Google ਦਾ SensorFM: ਯੂਨੀਵਰਸਲ ਹੈਲਥ ਇੰਟੈਲੀਜੈਂਸ ਲਈ ਇੱਕ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ

Google Research ਨੇ SensorFM ਦਾ अनाਹਵਨ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਕ੍ਰਾਂਤੀਕਾਰੀ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ ਹੈ। ਇਸ ਨੂੰ ਵੱਖ-ਵੱਖ ਵੇਅਰੇਬਲ ਸੈਂਸਰ ਡੇਟਾ ਨੂੰ ਹੈਲਥ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਇੱਕ ਇਕਸਾਰ ਪਰਤ ਵਿੱਚ ਬਦਲਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਵਿਸ਼ਾਲ ਡੇਟਾ ਸੈੱਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਇਹ ਮਾਡਲ ਸਿਰਫ਼ ਇੱਕੋ-ਇੱਕ ਉਦੇਸ਼ ਵਾਲੀ ਟ੍ਰੈਕਿੰਗ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਮਨੁੱਖੀ ਸਰੀਰਕ ਵਿਗਿਆਨ (physiology) ਅਤੇ ਵਿਵਹਾਰ ਦੀ ਵਿਆਪਕ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਵੱਖਰੇ ਵੇਅਰੇਬਲ ਮੈਟ੍ਰਿਕਸ ਤੋਂ ਅੱਗੇ ਵਧਣਾ

ਮੌਜੂਦਾ ਵੇਅਰੇਬਲ ਤਕਨਾਲੋਜੀ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ "ਸਾਈਲੋਡ" (siloed) ਪਹੁੰਚ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ: ਇੱਕ ਐਲਗੋਰਿਦਮ ਨੀਂਦ ਦੇ ਪੜਾਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ, ਦੂਜਾ ਦਿਲ ਦੀਆਂ ਨਾੜੀਆਂ (cardiovascular) ਦੇ ਜੋਖਮ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ, ਅਤੇ ਤੀਜਾ ਤਣਾਅ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦਾ ਹੈ। ਇਹ ਵੱਖਰਾ ਆਰਕੀਟੈਕਚਰ ਅਕੁਸ਼ਲ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾ ਦੀ ਸਿਹਤ ਦਾ ਇੱਕ ਸੰਪੂਰਨ ਦ੍ਰਿਸ਼ ਪ੍ਰਦਾਨ ਕਰਨ ਵਿੱਚ ਮੁਸ਼ਕਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ।

SensorFM ਦਾ ਉਦੇਸ਼ ਇਹਨਾਂ ਅਸੰਬੰਧਿਤ ਮਾਡਲਾਂ ਨੂੰ ਇੱਕ ਸਾਂਝੇ AI ਫਾਊਂਡੇਸ਼ਨ ਨਾਲ ਬਦਲਣਾ ਹੈ। ਇਸ ਨੂੰ ਸਿਹਤ ਨਾਲ ਸਬੰਧਤ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਲਗਾਤਾਰ, ਅਕਸਰ "ਗੈਪੀ" (gappy) ਜਾਂ ਅਧੂਰੇ ਸੈਂਸਰ ਡੇਟਾ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਤਬਦੀਲੀ ਵਿਅਕਤੀਗਤ AI ਹੈਲਥ ਅਸਿਸਟੈਂਟ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ ਜੋ ਉਪਭੋਗਤਾ ਦੀ ਸਰੀਰਕ ਸਥਿਤੀ ਬਾਰੇ ਡੂੰਘੀ ਸੰਦਰਭਿਕ ਜਾਗਰੂਕਤਾ ਰੱਖਦੇ ਹਨ।

