Google-ის SensorFM: როგორ აქცევს AI ქაოტურ სენსორულ მონაცემებს ჯანმრთელობის უნივერსალურ ენად

ჯანმრთელობის ტექნოლოგიების ახალი ერა

Google Research-მა წარმოადგინა SensorFM — ფუნდაციური AI მოდელი, რომელიც ცვლის იმას, თუ როგორ აღიქვამენ ჭკვიანი საათები და ფიტნეს ტრეკერები ადამიანის ჯანმრთელობას. ეს არის პირველი მასშტაბური მცდელობა, რომ ქაოტური, არათანმიმდევრული სენსორული მონაცემები ერთიან, უნივერსალურ ჯანმრთელობის ინტელექტის ფენად იქცეს.

დღეს უმეტესი ჯანმრთელობის ფუნქცია ჭკვიან საათებზე მხოლოდ ერთ კონკრეტულ ამოცანას ემსახურება. ერთი მოდელი აღმოაჩენს ძილის ფაზებს, მეორე აფასებს გულ-სისხლძარღვთა რისკებს, მესამე კი სტრესის დონეს ზომავს. Google-ს სურს ეს ფრაგმენტული მიდგომა ერთიანი AI ფუნდამენტით ჩაანაცვლოს, რომელსაც ყველა კითხვაზე პასუხის გაცემა შეეძლება.

რა არის SensorFM?

SensorFM (Sensor Foundation Model) არის Google Research-ის მიერ შექმნილი ფუნდაციური მოდელი, რომელიც სწავლობს ადამიანის ფიზიოლოგიისა და ქცევის გენერალურ წარმოდგენას ტარებადი მოწყობილობების სენსორების მონაცემებზე დაყრდნობით. მოდელი გაწვრთნილია 5 მილიონი Fitbit და Pixel Watch მომხმარებლის 1 ტრილიონ წუთზე მეტ მულტიმოდალურ მონაცემზე.

გამოყენებულია ხუთი ტიპის სენსორი: PPG (ფოტოპლეთისმოგრაფია) — გულისცემისა და სისხლის ჟანგბადისთვის; აქსელერომეტრი — მოძრაობისა და ფიზიკური აქტივობისთვის; კანის გამტარობის სენსორი — სტრესისა და აღგზნების დონისთვის; ტემპერატურის სენსორი — სხეულის ტემპერატურის ცვლილებებისთვის; ბარომეტრული სიმაღლის სენსორი — სართულებისა და ამინდის ცვლილებებისთვის.

SensorFM-ის მუშაობის პრინციპი

SensorFM იყენებს AI-ში ცნობილ მეთოდს, რომელსაც ეწოდება Masked Modeling. წარმოიდგინეთ, რომ მოდელს ვაჩვენებთ მხოლოდ მონაცემთა ნაწილს და ვთხოვთ, იწინასწარმეტყველოს დანარჩენი. ეს აიძულებს მოდელს, გაიგოს სენსორის მონაცემების ღრმა სტრუქტურა.

Google-მა გამოიყენა AIM (Attentive Imputation Module) — მოდულის მსგავსი მიდგომა, რომელიც მონაცემთა უწყვეტობას უზრუნველყოფს. AIM-ის გარეშე, მოდელი ეყრდნობა მხოლოდ 21%-იან მონაცემთა სიმკვრივეს, მაგრამ AIM-ის ჩართვით, მოდელი წვდება 80%-იან სიმკვრივეს.

ტრენინგის პროცესში SensorFM-მა ისწავლა ფარული წარმოდგენები, რომლებიც იმდენად ზუსტია, რომ მათი გამოყენება 35 სხვადასხვა ჯანმრთელობისა და ქცევითი ამოცანისთვისაა შესაძლებელი — გულ-სისხლძარღვთა რისკის შეფასებიდან დაწყებული, ძილის ხარისხის განსაზღვრით დამთავრებული.

შედეგები: 34 35-დან

SensorFM-ის ყველაზე მნიშვნელოვანი მიღწევა მისი წარმოდგენის ფართო გამოყენებადობაა. Google-ის მკვლევარებმა მოდელი გამოსცადეს 35 სხვადასხვა ჯანმრთელობისა და ქცევითი ამოცანისთვის. შედეგი: 34 ამოცანაში SensorFM-მა აჯობა ან გაუთანაბრდა საუკეთესო არსებულ მიდგომებს.

ეს შედეგი განსაკუთრებით მნიშვნელოვანია იმიტომ, რომ ყველა ეს ამოცანა წინა მიდგომებში მოითხოვდა ცალკე მოდელის შექმნასა და ტრენინგს. SensorFM კი ერთი მოდელით, ერთი ტრენინგით წყვეტს მათ.

იმ ერთადერთ ამოცანაში, სადაც SensorFM-მა ვერ გაუსწრო — ზუსტი ნაბიჯების დათვლა — გამარჯვებული მოდელიც SensorFM-ის მსგავსი ტრენინგის მეთოდით იწვრთნებოდა, რაც მიდგომის ეფექტურობას კიდევ უფრო ადასტურებს.

პრაქტიკული გამოყენება: Gemini Health-თან ინტეგრაცია

Google-მა SensorFM ინტეგრირებული აქვს Gemini AI ასისტენტის ჯანმრთელობის ფუნქციებში. Gemini-ს მომხმარებლებს შეუძლიათ დაუსვან ბუნებრივი ენით კითხვები მათი ჯანმრთელობის შესახებ — სისხლში ჟანგბადის დონის ცვლილებები, ძილის ხარისხის ანალიზი, ფიზიკური აქტივობის ტენდენციები.

შეზღუდვები

SensorFM ამჟამად მუშაობს მხოლოდ Fitbit-ისა და Pixel Watch-ის მონაცემებზე. მონაცემები წუთობრივი სიხშირით ფიქსირდება, ვიდრე წამის ზუსტი სიხშირით. ჯანმრთელობის მრავალი მარკერი ეყრდნობა მომხმარებლის თვითმოხსენებას, რაც გარკვეულ უზუსტობას ქმნის.

ქართული პერსპექტივა

საქართველოში ჭკვიანი საათების გამოყენება სულ უფრო იზრდება. SensorFM-ის მსგავსი AI მოდელები მომხმარებლებს მისცემს ჯანმრთელობის უფრო ღრმა ანალიზის შესაძლებლობას. SiTech-ში ჩვენ ყურადღებით ვადევნებთ თვალს ხელოვნური ინტელექტის განვითარებას ჯანდაცვაში.

დასკვნა

Google-ის SensorFM წარმოადგენს მნიშვნელოვან წინგადადგმულ ნაბიჯს AI-ზე დაფუძნებული ჯანმრთელობის მონიტორინგში. 34 35-დან — ეს შედეგი ადასტურებს, რომ ფუნდაციური მოდელები მზად არის შეცვალონ ჯანმრთელობის ტექნოლოგიები.