Google کا SensorFM: عالمگیر صحت کی ذہانت کے لیے ایک فاؤنڈیشن ماڈل

Google Research نے SensorFM کا انکشاف کیا ہے، جو کہ ایک انقلابی فاؤنڈیشن ماڈل ہے جسے بکھرے ہوئے ویئریبل سینسر ڈیٹا کو صحت کی ذہانت کی ایک متحد سطح میں تبدیل کرنے کے لیے ڈیزائن کیا گیا ہے۔ بڑے پیمانے پر ڈیٹا سیٹس کا فائدہ اٹھاتے ہوئے، یہ ماڈل محض ایک مقصد کے لیے ٹریکنگ کرنے سے آگے بڑھ کر انسانی جسمانی ساخت (physiology) اور طرزِ عمل کی جامع سمجھ فراہم کرتا ہے۔

الگ تھلگ ویئریبل میٹرکس سے آگے بڑھنا

موجودہ ویئریبل ٹیکنالوجی عام طور پر ایک "الگ تھلگ" (siloed) طریقہ کار پر انحصار کرتی ہے: ایک الگورتھم نیند کے مراحل کا پتہ لگاتا ہے، دوسرا دل کے امراض کے خطرے کا اندازہ لگاتا ہے، اور تیسرا تناؤ (stress) کی نگرانی کرتا ہے۔ یہ بکھرا ہوا ڈھانچہ غیر موثر ہے اور صارف کی صحت کا ایک ہمہ گیر (holistic) منظر پیش کرنے میں دشواری کا شکار رہتا ہے۔

SensorFM کا مقصد ان غیر مربوط ماڈلز کو ایک مشترکہ AI فاؤنڈیشن سے بدلنا ہے۔ اسے مسلسل، اکثر "غیر مکمل" یا وقفوں والے سینسر ڈیٹا کو پروسیس کرنے کے لیے ڈیزائن کیا گیا ہے تاکہ صحت سے متعلق سوالات کے ایک وسیع سلسلے کے جوابات دیے جا سکیں۔ یہ تبدیلی ایسے ذاتی نوعیت کے AI ہیلتھ اسسٹنٹس کی تخلیق کی اجازت دیتی ہے جو صارف کی جسمانی حالت کے بارے میں گہری سیاق و سباق کی آگاہی (contextual awareness) رکھتے ہوں۔

وسیع پیمانہ اور ملٹی موڈل ڈیٹا انٹیگریشن

SensorFM کی پری ٹریننگ (pretraining) کا پیمانہ ویئریبل کی دنیا میں بے مثال ہے۔ Google کے محققین نے 100 سے زیادہ ممالک کے 50 لاکھ Fitbit اور Pixel Watch صارفین سے جمع کیے گئے ایک ٹریلین سے زیادہ منٹ کے ملٹی موڈل سینسر ڈیٹا کا استعمال کیا۔ یہ ڈیٹا سیٹ اس قسم کے ماڈل کی تربیت کے لیے استعمال ہونے والے ویئریبل ڈیٹا کے سب سے بڑے اور متنوع مجموعے کی نمائندگی کرتا ہے۔

یہ ماڈل پانچ بنیادی سینسر اقسام سے اخذ کردہ 34 مختلف خصوصیات کو پروسیس کرتا ہے:

  • Optical Heart Rate Monitoring (PPG): دل کی دھڑکن اور دل کی دھڑکن کی تبدیلی (heart rate variability) کی نگرانی کرنا۔
  • Acceleration: جسمانی حرکت اور جنبش کی نگرانی کرنا۔
  • Skin Conductance: جسمانی ردعمل کی پیمائش کرنا۔
  • Skin Temperature: درجہ حرارت کی تبدیلیوں پر نظر رکھنا۔
  • Barometric Altitude: بلندی میں تبدیلیوں کا احساس کرنا۔

ویئریبل ڈیٹا کی فطری "شور" (noisiness) سے نمٹنے کے لیے، SensorFM "Adaptive and Inherited Masking" (AIM) نامی تکنیک کا استعمال کرتا ہے۔ یہ ماڈل کو حقیقی طور پر غائب ڈیٹا پوائنٹس اور تربیت کے دوران مصنوعی طور پر چھپائے گئے (masked) ڈیٹا کے درمیان فرق کرنے کی اجازت دیتا ہے، جس سے یہ نامکمل ڈیٹا اسٹریمز کو دوبارہ ترتیب دینے اور سمجھنے کے قابل ہو جاتا ہے۔

