Google-এর SensorFM: সার্বজনীন স্বাস্থ্য বুদ্ধিমত্তার জন্য একটি ফাউন্ডেশন মডেল

Google Research SensorFM উন্মোচন করেছে, যা একটি যুগান্তকারী ফাউন্ডেশন মডেল। এটি বিচ্ছিন্নভাবে থাকা ওয়্যারেবল সেন্সর ডেটাকে স্বাস্থ্য বুদ্ধিমত্তার একটি সমন্বিত স্তরে রূপান্তরিত করার জন্য ডিজাইন করা হয়েছে। বিশাল ডেটাসেট ব্যবহারের মাধ্যমে, এই মডেলটি শুধুমাত্র একক-উদ্দেশ্যমূলক ট্র্যাকিংয়ের ঊর্ধ্বে গিয়ে মানুষের শারীরবৃত্তীয় অবস্থা এবং আচরণের একটি ব্যাপক ধারণা প্রদান করে।

বিচ্ছিন্ন ওয়্যারেবল মেট্রিক্সের ঊর্ধ্বে উত্তরণ

বর্তমান ওয়্যারেবল প্রযুক্তি সাধারণত একটি "সিলোড" (siloed) বা বিচ্ছিন্ন পদ্ধতিতে কাজ করে: একটি অ্যালগরিদম ঘুমের পর্যায় শনাক্ত করে, অন্যটি হৃদরোগের ঝুঁকি অনুমান করে এবং তৃতীয়টি মানসিক চাপের (stress) ওপর নজর রাখে। এই খণ্ডিত স্থাপত্যটি অদক্ষ এবং ব্যবহারকারীর স্বাস্থ্যের একটি সামগ্রিক চিত্র প্রদান করতে হিমশিম খায়।

SensorFM-এর লক্ষ্য হলো এই বিচ্ছিন্ন মডেলগুলোর পরিবর্তে একটি সাধারণ AI ফাউন্ডেশন ব্যবহার করা। এটি ক্রমাগত, প্রায়শই "গ্যাপযুক্ত" বা অসম্পূর্ণ সেন্সর ডেটা প্রসেস করার জন্য ডিজাইন করা হয়েছে যাতে স্বাস্থ্য সংক্রান্ত বিস্তৃত প্রশ্নের উত্তর দেওয়া যায়। এই পরিবর্তনটি ব্যক্তিগতকৃত AI স্বাস্থ্য সহকারী তৈরির সুযোগ করে দেয়, যাদের ব্যবহারকারীর শারীরবৃত্তীয় অবস্থার সম্পর্কে গভীর প্রাসঙ্গিক জ্ঞান থাকে।

বিশাল স্কেল এবং মাল্টিমোডাল ডেটা ইন্টিগ্রেশন

ওয়্যারেবল ক্ষেত্রে SensorFM-এর প্রিট্রেনিংয়ের স্কেল বা পরিধি নজিরবিহীন। Google গবেষকরা ১০০টিরও বেশি দেশের ৫০ লক্ষ Fitbit এবং Pixel Watch ব্যবহারকারীর কাছ থেকে সংগৃহীত এক ট্রিলিয়নেরও বেশি মিনিটের মাল্টিমোডাল সেন্সর ডেটা ব্যবহার করেছেন। এই ডেটাসেটটি এই ধরনের মডেল প্রশিক্ষণের জন্য ব্যবহৃত এ যাবৎকালের বৃহত্তম এবং সবচেয়ে বৈচিত্র্যময় ওয়্যারেবল ডেটা সংগ্রহ।

মডেলটি পাঁচটি মূল সেন্সর টাইপ থেকে প্রাপ্ত ৩৪টি স্বতন্ত্র বৈশিষ্ট্য (features) প্রসেস করে:

• Optical Heart Rate Monitoring (PPG): হার্ট রেট এবং হার্ট রেট ভ্যারিয়েবিলিটি ট্র্যাক করা।
• Acceleration: শারীরিক নড়াচড়া এবং গতি পর্যবেক্ষণ করা।
• Skin Conductance: শারীরবৃত্তীয় প্রতিক্রিয়া পরিমাপ করা।
• Skin Temperature: তাপমাত্রার পরিবর্তন ট্র্যাক করা।
• Barometric Altitude: উচ্চতার পরিবর্তন শনাক্ত করা।

ওয়্যারেবল ডেটার সহজাত "নয়েজ" (noisiness) বা অস্থিরতা মোকাবিলা করতে, SensorFM "Adaptive and Inherited Masking" (AIM) নামক একটি কৌশল ব্যবহার করে। এটি মডেলটিকে প্রকৃতভাবে অনুপস্থিত ডেটা পয়েন্ট এবং প্রশিক্ষণের সময় কৃত্রিমভাবে মাস্ক করা ডেটা পয়েন্টের মধ্যে পার্থক্য করতে সাহায্য করে, যা একে অসম্পূর্ণ ডেটা স্ট্রিম পুনর্গঠন এবং বুঝতে সক্ষম করে তোলে।

