Google ನ SensorFM: ಸಾರ್ವತ್ರಿಕ ಆರೋಗ್ಯ ಬುದ್ಧಿಮತ್ತೆಗಾಗಿ ಒಂದು ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್

Google Research ತನ್ನ SensorFM ಅನ್ನು ಅನಾವರಣಗೊಳಿಸಿದೆ. ಇದು ಚದುರಿಹೋಗಿರುವ ವಿಯರಬಲ್ (wearable) ಸೆನ್ಸರ್ ಡೇಟಾವನ್ನು ಏಕೀಕೃತ ಆರೋಗ್ಯ ಬುದ್ಧಿಮತ್ತೆಯ ಪದರವನ್ನಾಗಿ ಪರಿವರ್ತಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಕ್ರಾಂತಿಕಾರಿ ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್ ಆಗಿದೆ. ಬೃಹತ್ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಮೂಲಕ, ಈ ಮಾಡೆಲ್ ಕೇವಲ ಒಂದು ನಿರ್ದಿಷ್ಟ ಉದ್ದೇಶದ ಟ್ರ್ಯಾಕಿಂಗ್‌ಗಿಂತ ಮಿಗಿಲಾಗಿ, ಮಾನವನ ದೈಹಿಕ ಕಾರ್ಯವೈಖರಿ (physiology) ಮತ್ತು ನಡವಳಿಕೆಯ ಬಗ್ಗೆ ಸಮಗ್ರ ತಿಳುವಳಿಕೆಯನ್ನು ನೀಡುತ್ತದೆ.

ಪ್ರತ್ಯೇಕವಾದ ವಿಯರಬಲ್ ಮೆಟ್ರಿಕ್‌ಗಳ ಮಿತಿಯನ್ನು ಮೀರಿ

ಪ್ರಸ್ತುತ ವಿಯರಬಲ್ ತಂತ್ರಜ್ಞಾನವು ಸಾಮಾನ್ಯವಾಗಿ "ಸೈಲೋಡ್" (siloed - ಪ್ರತ್ಯೇಕವಾದ) ವಿಧಾನವನ್ನು ಅವಲಂಬಿಸಿದೆ: ಒಂದು ಅಲ್ಗಾರಿದಮ್ ನಿದ್ರೆಯ ಹಂತಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತದೆ, ಇನ್ನೊಂದು ಹೃದಯದ ರಕ್ತನಾಳದ ಅಪಾಯವನ್ನು ಅಂದಾಜಿಸುತ್ತದೆ ಮತ್ತು ಮೂರನೆಯದು ಒತ್ತಡವನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತದೆ. ಈ ಚದುರಿದ ವಾಸ್ತುಶಿಲ್ಪವು ಅಸಮರ್ಥವಾಗಿದೆ ಮತ್ತು ಬಳಕೆದಾರರ ಆರೋಗ್ಯದ ಸಮಗ್ರ ನೋಟವನ್ನು ಒದಗಿಸಲು ಕಷ್ಟಪಡುತ್ತದೆ.

SensorFM ಈ ಸಂಪರ್ಕವಿಲ್ಲದ ಮಾಡೆಲ್‌ಗಳನ್ನು ಒಂದು ಹಂಚಿಕೆಯ AI ಫೌಂಡೇಶನ್‌ನೊಂದಿಗೆ ಬದಲಾಯಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. ಇದು ಆರೋಗ್ಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ವೈವಿಧ್ಯಮಯ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ನಿರಂತರವಾದ, ಮತ್ತು ಹೆಚ್ಚಾಗಿ "ಗ್ಯಾಪಿ" (gappy) ಅಥವಾ ಅಪೂರ್ಣವಾದ ಸೆನ್ಸರ್ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಈ ಬದಲಾವಣೆಯು ಬಳಕೆದಾರರ ದೈಹಿಕ ಸ್ಥಿತಿಯ ಬಗ್ಗೆ ಆಳವಾದ ಸಂದರ್ಭೋಚಿತ ಅರಿವನ್ನು ಹೊಂದಿರುವ ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ AI ಆರೋಗ್ಯ ಸಹಾಯಕರನ್ನು ರಚಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ಬೃಹತ್ ಪ್ರಮಾಣ ಮತ್ತು ಮಲ್ಟಿಮೋಡಲ್ ಡೇಟಾ ಸಂಯೋಜನೆ

