nhu cầu tập luyện cá nhân, Fitness AI đã trở thành một bài toán để sinh viên thực hành nhiều khía cạnh của phát triển phần mềm: Frontend, Backend, Database, AI, phân quyền, xử lý dữ liệu và trải nghiệm người dùng. Đây cũng là cách những kiến thức được học trong chương trình FPT Aptech được đưa vào một sản phẩm có bài toán và đối tượng sử dụng cụ thể.

Lê Mộng Thuý – Giảng viên FPT Aptech