Google નું SensorFM: યુનિવર્સલ હેલ્થ ઇન્ટેલિજન્સ માટેનું એક ફાઉન્ડેશન મોડેલ

Google Research એ SensorFM રજૂ કર્યું છે, જે એક ક્રાંતિકારી ફાઉન્ડેશન મોડેલ છે જે વિખરાયેલા વેરવેબલ સેન્સર ડેટાને હેલ્થ ઇન્ટેલિજન્સના એકીકૃત સ્તરમાં રૂપાંતરિત કરવા માટે ડિઝાઇન કરવામાં આવ્યું છે. વિશાળ ડેટાસેટ્સનો ઉપયોગ કરીને, આ મોડેલ માત્ર સિંગલ-પર્પઝ ટ્રેકિંગથી આગળ વધીને માનવ શરીરવિજ્ઞાન અને વર્તણૂકની વ્યાપક સમજ પૂરી પાડે છે.

અલગ-અલગ (Siloed) વેરવેબલ મેટ્રિક્સથી આગળ વધવું

વર્તમાન વેરવેબલ ટેકનોલોજી સામાન્ય રીતે "સાઈલોડ" (અલગ-અલગ) અભિગમ પર આધારિત છે: એક અલ્ગોરિધમ ઊંઘના તબક્કાઓ શોધે છે, બીજું કાર્ડિયોવાસ્ક્યુલર જોખમનું અનુમાન લગાવે છે, અને ત્રીજું તણાવનું નિરીક્ષણ કરે છે. આ વિખરાયેલી આર્કિટેક્ચર અક્ષમ છે અને વપરાશકર્તાના સ્વાસ્થ્યનું સંપૂર્ણ ચિત્ર પૂરું પાડવામાં મુશ્કેલી અનુભવે છે.

SensorFM આ અસંબંધિત મોડેલોને એક સહિયારા AI ફાઉન્ડેશન સાથે બદલવાનું લક્ષ્ય રાખે છે. તે સ્વાસ્થ્ય સંબંધિત અનેક પ્રશ્નોના જવાબ આપવા માટે સતત, ઘણીવાર "ગેપી" (ખાલી જગ્યાવાળા) અથવા અધૂરા સેન્સર ડેટાને પ્રોસેસ કરવા માટે ડિઝાઇન કરવામાં આવ્યું છે. આ ફેરફાર વ્યક્તિગત AI હેલ્થ આસિસ્ટન્ટ્સ બનાવવાની મંજૂરી આપે છે જે વપરાશકર્તાની શારીરિક સ્થિતિ વિશે ઊંડી સંદર્ભગત જાગૃતિ ધરાવે છે.

વિશાળ સ્કેલ અને મલ્ટિમોડલ ડેટા ઇન્ટિગ્રેશન

વેરવેબલ ક્ષેત્રમાં SensorFM ના પ્રીટ્રેનિંગનો સ્કેલ અભૂતપૂર્વ છે. Google સંશોધકોએ 100 થી વધુ દેશોના પાંચ મિલિયન Fitbit અને Pixel Watch વપરાશકર્તાઓ પાસેથી એકત્રિત કરાયેલ એક ટ્રિલિયનથી વધુ મિનિટના મલ્ટિમોડલ સેન્સર ડેટાનો ઉપયોગ કર્યો છે. આ ડેટાસેટ આ પ્રકારના મોડેલને તાલીમ આપવા માટે ઉપયોગમાં લેવાયેલ વેરવેબલ ડેટાનો સૌથી મોટો અને સૌથી વૈવિધ્યસભર સંગ્રહ છે.

આ મોડેલ પાંચ મુખ્ય સેન્સર પ્રકારોમાંથી મેળવેલા 34 અલગ-અલગ ફીચર્સને પ્રોસેસ કરે છે:

• ઓપ્ટિકલ હાર્ટ રેટ મોનિટરિંગ (PPG): હાર્ટ રેટ અને હાર્ટ રેટ વેરિએબિલિટીનું ટ્રેકિંગ કરવું.
• એક્સિલરેશન: શારીરિક હલનચલન અને ગતિનું નિરીક્ષણ કરવું.
• સ્કીન કન્ડક્ટન્સ: શારીરિક પ્રતિભાવોનું માપન કરવું.
• સ્કીન ટેમ્પરેચર: તાપમાનના ફેરફારોનું ટ્રેકિંગ કરવું.
• બેરોમેટ્રિક આલ્ટીટ્યુડ: ઊંચાઈમાં થતા ફેરફારોને પારખવા.

વેરવેબલ ડેટાની સહજ "નોઈઝીનેસ" (અસ્પષ્ટતા) ને સંભાળવા માટે, SensorFM "એડેપ્ટિવ એન્ડ ઇનહેરિટેડ માસ્કિંગ" (AIM) નામની તકનીકનો ઉપયોગ કરે છે. આ મોડેલને ખરેખર ખૂટતા ડેટા પોઈન્ટ્સ અને તાલીમ દરમિયાન કૃત્રિમ રીતે માસ્ક કરાયેલા ડેટા વચ્ચે તફાવત કરવામાં મદદ કરે છે, જેનાથી તે અધૂરા ડેટા સ્ટ્રીમ્સને ફરીથી બનાવવા અને સમજવા માટે સક્ષમ બને છે.