35 صحت کے کاموں میں برتر کارکردگی

ذہنی صحت، دل کی صحت، میٹابولک مارکرز اور نیند سمیت 35 مختلف پیش گوئی کے کاموں کے خلاف سخت جانچ کے دوران، SensorFM نے غیر معمولی ہمہ گیریت کا مظاہرہ کیا۔ جب تقریباً 14,000 شرکاء کے ایک الگ ڈیٹا سیٹ پر اس کی جانچ کی گئی، تو SensorFM کی نمائندگی (representations) پر مبنی سادہ ٹاسک مخصوص ماڈلز نے 35 میں سے 34 زمروں میں روایتی سپروائزڈ بیس لائنز (supervised baselines) سے بہتر کارکردگی دکھائی۔

مزید برآں، یہ ماڈل انتہائی "لیبل ایفیشنٹ" (label-efficient) ثابت ہوا۔ چونکہ اس نے پری ٹریننگ کے دوران انسانی جسمانی ساخت کے بنیادی نمونوں کو پہلے ہی سیکھ لیا ہے، اس لیے اسے نئے اور مخصوص کاموں کے مطابق ڈھلنے کے لیے بہت کم لیبل شدہ مثالوں کی ضرورت ہوتی ہے۔ یہ صلاحیت خاص طور پر اضطراب (anxiety) یا ڈپریشن جیسے پیچیدہ اور انتہائی انفرادی اوصاف کی نگرانی کے لیے اہم ہے۔

AI ہیلتھ ایجنٹس کی اگلی نسل کو طاقت فراہم کرنا

شاید SensorFM کا سب سے اہم اثر Gemini جیسے Large Language Models (LLMs) کے ساتھ اس کا انضمام ہے۔ تجرباتی سیٹ اپ میں، SensorFM نے ایک AI ہیلتھ ایجنٹ کو جسمانی سیاق و سباق فراہم کیا، جس نے پھر طبی ماہرین (clinicians) کے جائزے کے لیے صحت کے خلاصے تیار کیے۔

نتائج حیران کن تھے: SensorFM کی پیش گوئیوں کے ساتھ بہتر بنائے گئے خلاصوں نے پانچ اہم پہلوؤں: سیاق و سباق (context)، شخصی نوعیت (personalization)، جواز (justifiability)، مطابقت (relevance) اور حفاظت (safety) میں بیس لائن خلاصوں کے مقابلے میں نمایاں طور پر زیادہ اسکور حاصل کیا۔ خاص طور پر، SensorFM کی پیش گوئیوں کا استعمال کرنے والے AI کی کارکردگی شماریاتی طور پر اصل طبی صحت کے ڈیٹا کے استعمال کے برابر تھی، جو یہ ظاہر کرتی ہے کہ فاؤنڈیشن ماڈلز جلد ہی ذاتی ڈیجیٹل ہیلتھ کوچنگ کے لیے اعلیٰ معیار کا سیاق و سباق فراہم کر سکتے ہیں۔

اہم نکات

  • متحدہ ذہانت: SensorFM بکھرے ہوئے، ایک مقصد کے لیے مخصوص صحت کے الگورتھم کو ایک واحد فاؤنڈیشن ماڈل سے بدل دیتا ہے جو 35 مختلف صحت اور طرزِ عمل کے کاموں کو سنبھالنے کی صلاحیت رکھتا ہے۔
  • بے مثال پیمانہ: اس ماڈل کو 50 لاکھ صارفین کے ایک ٹریلین منٹ کے ملٹی موڈل ڈیٹا پر پری ٹرین کیا گیا ہے، جو اسے اپنی نوعیت کا سب سے بڑا ڈیٹا سیٹ بناتا ہے۔
  • بہتر AI سیاق و سباق: LLMs میں جسمانی بصیرت فراہم کر کے، SensorFM انتہائی شخصی اور طبی طور پر متعلقہ صحت کے خلاصے اور ڈیجیٹل اسسٹنٹس کو ممکن بناتا ہے۔