Η Google Research παρουσίασε το SensorFM, ένα θεμελιακό μοντέλο για την υγεία μέσω φορετών συσκευών, το οποίο εκπαιδεύτηκε σε περισσότερα από ένα τρισεκατομμύριο λεπτά δεδομένων αισθητήρων από πέντε εκατομμύρια ανθρώπους — ένα βήμα, όπως περιγράφει η εταιρεία, προς μια γενικής χρήσης ΤΝ για τη συνεχή παρακολούθηση της υγείας των χρηστών.
Ένα ενοποιημένο μοντέλο για την ανθρώπινη φυσιολογία
Σε αντίθεση με τα συμβατικά, περιορισμένων δυνατοτήτων λογισμικά των smartwatches που εστιάζουν σε έναν μόνο στόχο, το SensorFM καταφέρνει να δημιουργήσει μια ενιαία και πλήρως επαναχρησιμοποιήσιμη αναπαράσταση της ανθρώπινης φυσιολογίας.
Το πρωτοποριακό αυτό μοντέλο επεξεργάζεται ταυτόχρονα 34 διαφορετικά βιομετρικά χαρακτηριστικά ανά λεπτό, αντλώντας πληροφορίες από πέντε τύπους αισθητήρων, όπως ο καρδιακός ρυθμός, το επίπεδο οξυγόνου στο αίμα, η θερμοκρασία του δέρματος και η φυσική κίνηση. Η εντατική εκπαίδευσή του βασίστηκε σε έναν τεράστιο όγκο πραγματικών δεδομένων που καταγράφηκαν από συσκευές Fitbit και Pixel Watch σε περισσότερες από 100 χώρες παγκοσμίως. Όταν οι ερευνητές το δοκίμασαν σε 35 διαφορετικές εργασίες πρόβλεψης υγείας, μέσα από τρεις ανεξάρτητες κλινικές μελέτες με σχεδόν 14.000 συμμετέχοντες, τα αποτελέσματα ήταν εντυπωσιακά.
Το μοντέλο κατάφερε να υπερκεράσει τα υπάρχοντα, βελτιστοποιημένα συστήματα στις 34 από τις 35 κατηγορίες, αποδεικνύοντας μάλιστα εξαιρετική ευαισθησία στην ανίχνευση περίπλοκων ψυχικών καταστάσεων, όπως το άγχος και η κατάθλιψη, οι οποίες παραδοσιακά αφήνουν εξαιρετικά αχνά ίχνη στα ψηφιακά δεδομένα των αισθητήρων.
Η γραμμική κλιμάκωση και η επιστράτευση των LLMs
Η τεράστια επιτυχία του εγχειρήματος αποδίδεται στη στρατηγική κλιμάκωσης που ακολούθησε η ερευνητική ομάδα, υπό την καθοδήγηση των κορυφαίων επιστημόνων Xin Liu και Daniel McDuff. Σύμφωνα με τα ευρήματά τους, η ταυτόχρονη αύξηση του μεγέθους του μοντέλου και του όγκου των διαθέσιμων δεδομένων απέδωσε συνεχή, σχεδόν γραμμικά κέρδη στην απόδοση, χωρίς να παρατηρείται κανένα απολύτως σημάδι υπολογιστικού κορεσμού.
Είναι χαρακτηριστικό πως η μεγαλύτερη παραλλαγή του συστήματος, το SensorFM-B, το οποίο εκπαιδεύτηκε σε ένα ασύλληπτο δείγμα 5 εκατομμυρίων ατόμων, μείωσε τις απώλειες δεδομένων κατά 31% και βελτίωσε την ικανότητα κατηγοριοποίησης των παθήσεων κατά 9%. Για να επιτύχουν την απόλυτη αυτοματοποίηση στην προσαρμογή του συστήματος, οι ερευνητές προχώρησαν σε μια ακόμη καινοτομία, δημιουργώντας μια ψηφιακή «αίθουσα διδασκαλίας».
Εκεί, συνεργαζόμενοι πράκτορες μεγάλων γλωσσικών μοντέλων (LLMs) δοκίμαζαν και βελτίωναν συνεχώς τις παραμέτρους, εξερευνώντας ταχύτατα περισσότερες από 30.000 υποψήφιες λύσεις προκειμένου να βελτιστοποιήσουν τις τελικές ιατρικές προβλέψεις.
Η γέννηση του Προσωπικού Πράκτορα Υγείας
Η πρακτική εφαρμογή όλης αυτής της προηγμένης τεχνολογίας μετουσιώνεται στη δημιουργία ενός Προσωπικού Πράκτορα Υγείας (Personal Health Agent), ο οποίος φιλοδοξεί να αλλάξει οριστικά τον τρόπο με τον οποίο οι πολίτες και οι γιατροί αλληλεπιδρούν με τα ιατρικά δεδομένα.
Σε πρόσφατη μελέτη που αξιολογήθηκε από κλινικούς ιατρούς, οι ιατρικές περιλήψεις που παρήγαγε το SensorFM κρίθηκαν εξίσου ακριβείς και αξιόπιστες με εκείνες που βασίζονταν σε παραδοσιακές, πραγματικές κλινικές μετρήσεις, χωρίς να καταγράφεται καμία στατιστικά σημαντική απόκλιση σε πέντε διαφορετικές διαστάσεις αξιολόγησης. Το σύνολο αυτής της επαναστατικής επιστημονικής εργασίας, η οποία φέρει τον τίτλο «Towards a General Intelligence and Interface for Wearable Health Data», ξεκίνησε τη δημόσια πορεία της μέσω της πλατφόρμας arXiv τον περασμένο Μάιο, για να ανακοινωθεί πλέον και με κάθε επισημότητα μέσα από το ιστολόγιο της Google Research στις 9 Ιουλίου, σηματοδοτώντας ένα τεράστιο, τεχνολογικό άλμα για το μέλλον της ψηφιακής υγείας.