ವಿಯರಬಲ್ ಕ್ಷೇತ್ರದಲ್ಲಿ SensorFM ನ ಪ್ರಿ-ಟ್ರೈನಿಂಗ್ (pretraining) ಪ್ರಮಾಣವು ಅಭೂತಪೂರ್ವವಾಗಿದೆ. Google ಸಂಶೋಧಕರು 100 ಕ್ಕೂ ಹೆಚ್ಚು ದೇಶಗಳ ಐದು ಮಿಲಿಯನ್ Fitbit ಮತ್ತು Pixel Watch ಬಳಕೆದಾರರಿಂದ ಸಂಗ್ರಹಿಸಲಾದ ಒಂದು ಟ್ರಿಲಿಯನ್ ನಿಮಿಷಗಳಿಗೂ ಹೆಚ್ಚು ಮಲ್ಟಿಮೋಡಲ್ ಸೆನ್ಸರ್ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡಿದ್ದಾರೆ. ಈ ಡೇಟಾ ಸೆಟ್ ಈ ರೀತಿಯ ಮಾಡೆಲ್ ಅನ್ನು ತರಬೇತುಗೊಳಿಸಲು ಬಳಸಲಾದ ಅತ್ಯಂತ ದೊಡ್ಡ ಮತ್ತು ವೈವಿಧ್ಯಮಯ ವಿಯರಬಲ್ ಡೇಟಾ ಸಂಗ್ರಹವಾಗಿದೆ.

ಈ ಮಾಡೆಲ್ ಐದು ಪ್ರಮುಖ ಸೆನ್ಸರ್ ಪ್ರಕಾರಗಳಿಂದ ಪಡೆದ 34 ವಿಭಿನ್ನ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ:

• ಆಪ್ಟಿಕಲ್ ಹಾರ್ಟ್ ರೇಟ್ ಮಾನಿಟರಿಂಗ್ (PPG): ಹೃದಯ ಬಡಿತ ಮತ್ತು ಹೃದಯ ಬಡಿತದ ವೈವಿಧ್ಯತೆಯನ್ನು (heart rate variability) ಟ್ರ್ಯಾಕ್ ಮಾಡುವುದು.
• ಅಕ್ಸೆಲರೇಶನ್ (Acceleration): ದೈಹಿಕ ಚಲನೆ ಮತ್ತು ಚಲನಶೀಲತೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು.
• ಚರ್ಮದ ವಿದ್ಯುತ್ ವಾಹಕತೆ (Skin Conductance): ದೈಹಿಕ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಅಳೆಯುವುದು.
• ಚರ್ಮದ ತಾಪಮಾನ (Skin Temperature): ಉಷ್ಣತಾ ಬದಲಾವಣೆಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವುದು.
• ಬಾರೋಮೆಟ್ರಿಕ್ ಆಲ್ಟಿಟ್ಯೂಡ್ (Barometric Altitude): ಎತ್ತರದಲ್ಲಿನ ಬದಲಾವಣೆಗಳನ್ನು ಗ್ರಹಿಸುವುದು.

ವಿಯರಬಲ್ ಡೇಟಾದಲ್ಲಿರುವ ಸಹಜವಾದ "ನಾಯ್ಸ್" (noisiness - ಅಸ್ಪಷ್ಟತೆ) ಅನ್ನು ನಿರ್ವಹಿಸಲು, SensorFM "ಅಡಾಪ್ಟಿವ್ ಅಂಡ್ ಇನ್ಹೆರಿಟೆಡ್ ಮಾಸ್ಕಿಂಗ್" (Adaptive and Inherited Masking - AIM) ಎಂಬ ತಂತ್ರವನ್ನು ಬಳಸುತ್ತದೆ. ಇದು ನಿಜವಾಗಿಯೂ ಕಾಣೆಯಾಗಿರುವ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳು ಮತ್ತು ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಕೃತಕವಾಗಿ ಮರೆಮಾಚಲಾದವುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಲು ಮಾಡೆಲ್‌ಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಇದರಿಂದ ಇದು ಅಪೂರ್ಣ ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳನ್ನು ಪುನರ್ನಿರ್ಮಿಸಲು ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

35 ಆರೋಗ್ಯ ಕಾರ್ಯಗಳಲ್ಲಿ ಶ್ರೇಷ್ಠ ಕಾರ್ಯಕ್ಷಮತೆ

ಮಾನಸಿಕ ಆರೋಗ್ಯ, ಹೃದಯದ ಆರೋಗ್ಯ, ಮೆಟಾಬೋಲಿಕ್ ಮಾರ್ಕರ್ಸ್ ಮತ್ತು ನಿದ್ರೆ ಸೇರಿದಂತೆ 35 ವಿಭಿನ್ನ ಮುನ್ಸೂಚನಾ ಕಾರ್ಯಗಳ ಕಠಿಣ ಪರೀಕ್ಷೆಯಲ್ಲಿ, SensorFM ಗಮನಾರ್ಹ ಬಹುಮುಖಿ ಸಾಮರ್ಥ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸಿತು. ಸುಮಾರು 14,000 ಭಾಗವಹಿಸುವವರ ಪ್ರತ್ಯೇಕ ಡೇಟಾ ಸೆಟ್‌ನಲ್ಲಿ ಪರೀಕ್ಷಿಸಿದಾಗ, SensorFM ನ ಪ್ರತಿನಿಧಿಸುವಿಕೆಗಳ (representations) ಮೇಲೆ ನಿರ್ಮಿಸಲಾದ ಸರಳ ಕಾರ್ಯ-ನಿರ್ದಿಷ್ಟ ಮಾಡೆಲ್‌ಗಳು 35 ವಿಭಾಗಗಳಲ್ಲಿ 34 ವಿಭಾಗಗಳಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ಸೂಪರ್‌ವೈಸ್ಡ್ ಬೇಸ್‌ಲೈನ್‌ಗಳಿಗಿಂತ ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡಿದವು.

