SensorFM: Googlen jättimäinen terveysdata-AI oppi tuhansilta miljoonilta

SensorFM on Googlen tutkijoiden kehittämä perusmalli, joka on esiharjoitettu yli biljoonalla minuutilla merkitsemätöntä puettavien antureiden signaalitietoa noin viideltä miljoonalta osallistujalta ja arvioitu 35:llä terveyden kannalta merkityksellisellä jatkotehtävällä . Työn otsikko on "Kohti yleistä älykkyyttä ja käyttöliittymää puettavalle terveysdatalle", ja se edustaa askelta kohti yleiskäyttöistä tekoälyä jatkuvaan terveydentilan seurantaan neljän keskeisen ominaisuuden kautta:

Mikä SensorFM on

• Massiivinen esiharjoitusasteikko: SensorFM on esiharjoitettu yli biljoonalla minuutilla merkitsemätöntä anturisignaalitietoa, joka on kerätty noin viiden miljoonan henkilön joukolta . Syötteisiin kuuluvat minuuttikohtaiset sensoriparametrit (esim. kiihtyvyysanturi, syke, lämpötila, SpO₂) laitteista, kuten Fitbit ja Pixel Watch .
• 35 tehtävän arviointi: Mallia testataan 35:llä terveyden ennustustehtävällä, jotka kattavat muun muassa sydän- ja verisuoniterveyden, aineenvaihdunnan, hengityksen, aktiivisuuden, unen ja mielenterveyden . Se suoriutuu perinteisiä menetelmiä paremmin 34:ssä näistä luokitustehtävistä .
• Skaalausominaisuudet: Tutkimukset osoittavat, että mallin kapasiteetin ja esiharjoitusdatan määrän yhteisskaalaus johtaa systemaattisiin suorituskyvyn parannuksiin kaikissa jatkotehtävissä . Tämä heijastaa kielimallien ja kuvantunnistusmallien skaalauslakeja, jotka on nyt vahvistettu puettavien antureiden datalle.

Miten se edistää yleiskäyttöistä tekoälyä terveyden seurannassa

• Yleiset sensoriparametrit: Sen sijaan, että jokaiselle terveysongelmalle rakennettaisiin erillinen algoritmi, SensorFM oppii jaetun kuvauksen ihmisen fysiologisista ja käyttäytymismalleista merkitsemättömästä datasta ja mukautuu sitten tiettyihin tehtäviin vähäisellä merkityllä datalla — tämä on perusmallin yleiskäyttöisyyden tunnusmerkki.
• Integrointi LLM-agentteihin: Malli käyttää autonomisia LLM-agentteja (mukaan lukien Gemini-ankkurointia) navigoidakseen upotusavaruuksissa ja suorittaakseen ennustetehtäviä, yhdistäen suoraan sensorien ymmärtämisen kielimallipäättelyyn .
• Polku henkilökohtaiseen terveysagenttiin: Google Research on erikseen julkaissut "Personal Health Insights Agent (PHIA)" -järjestelmän, joka käyttää monivaiheista päättelyä, koodin tuottamista ja tiedonhakua analysoidakseen puettavien laitteiden dataa ja vastatakseen terveyskysymyksiin . SensorFM tarjoaa perustavanlaatuisen sensorien ymmärryskerroksen, jota tällainen agentti käyttäisi tarjotakseen henkilökohtaisia, jatkuvia terveystietoja.

Yhteenvetona voidaan todeta, että SensorFM skaalaa anturipohjaisen tekoälyn biljoonan minuutin ja viiden miljoonan henkilön tasolle, osoittaa systemaattisia suorituskyvyn parannuksia koon kasvaessa, yleistyy 35 terveystehtävään ja yhdistyy LLM-pohjaisiin henkilökohtaisiin terveysagentteihin — mikä tekee siitä konkreettisen askeleen kohti yhtä yleiskäyttöistä tekoälyjärjestelmää, joka seuraa ja tulkitsee jatkuvasti ihmisen terveyttä puettavien laitteiden avulla.