৩৫টি স্বাস্থ্য সংক্রান্ত কাজে উন্নত পারফরম্যান্স

মানসিক স্বাস্থ্য, হৃদরোগের স্বাস্থ্য, মেটাবলিক মার্কার এবং ঘুমসহ ৩৫টি ভিন্ন ভিন্ন প্রেডিকশন টাস্কের কঠোর পরীক্ষায় SensorFM অসাধারণ বহুমুখিতা প্রদর্শন করেছে। প্রায় ১৪,০০০ অংশগ্রহণকারীর একটি পৃথক ডেটাসেটে পরীক্ষা করার সময়, SensorFM-এর রিপ্রেজেন্টেশনের ওপর ভিত্তি করে তৈরি সাধারণ টাস্ক-স্পেসিফিক মডেলগুলো ৩৫টি ক্যাটাগরির মধ্যে ৩৪টিতে প্রথাগত সুপারভাইজড বেসলাইনগুলোকে ছাড়িয়ে গেছে।

তদুপরি, মডেলটি অত্যন্ত "লেবেল-এফিশিয়েন্ট" (label-efficient) হিসেবে প্রমাণিত হয়েছে। যেহেতু এটি প্রিট্রেনিংয়ের সময় মানুষের শারীরবৃত্তীয় মৌলিক প্যাটার্নগুলো ইতিমধ্যে শিখে নিয়েছে, তাই নতুন এবং নির্দিষ্ট কাজের সাথে খাপ খাইয়ে নিতে এর অনেক কম লেবেলযুক্ত উদাহরণের প্রয়োজন হয়। এই ক্ষমতাটি উদ্বেগ বা বিষণ্নতার মতো জটিল এবং অত্যন্ত ব্যক্তিগত বৈশিষ্ট্যগুলো পর্যবেক্ষণের জন্য বিশেষভাবে গুরুত্বপূর্ণ।

পরবর্তী প্রজন্মের AI হেলথ এজেন্টদের চালনা করা

SensorFM-এর সম্ভবত সবচেয়ে গুরুত্বপূর্ণ প্রভাব হলো Gemini-এর মতো Large Language Models (LLMs)-এর সাথে এর ইন্টিগ্রেশন। পরীক্ষামূলক সেটআপে, SensorFM একটি AI হেলথ এজেন্টকে শারীরবৃত্তীয় প্রেক্ষাপট (physiological context) প্রদান করেছে, যা পরবর্তীতে চিকিৎসকদের পর্যালোচনার জন্য স্বাস্থ্য সংক্রান্ত সারাংশ (health summaries) তৈরি করেছে।

ফলাফল ছিল চমকপ্রদ: SensorFM-এর প্রেডিকশন দ্বারা সমৃদ্ধ সারাংশগুলো পাঁচটি গুরুত্বপূর্ণ ক্ষেত্রে বেসলাইন সারাংশগুলোর তুলনায় উল্লেখযোগ্যভাবে বেশি স্কোর করেছে: প্রেক্ষাপট (context), ব্যক্তিগতকরণ (personalization), যৌক্তিকতা (justifiability), প্রাসঙ্গিকতা (relevance) এবং নিরাপত্তা (safety)। উল্লেখযোগ্যভাবে, SensorFM প্রেডিকশন ব্যবহার করে AI-এর পারফরম্যান্স প্রকৃত ক্লিনিকাল স্বাস্থ্য ডেটা ব্যবহারের সাথে পরিসংখ্যানগতভাবে তুলনীয় ছিল, যা নির্দেশ করে যে ফাউন্ডেশন মডেলগুলো শীঘ্রই ব্যক্তিগতকৃত ডিজিটাল স্বাস্থ্য কোচিংয়ের জন্য উচ্চ-নির্ভুল প্রেক্ষাপট প্রদান করতে পারে।

মূল বিষয়সমূহ

• সমন্বিত বুদ্ধিমত্তা: SensorFM বিচ্ছিন্ন এবং একক-উদ্দেশ্যমূলক স্বাস্থ্য অ্যালগরিদমগুলোর পরিবর্তে একটি একক ফাউন্ডেশন মডেল দ্বারা প্রতিস্থাপন করে, যা ৩৫টি ভিন্ন স্বাস্থ্য ও আচরণগত কাজ পরিচালনা করতে সক্ষম।
• অতুলনীয় স্কেল: মডেলটি ৫০ লক্ষ ব্যবহারকারীর এক ট্রিলিয়ন মিনিটের মাল্টিমোডাল ডেটার ওপর প্রিট্রেইন করা হয়েছে, যা এটিকে এই ধরনের বৃহত্তম ডেটাসেটে পরিণত করেছে।
• উন্নত AI প্রেক্ষাপট: LLM-এ শারীরবৃত্তীয় অন্তর্দৃষ্টি প্রদানের মাধ্যমে, SensorFM অত্যন্ত ব্যক্তিগতকৃত এবং ক্লিনিক্যালি প্রাসঙ্গিক স্বাস্থ্য সারাংশ ও ডিজিটাল সহকারী তৈরি করতে সক্ষম করে তোলে।