گوگل با معرفی SensorFM، یک مدل پایه (Foundation Model) هوش مصنوعی، گام بزرگی در جهت یکپارچهسازی تحلیل دادههای حسگرهای پوشیدنی برداشته است. این مدل که توسط تیم Google Research توسعه یافته، میتواند دادههای خام و نامرتب حسگرهای Fitbit و Pixel Watch را به یک لایه هوشمند سلامت عمومی تبدیل کند و در ۳۵ وظیفه مختلف سلامت و رفتار عملکرد فوقالعادهای از خود نشان دهد.
نکات کلیدی
- Google Research از مدل پایه SensorFM رونمایی کرده که با بیش از یک تریلیون دقیقه داده بدون برچسب از پنج میلیون کاربر آموزش دیده است.
- این مدل دادههای حسگرهای Fitbit و Pixel Watch را پردازش کرده و در ۳۴ از ۳۵ وظیفه سلامت و رفتار، از مدلهای نظارتشده با ویژگیهای دستساز بهتر عمل کرده است.
- در آزمایشها، خلاصههای سلامت که شامل پیشبینیهای SensorFM بودند، در تمام پنج حوزه مورد مطالعه امتیاز قابلتوجهی بالاتری نسبت به نسخه پایه دریافت کردند.
SensorFM: مدل پایه سلامت گوگل
بیشتر ویژگیهای سلامت در گجتهای پوشیدنی امروز برای یک هدف خاص ساخته شدهاند. یک مدل مراحل خواب را تشخیص میدهد، دیگری خطر قلبی-عروقی را تخمین میزند و مدلی دیگر استرس یا نشانگرهای متابولیک را تحلیل میکند. گوگل میخواهد این رویکردهای جزیرهای را با یک پایه هوش مصنوعی مشترک جایگزین کند که بتواند دادههای پیوسته و اغلب ناقص حسگرها را در بسیاری از سوالات سلامت تفسیر کند، نیاز به دادههای آموزشی برچسبدار پرهزینه را کاهش دهد و در نهایت زمینه شخصیسازی شده را به دستیاران سلامت هوش مصنوعی ارائه دهد.
Google Research در یک پست وبلاگی و مقاله همراه، SensorFM را معرفی کرده است. این مدل پایه، یک نمایش قابل استفاده مجدد از الگوهای فیزیولوژیکی و رفتاری را از حجم عظیم دادههای بدون برچسب گجتهای پوشیدنی یاد میگیرد. محققان از بیش از یک تریلیون دقیقه داده چندحسی از پنج میلیون کاربر Fitbit و Pixel Watch برای پیشآموزش استفاده کردند. این دادهها از بیش از ۱۰۰ کشور و با بیش از ۲۰ مدل مختلف Fitbit و Pixel Watch جمعآوری شده است. به گفته نویسندگان، این بزرگترین و متنوعترین مجموعه داده پوشیدنی است که تاکنون برای آموزش یک مدل از این نوع استفاده شده است. برای اطلاعات بیشتر در مورد مدلهای پایه میتوانید به ویکیپدیا مراجعه کنید.
دادههای بیشتر، مدل بهتر
SensorFM ۳۴ ویژگی را از پنج نوع داده حسگر پردازش میکند: مانیتورینگ نوری ضربان قلب (فتوپلتیسموگرافی یا PPG)، شتابسنج، رسانایی پوست، دمای پوست و ارتفاع سنجی فشارسنجی. ویژگیها شامل ضربان قلب، تغییرپذیری ضربان قلب، اشباع اکسیژن خون، مراحل خواب و دادههای حرکتی هستند. این مدل به صورت خودنظارتی (Self-Supervised) با بازسازی بخشهای داده عمداً پنهانشده آموزش میبیند. این تکنیک که "Adaptive and Inherited Masking" (AIM) نام دارد، هم مقادیر واقعاً گمشده و هم مقادیری را که در طول آموزش به طور مصنوعی پنهان شدهاند، علامتگذاری میکند تا SensorFM یاد بگیرد هر دو نوع شکاف داده را مدیریت کند. در مورد یادگیری خودنظارتی بیشتر بخوانید: ویکیپدیا.
محققان گزارش میدهند که عملکرد به طور سیستماتیک با افزایش اندازه مدل و حجم داده بهبود مییابد. چهار نوع مدل آزمایش شده از حدود ۱۰۰٬۰۰۰ تا ۱۰۰ میلیون پارامتر متغیر بودند و مجموعه دادههای آموزشی از ۵٬۰۰۰ تا پنج میلیون نفر را شامل میشدند. در بزرگترین مجموعه داده آموزشی، خطای بازسازی بزرگترین مدل ۳۱ درصد کمتر از کوچکترین مدل بود. بزرگترین پیکربندی همچنین در اکثر وظایف پیشبینی نهایی بهترین عملکرد را داشت.
عملکرد برتر در ۳۴ از ۳۵ وظیفه
محققان سپس SensorFM را روی دادههای سه مطالعه جداگانه با مجموع ۱۳٬۹۸۵ شرکتکننده آزمایش کردند. این مدل هرگز این دادهها را در طول پیشآموزش ندیده بود. آنها SensorFM را روی ۳۵ وظیفه پیشبینی شامل سلامت قلبی-عروقی و متابولیک، سلامت روان، خواب، جمعیتشناسی و سبک زندگی ارزیابی کردند.
بر اساس مقاله، حتی مدلهای سر وظیفهای ساده که بر روی نمایشهای یادگرفتهشده SensorFM ساخته شدهاند، در ۳۴ از ۳۵ وظیفه از خطوط پایه نظارتشده با ویژگیهای دستساز گجتهای پوشیدنی بهتر عمل کردند. پیشآموزش مقیاسپذیر همچنین SensorFM را در مقایسه با خطوط پایه نظارتشده، کارآمدتر از نظر برچسب کرد. این مدل میتوانست با نمونههای برچسبدار نسبتاً کمی با وظایف جدید سازگار شود و با افزایش اندازه دادههای برچسبدار، عملکرد آن همچنان بهبود مییافت.
نتیجهگیری و آینده
SensorFM نشان میدهد که یک مدل پایه واحد میتواند دادههای پیچیده و ناهمگن حسگرهای پوشیدنی را به یک نمایش معنادار تبدیل کند و در طیف وسیعی از وظایف سلامت و رفتار عملکرد عالی داشته باشد. این رویکرد میتواند راه را برای دستیارهای سلامت هوش مصنوعی شخصیسازیشده هموار کند که نه تنها دادههای فعلی کاربر را تفسیر میکنند، بلکه روندهای بلندمدت را نیز پیشبینی میکنند. گوگل اعلام کرده که این مدل میتواند در آینده به عنوان هسته اصلی بسیاری از ویژگیهای سلامت در پلتفرمهای پوشیدنی خود استفاده شود. برای مطالعه مقاله اصلی گوگل به وبلاگ Google Research مراجعه کنید.