ਵਿਸ਼ਾਲ ਪੈਮਾਨਾ ਅਤੇ ਮਲਟੀਮੋਡਲ ਡੇਟਾ ਇੰਟੀਗ੍ਰੇਸ਼ਨ

ਵੇਅਰੇਬਲ ਖੇਤਰ ਵਿੱਚ SensorFM ਦੀ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਦਾ ਪੈਮਾਨਾ ਬੇਮਿਸਾਲ ਹੈ। Google ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ 100 ਤੋਂ ਵੱਧ ਦੇਸ਼ਾਂ ਵਿੱਚ ਪੰਜ ਮਿਲੀਅਨ Fitbit ਅਤੇ Pixel Watch ਉਪਭੋਗਤਾਵਾਂ ਤੋਂ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਇੱਕ ਟ੍ਰਿਲੀਅਨ ਮਿੰਟਾਂ ਤੋਂ ਵੱਧ ਮਲਟੀਮੋਡਲ ਸੈਂਸਰ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਇਹ ਡੇਟਾ ਸੈੱਟ ਇਸ ਕਿਸਮ ਦੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤੇ ਗਏ ਵੇਅਰੇਬਲ ਡੇਟਾ ਦੇ ਸਭ ਤੋਂ ਵੱਡੇ ਅਤੇ ਸਭ ਤੋਂ ਵਿਭਿੰਨ ਸੰਗ੍ਰਹਿ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਇਹ ਮਾਡਲ ਪੰਜ ਮੁੱਖ ਸੈਂਸਰ ਕਿਸਮਾਂ ਤੋਂ ਪ੍ਰਾਪਤ 34 ਵੱਖ-ਵੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਦਾ ਹੈ:

• Optical Heart Rate Monitoring (PPG): ਦਿਲ ਦੀ ਧੜਕਣ ਅਤੇ ਦਿਲ ਦੀ ਧੜਕਣ ਦੀ ਅਨਿਯਮਿਤਤਾ (variability) ਦੀ ਟ੍ਰੈਕਿੰਗ ਕਰਨਾ।
• Acceleration: ਸਰੀਰਕ ਹਰਕਤ ਅਤੇ ਗਤੀ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ।
• Skin Conductance: ਸਰੀਰਕ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਨੂੰ ਮਾਪਣਾ।
• Skin Temperature: ਤਾਪਮਾਨ ਵਿੱਚ ਹੋਣ ਵਾਲੇ ਬਦਲਾਅ ਦੀ ਟ੍ਰੈਕਿੰਗ ਕਰਨਾ।
• Barometric Altitude: ਉਚਾਈ ਵਿੱਚ ਬਦਲਾਅ ਨੂੰ ਮਹਿਸੂਸ ਕਰਨਾ।

ਵੇਅਰੇਬਲ ਡੇਟਾ ਦੀ ਮੌਜੂਦਾ "ਨੋਇਜ਼ੀਨੈੱਸ" (noisiness) ਨੂੰ ਸੰਭਾਲਣ ਲਈ, SensorFM "Adaptive and Inherited Masking" (AIM) ਨਾਮਕ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਨੂੰ ਅਸਲ ਵਿੱਚ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਅਤੇ ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਬਣਾਵਟੀ ਤੌਰ 'ਤੇ ਮਾਸਕ ਕੀਤੇ ਗਏ ਪੁਆਇੰਟਾਂ ਵਿਚਕਾਰ ਅੰਤਰ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਅਧੂਰੇ ਡੇਟਾ ਸਟ੍ਰੀਮਾਂ ਨੂੰ ਮੁੜ ਸਿਰਜਣ ਅਤੇ ਸਮਝਣ ਦੇ ਯੋਗ ਬਣ ਜਾਂਦਾ ਹੈ।

35 ਸਿਹਤ ਕਾਰਜਾਂ ਵਿੱਚ ਸ਼ਾਨਦਾਰ ਪ੍ਰਦਰਸ਼ਨ

ਮਾਨਸਿਕ ਸਿਹਤ, ਦਿਲ ਦੀ ਸਿਹਤ, ਮੈਟਾਬੋਲਿਕ ਮਾਰਕਰਾਂ ਅਤੇ ਨੀਂਦ ਸਮੇਤ 35 ਵੱਖ-ਵੱਖ ਭਵਿੱਖਬਾਣੀ ਕਾਰਜਾਂ ਦੇ ਸਖ਼ਤ ਟੈਸਟਾਂ ਵਿੱਚ, SensorFM ਨੇ ਸ਼ਾਨਦਾਰ ਬਹੁਮੁਖਤਾ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤੀ। ਲਗਭਗ 14,000 ਭਾਗੀਦਾਰਾਂ ਦੇ ਵੱਖਰੇ ਡੇਟਾ ਸੈੱਟ 'ਤੇ ਟੈਸਟ ਕਰਨ ਵੇਲੇ, SensorFM ਦੇ ਰੂਪਾਂ (representations) 'ਤੇ ਬਣਾਏ ਗਏ ਸਾਧਾਰਨ ਕਾਰਜ-ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਨੇ 35 ਵਿੱਚੋਂ 34 ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਰਵਾਇਤੀ ਸੁਪਰਵਾਈਜ਼ਡ ਬੇਸਲਾਈਨਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਮਾਡਲ ਬਹੁਤ "ਲੇਬਲ-ਐਫੀਸ਼ੀਐਂਟ" (label-efficient) ਸਾਬਤ ਹੋਇਆ। ਕਿਉਂਕਿ ਇਸਨੇ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਮਨੁੱਖੀ ਸਰੀਰਕ ਵਿਗਿਆਨ ਦੇ ਮੂਲ ਪੈਟਰਨ ਪਹਿਲਾਂ ਹੀ ਸਿੱਖ ਲਏ ਹਨ, ਇਸ ਲਈ ਇਸਨੂੰ ਨਵੇਂ, ਵਿਸ਼ੇਸ਼ ਕਾਰਜਾਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਲਈ ਬਹੁਤ ਘੱਟ ਲੇਬਲ ਕੀਤੇ ਗਏ ਉਦਾਹਰਣਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਸਮਰੱਥਾ ਚਿੰਤਾ ਜਾਂ ਡਿਪਰੈਸ਼ਨ ਵਰਗੇ ਗੁੰਝਲਦਾਰ ਅਤੇ ਬਹੁਤ ਹੀ ਵਿਅਕਤੀਗਤ ਲੱਛਣਾਂ ਦੀ ਨਿਗਰਾਨੀ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਹੈ।

