SensorFM ya Google: Mtindo wa Msingi (Foundation Model) kwa Akili ya Afya ya Ulimwengu Wote

Google Research imefichua SensorFM, mtindo wa msingi (foundation model) wa kimapinduzi ulioundwa kubadilisha data za sensa za vifaa vinavyovaliwa (wearables) ambazo zimevunjika-vunjika kuwa tabaka moja la akili ya afya. Kwa kutumia seti kubwa za data, mtindo huu unavuka mipaka ya ufuatiliaji wa kazi moja tu ili kutoa uelewa mpana wa fiziolojia na tabia za binadamu.

Kuvuka Mipaka ya Vipimo vya Vifaa Vinavyovaliwa Vilivyojitenga

Teknolojia ya sasa ya vifaa vinavyovaliwa kwa kawaida hutegemea mbinu ya "silo" (iliyojitenga): algoriti moja hutambua hatua za usingizi, nyingine hukadiria hatari ya moyo na mishipa ya damu, na nyingine tatu hufuatilia msongo wa mawazo. Muundo huu uliovunjika-vunjika hauna ufanisi na unapata shida kutoa mtazamo kamili wa afya ya mtumiaji.

SensorFM inalenga kuchukua nafasi ya mifano hii isiyounganishwa kwa kutumia msingi wa pamoja wa AI. Imeundwa kuchakata data za sensa zinazoendelea, ambazo mara nyingi huwa na "mapengo" au hazijakamilika, ili kujibu seti kubwa ya maswali ya afya. Mabadiliko haya yanaruhusu uundaji wa wasaidizi wa afya wa AI binafsi ambao wana uelewa wa kina wa muktadha wa hali ya fiziolojia ya mtumiaji.

Ukubwa Mkubwa na Muunganisho wa Data za Multimodal

Ukubwa wa mafunzo ya awali (pretraining) ya SensorFM haujawahi kushuhudiwa katika uwanja wa vifaa vinavyovaliwa. Watafiti wa Google walitumia zaidi ya dakika trilioni moja za data za sensa za multimodal zilizokusanywa kutoka kwa watumiaji milioni tano wa Fitbit na Pixel Watch katika zaidi ya nchi 100. Seti hii ya data inawakilisha mkusanyiko mkubwa na wenye aina nyingi zaidi za data za vifaa vinavyovaliwa zilizowahi kutumika kufundisha mtindo wa aina hii.

Mtindo huu unachakata sifa 34 tofauti zinazotokana na aina tano kuu za sensa:

• Ufuatiliaji wa Mapigo ya Moyo kwa Njia ya Mwanga (PPG): Kufuatilia mapigo ya moyo na mabadiliko ya mapigo ya moyo (heart rate variability).
• Mchapuko (Acceleration): Kufuatilia mwendo na mienendo ya mwili.
• Uendeshaji wa Ngozi (Skin Conductance): Kupima miitikio ya fiziolojia.
• Joto la Ngozi: Kufuatilia mabadiliko ya joto.
• Kimo cha Barometa (Barometric Altitude): Kuhisi mabadiliko katika kimo.

Ili kushughulikia "kelele" (noisiness) inayojitokeza katika data za vifaa vinavyovaliwa, SensorFM hutumia mbinu inayoitwa "Adaptive and Inherited Masking" (AIM). Hii inaruhusu mtindo kutofautisha kati ya pointi za data ambazo hazipo kweli na zile zilizofichwa kwa kutengeneza wakati wa mafunzo, ikiwezesha uwezo wake wa kujenga upya na kuelewa mtiririko wa data usio kamili.

Utendaji Bora Katika Kazi 35 za Afya

Katika majaribio makali dhidi ya kazi 35 tofauti za utabiri—zinazojumuisha afya ya akili, afya ya moyo na mishipa ya damu, viashiria vya kimetaboliki, na usingizi—SensorFM ilionyesha uwezo mkubwa wa kufanya kazi mbalimbali. Ilipojaribiwa kwenye seti tofauti ya data ya washiriki karibu 14,000, mifano rahisi ya kazi maalum iliyojengwa juu ya uwakilishi wa SensorFM ilifanya vizuri zaidi kuliko mifano ya kawaida ya kusimamiwa (supervised baselines) katika kategoria 34 kati ya 35.

Zaidi ya hayo, mtindo huo ulithibitika kuwa na ufanisi mkubwa wa lebo (label-efficient). Kwa sababu tayari umejifunza mifumo ya msingi ya fiziolojia ya binadamu wakati wa mafunzo ya awali, unahitaji mifano michache sana iliyowekwa lebo ili kuendana na kazi mpya na maalum. Uwezo huu ni muhimu hasa kwa kufuatilia sifa tata na za kipekee za mtu kama vile wasiwasi (anxiety) au sonona (depression).

Kuendesha Kizazi Kijacho cha Wawakilishi wa Afya wa AI

Labda matokeo muhimu zaidi ya SensorFM ni muunganisho wake na Mifano Mikubwa ya Lugha (LLMs) kama Gemini. Katika mipangilio ya majaribio, SensorFM ilitoa muktadha wa fiziolojia kwa wakilishi wa afya wa AI, ambaye kisha alitengeneza muhtasari wa afya kwa ajili ya madaktari kupitia.

Matokeo yalikuwa ya kushangaza: muhtasari uliopitishwa kwa utabiri wa SensorFM ulipata alama za juu zaidi kuliko muhtasari wa kawaida katika vipimo vitano muhimu: muktadha, ubadilishaji wa kibinafsi, uwezo wa kuhalalisha, uhusiano, na usalama. Inashangaza kwamba utendaji wa AI ukitumia utabiri wa SensorFM ulikuwa sawa kitakwimu na utumiaji wa data halisi za afya za kliniki, ikidokeza kuwa mifano ya msingi inaweza hivi karibuni kutoa muktadha wa hali ya juu kwa mafunzo ya afya ya kidijitali ya kibinafsi.

Mambo Muhimu ya Kuzingatia

• Akili Iliyounganishwa: SensorFM inachukua nafasi ya algoriti za afya zilizovunjika-vunjika na zenye kazi moja kwa kutumia mtindo mmoja wa msingi unaoweza kushughulikia kazi 35 tofauti za afya na tabia.
• Ukubwa Usio na Shindani: Mtindo huu ulifundishwa awali kwa dakika trilioni moja za data za multimodal kutoka kwa watumiaji milioni tano, na kuufanya kuwa seti kubwa zaidi ya data ya aina yake.
• Muktadha Imara wa AI: Kwa kuingiza maarifa ya fiziolojia kwenye LLMs, SensorFM inaruhusu muhtasari wa afya na wasaidizi wa kidijitali ambao ni wa kibinafsi sana na wenye uhusiano wa kliniki.