35 હેલ્થ ટાસ્ક પર શ્રેષ્ઠ પ્રદર્શન

માનસિક સ્વાસ્થ્ય, કાર્ડિયોવાસ્ક્યુલર સ્વાસ્થ્ય, મેટાબોલિક માર્કર્સ અને ઊંઘ સહિતના 35 વિવિધ પ્રિડિક્શન ટાસ્ક સામેના કડક પરીક્ષણમાં, SensorFM એ નોંધપાત્ર વૈવિધ્ય દર્શાવ્યું હતું. લગભગ 14,000 સહભાગીઓના અલગ ડેટાસેટ પર પરીક્ષણ કરતી વખતે, SensorFM ના રિપ્રેઝન્ટેશન પર આધારિત સાદા ટાસ્ક-સ્પેસિફિક મોડેલોએ 35 માંથી 34 કેટેગરીમાં પરંપરાગત સુપરવાઇઝ્ડ બેઝલાઇન્સ કરતા વધુ સારું પ્રદર્શન કર્યું હતું.

વધુમાં, આ મોડેલ અત્યંત "લેબલ-એફિશિયન્ટ" સાબિત થયું છે. કારણ કે તેણે પ્રીટ્રેનિંગ દરમિયાન માનવ શરીરવિજ્ઞાનના મૂળભૂત પેટર્ન પહેલેથી જ શીખી લીધા છે, તેથી તેને નવા, વિશિષ્ટ કાર્યો માટે અનુકૂલિત થવા માટે નોંધપાત્ર રીતે ઓછા લેબલ કરેલા ઉદાહરણોની જરૂર પડે છે. આ ક્ષમતા ચિંતા અથવા ડિપ્રેશન જેવા જટિલ અને અત્યંત વ્યક્તિગત લક્ષણોના નિરીક્ષણ માટે ખાસ કરીને મહત્વપૂર્ણ છે.

આગામી પેઢીના AI હેલ્થ એજન્ટ્સને સક્ષમ બનાવવું

કદાચ SensorFM ની સૌથી મહત્વપૂર્ણ અસર Gemini જેવા Large Language Models (LLMs) સાથેનું તેનું સંકલન છે. પ્રાયોગિક સેટઅપમાં, SensorFM એ AI હેલ્થ એજન્ટને શારીરિક સંદર્ભ પૂરો પાડ્યો, જેણે પછી ક્લિનિશિયન્સ દ્વારા સમીક્ષા કરવા માટે હેલ્થ સમરીઝ તૈયાર કરી.

પરિણામો આશ્ચર્યજનક હતા: SensorFM ના અનુમાન સાથે વધારવામાં આવેલા સારાંશ પાંચ મહત્વપૂર્ણ પરિમાણોમાં: સંદર્ભ (context), પર્સનલાઇઝેશન, જસ્ટિફાઇએબિલિટી, સુસંગતતા અને સુરક્ષામાં બેઝલાઇન સારાંશ કરતા નોંધપાત્ર રીતે વધુ સ્કોર મેળવ્યો હતો. ખાસ કરીને, SensorFM અનુમાનનો ઉપયોગ કરીને AI નું પ્રદર્શન વાસ્તવિક ક્લિનિકલ હેલ્થ ડેટાના ઉપયોગની તુલનામાં આંકડાકીય રીતે સમાન હતું, જે સૂચવે છે કે ફાઉન્ડેશન મોડેલ્સ ટૂંક સમયમાં પર્સનલાઇઝ્ડ ડિજિટલ હેલ્થ કોચિંગ માટે ઉચ્ચ-ચોકસાઈ ધરાવતો સંદર્ભ પૂરો પાડી શકે છે.

મુખ્ય મુદ્દાઓ

• એકીકૃત બુદ્ધિ (Unified Intelligence): SensorFM વિખરાયેલા, સિંગલ-પર્પઝ હેલ્થ અલ્ગોરિધમ્સને 35 વિવિધ સ્વાસ્થ્ય અને વર્તણૂક કાર્યોને સંભાળી શકે તેવા સિંગલ ફાઉન્ડેશન મોડેલ સાથે બદલે છે.
• અજોડ સ્કેલ: આ મોડેલ પાંચ મિલિયન વપરાશકર્તાઓના એક ટ્રિલિયન મિનિટના મલ્ટિમોડલ ડેટા પર પ્રીટ્રેન કરવામાં આવ્યું હતું, જે તેને તેના પ્રકારનો સૌથી મોટો ડેટાસેટ બનાવે છે.
• વધારેડ AI સંદર્ભ: LLMs માં શારીરિક આંતરદૃષ્ટિ (physiological insights) આપીને, SensorFM અત્યંત પર્સનલાઇઝ્ડ અને ક્લિનિકલ રીતે સુસંગત હેલ્થ સમરીઝ અને ડિજિટલ આસિસ્ટન્ટ્સ સક્ષમ બનાવે છે.