AI ਹੈਲਥ ਏਜੰਟਾਂ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਨੂੰ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਨਾ

ਸ਼ਾਇਦ SensorFM ਦਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਭਾਵ Gemini ਵਰਗੇ Large Language Models (LLMs) ਨਾਲ ਇਸਦਾ ਇੱਕੀਕਰਨ ਹੈ। ਪ੍ਰਯੋਗਾਤਮਕ ਸੈੱਟਅੱਪਾਂ ਵਿੱਚ, SensorFM ਨੇ ਇੱਕ AI ਹੈਲਥ ਏਜੰਟ ਨੂੰ ਸਰੀਰਕ ਸੰਦਰਭ ਪ੍ਰਦਾਨ ਕੀਤਾ, ਜਿਸਨੇ ਫਿਰ ਡਾਕਟਰਾਂ (clinicians) ਦੁਆਰਾ ਸਮੀਖਿਆ ਕਰਨ ਲਈ ਸਿਹਤ ਸਾਰਾਂਸ਼ (summaries) ਤਿਆਰ ਕੀਤੇ।

ਨਤੀਜੇ ਹੈਰਾਨ ਕਰਨ ਵਾਲੇ ਸਨ: SensorFM ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨਾਲ ਵਧਾਏ ਗਏ ਸਾਰਾਂਸ਼ ਪੰਜ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲੂਆਂ: ਸੰਦਰਭ, ਵਿਅਕਤੀਗਤਕਰਨ, ਜਾਇਜ਼ਤਾ, ਪ੍ਰਸੰਗਿਕਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਵਿੱਚ ਬੇਸਲਾਈਨ ਸਾਰਾਂਸ਼ਾਂ ਨਾਲੋਂ ਕਾਫ਼ੀ ਉੱਚੇ ਰਿਹਾ। ਖਾਸ ਤੌਰ 'ਤੇ, SensorFM ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ AI ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਅਸਲ ਕਲੀਨਿਕਲ ਸਿਹਤ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਬਰਾਬਰ ਸੀ, ਜੋ ਇਹ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਕਿ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ ਜਲਦੀ ਹੀ ਵਿਅਕਤੀਗਤ ਡਿਜੀਟਲ ਹੈਲਥ ਕੋਚਿੰਗ ਲਈ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਸੰਦਰਭ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ।

ਮੁੱਖ ਗੱਲਾਂ

• Unified Intelligence: SensorFM ਵੱਖ-ਵੱਖ, ਇੱਕੋ-ਇੱਕ ਉਦੇਸ਼ ਵਾਲੇ ਸਿਹਤ ਐਲਗੋਰਿਦਮਾਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ ਨਾਲ ਬਦਲਦਾ ਹੈ ਜੋ 35 ਵੱਖ-ਵੱਖ ਸਿਹਤ ਅਤੇ ਵਿਵਹਾਰਕ ਕਾਰਜਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਯੋਗ ਹੈ।
• Unrivaled Scale: ਮਾਡਲ ਨੂੰ ਪੰਜ ਮਿਲੀਅਨ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਇੱਕ ਟ੍ਰਿਲੀਅਨ ਮਿੰਟਾਂ ਦੇ ਮਲਟੀਮੋਡਲ ਡੇਟਾ 'ਤੇ ਪ੍ਰੀ-ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਸੀ,