SensorFM گوگل: یک مدل پایه برای هوش سلامت همگانی
بخش تحقیقات گوگل از SensorFM رونمایی کرده است؛ یک مدل پایه پیشگام که برای تبدیل دادههای پراکنده حسگرهای پوشیدنی به یک لایه واحد از هوش سلامت طراحی شده است. این مدل با بهرهگیری از مجموعهدادههای عظیم، از ردیابیهای تکمنظوره فراتر رفته تا درک جامعی از فیزیولوژی و رفتار انسانی ارائه دهد.
فراتر رفتن از معیارهای پوشیدنی جزیرهای
فناوریهای پوشیدنی فعلی معمولاً بر رویکردی «جزیرهای» تکیه دارند: یک الگوریتم مراحل خواب را تشخیص میدهد، دیگری ریسک قلبی-عروقی را تخمین میزند و سومی استرس را پایش میکند. این معماری پراکنده ناکارآمد است و در ارائه یک دیدگاه جامع از سلامت کاربر با دشواری روبرو است.
هدف SensorFM جایگزینی این مدلهای از هم گسیخته با یک زیربنای هوش مصنوعی مشترک است. این مدل برای پردازش دادههای مداوم حسگر که اغلب دارای «شکاف» یا ناقص هستند، طراحی شده تا به طیف گستردهای از سوالات سلامت پاسخ دهد. این تغییر، امکان ایجاد دستیاران سلامت هوش مصنوعی شخصیسازیشدهای را فراهم میکند که از آگاهی عمیقی نسبت به بافت (context) وضعیت فیزیولوژیک کاربر برخوردارند.
مقیاس عظیم و یکپارچهسازی دادههای چندوجهی
مقیاس پیشآموزش SensorFM در حوزه فناوریهای پوشیدنی بیسابقه است. محققان گوگل از بیش از یک تریلیون دقیقه دادههای حسگر چندوجهی استفاده کردند که از پنج میلیون کاربر Fitbit و Pixel Watch در بیش از ۱۰۰ کشور جمعآوری شده بود. این مجموعهداده، بزرگترین و متنوعترین مجموعه دادههای پوشیدنی است که تاکنون برای آموزش مدلی از این نوع استفاده شده است.
این مدل ۳۴ ویژگی متمایز را که از پنج نوع حسگر اصلی استخراج شدهاند، پردازش میکند:
- پایش نوری ضربان قلب (PPG): ردیابی ضربان قلب و تغییرپذیری ضربان قلب.
- شتاب (Acceleration): پایش حرکت و فعالیت فیزیکی.
- رسانایی پوست (Skin Conductance): اندازهگیری پاسخهای فیزیولوژیک.
- دمای پوست (Skin Temperature): ردیابی تغییرات حرارتی.
- ارتفاع بارومتریک (Barometric Altitude): حس کردن تغییرات ارتفاع.
برای مدیریت «نویز» ذاتی دادههای پوشیدنی، SensorFM از تکنیکی به نام «ماسکگذاری تطبیقی و موروثی» (Adaptive and Inherited Masking یا AIM) استفاده میکند. این کار به مدل اجازه میدهد تا بین نقاط دادهای که واقعاً مفقود شدهاند و نقاطی که در طول آموزش بهطور مصنوعی ماسک شدهاند، تمایز قائل شود و بدین ترتیب بتواند جریانهای دادهای ناقص را بازسازی کرده و درک کند.
عملکرد برتر در ۳۵ وظیفه سلامت
در آزمایشهای دقیق در برابر ۳۵ وظیفه پیشبینی مختلف — شامل سلامت روان، سلامت قلبی-عروقی، نشانگرهای متابولیک و خواب — SensorFM تطبیقپذیری فوقالعادهای از خود نشان داد. هنگامی که این مدل روی مجموعهداده مجزایی شامل نزدیک به ۱۴,۰۰۰ شرکتکننده آزمایش شد، مدلهای ساده و مختص هر وظیفه که بر پایه بازنماییهای (representations) SensorFM ساخته شده بودند، در ۳۴ مورد از ۳۵ دسته، از مدلهای پایه نظارتشده (supervised baselines) سنتی عملکرد بهتری داشتند.
علاوه بر این، ثابت شد که این مدل بسیار «در مصرف برچسب کارآمد» (label-efficient) است. از آنجایی که این مدل الگوهای بنیادی فیزیولوژی انسانی را در طول پیشآموزش آموخته است، برای انطباق با وظایف جدید و خاص، به نمونههای برچسبدار بسیار کمتری نیاز دارد. این قابلیت بهویژه برای پایش ویژگیهای پیچیده و بسیار فردی مانند اضطراب یا افسردگی حیاتی است.
قدرتبخشی به نسل بعدی عوامل سلامت هوش مصنوعی
شاید مهمترین پیامد SensorFM، ادغام آن با مدلهای زبانی بزرگ (LLMs) مانند Gemini باشد. در چیدمانهای آزمایشی، SensorFM بافت (context) فیزیولوژیک را برای یک عامل سلامت هوش مصنوعی فراهم کرد و سپس آن عامل، خلاصههای سلامت را برای بررسی پزشکان تولید کرد.
نتایج خیرهکننده بود: خلاصههایی که با پیشبینیهای SensorFM تقویت شده بودند، در پنج بعد حیاتی شامل بافت (context)، شخصیسازی، توجیهپذیری، مرتبط بودن و ایمنی، امتیاز بسیار بالاتری نسبت به خلاصههای پایه کسب کردند. قابل توجه است که عملکرد هوش مصنوعی با استفاده از پیشبینیهای SensorFM از نظر آماری با استفاده از دادههای سلامت بالینی واقعی قابل مقایسه بود؛ این امر نشان میدهد که مدلهای پایه میتوانند بهزودی بافت (context) با دقت بالا را برای مربیگری سلامت دیجیتال شخصیسازیشده فراهم کنند.
نکات کلیدی
- هوش یکپارچه: SensorFM الگوریتمهای سلامت پراکنده و تکمنظوره را با یک مدل پایه واحد جایگزین میکند که قادر به مدیریت ۳۵ وظیفه مختلف سلامت و رفتاری است.
- مقیاس بیرقیب: این مدل بر روی یک تریلیون دقیقه دادههای چندوجهی از پنج میلیون کاربر پیشآموزش دیده است که آن را به بزرگترین مجموعهداده از نوع خود تبدیل میکند.
- بافت (Context) بهبودیافته برای هوش مصنوعی: SensorFM با تزریق بینشهای فیزیولوژیک به LLMها، امکان ایجاد خلاصههای سلامت و دستیاران دیجیتال بسیار شخصیسازیشده و از نظر بالینی مرتبط را فراهم میکند.