ಇದಲ್ಲದೆ, ಈ ಮಾಡೆಲ್ ಅತ್ಯಂತ "ಲೇಬಲ್-ಎಫಿಷಿಯೆಂಟ್" (label-efficient) ಎಂದು ಸಾಬೀತಾಗಿದೆ. ಇದು ಪ್ರಿ-ಟ್ರೈನಿಂಗ್ ಸಮಯದಲ್ಲಿ ಮಾನವ ದೈಹಿಕತೆಯ ಮೂಲಭೂತ ಮಾದರಿಗಳನ್ನು ಈಗಾಗಲೇ ಕಲಿತ 있기ರುವುದರಿಂದ, ಹೊಸ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಇದಕ್ಕೆ ಬಹಳ ಕಡಿಮೆ ಲೇಬಲ್ ಮಾಡಿದ ಉದಾಹರಣೆಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ. ಆತಂಕ ಅಥವಾ ಖಿನ್ನತೆಯಂತಹ ಸಂಕೀರ್ಣ ಮತ್ತು ವೈಯಕ್ತಿಕ ಲಕ್ಷಣಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಈ ಸಾಮರ್ಥ್ಯವು ವಿಶೇಷವಾಗಿ ಮುಖ್ಯವಾಗಿದೆ.

ಮುಂದಿನ ಪೀಳಿಗೆಯ AI ಆರೋಗ್ಯ ಏಜೆಂಟ್‌ಗಳಿಗೆ ಶಕ್ತಿ ತುಂಬುವುದು

SensorFM ನ ಬಹುಶಃ ಅತ್ಯಂತ ಮಹತ್ವದ ಪರಿಣಾಮವೆಂದರೆ Gemini ನಂತಹ Large Language Models (LLMs) ಗಳೊಂದಿಗೆ ಅದರ ಸಂಯೋಜನೆ. ಪ್ರಾಯೋಗಿಕ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ, SensorFM ಒಂದು AI ಆರೋಗ್ಯ ಏಜೆಂಟ್‌ಗೆ ದೈಹಿಕ ಸಂದರ್ಭವನ್ನು (physiological context) ಒದಗಿಸಿತು, ಇದು ನಂತರ ವೈದ್ಯರು ಪರಿಶೀಲಿಸಲು ಆರೋಗ್ಯ ಸಾರಾಂಶಗಳನ್ನು (health summaries) ಸಿದ್ಧಪಡಿಸಿತು.

ಫಲಿತಾಂಶಗಳು ಆಕರ್ಷಕವಾಗಿದ್ದವು: SensorFM ಮುನ್ಸೂಚನೆಗಳೊಂದಿಗೆ ವರ್ಧಿಸಲಾದ ಸಾರಾಂಶಗಳು ಸಂದರ್ಭ (context), ವೈಯಕ್ತೀಕರಣ (personalization), ಸಮರ್ಥನೆ (justifiability), ಪ್ರಸ್ತುತತೆ (relevance) ಮತ್ತು ಸುರಕ್ಷತೆ (safety) ಎಂಬ ಐದು ನಿರ್ಣಾಯಕ ಆಯಾಮಗಳಲ್ಲಿ ಬೇಸ್‌ಲೈನ್ ಸಾರಾಂಶಗಳಿಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿನ ಅಂಕಗಳನ್ನು ಪಡೆದವು. ಗಮನಾರ್ಹವಾಗಿ, SensorFM ಮುನ್ಸೂಚನೆಗಳನ್ನು ಬಳಸುವ AI ನ ಕಾರ್ಯಕ್ಷಮತೆಯು ನೈಜ ಕ್ಲಿನಿಕಲ್ ಆರೋಗ್ಯ ಡೇಟಾವನ್ನು ಬಳಸುವುದಕ್ಕೆ ಸಾಂಖ್ಯಿಕವಾಗಿ ಸಮಾನವಾಗಿತ್ತು, ಇದು ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್‌ಗಳು ಶೀಘ್ರದಲ್ಲೇ ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಡಿಜಿಟಲ್ ಆರೋಗ್ಯ ತರಬೇತಿಗಾಗಿ (digital health coaching) ಹೆಚ್ಚಿನ ನಿಖರತೆಯ ಸಂದರ್ಭವನ್ನು ಒದಗಿಸಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

• ಏಕೀಕೃತ ಬುದ್ಧಿಮತ್ತೆ: SensorFM ಚದುರಿದ, ಏಕ-ಉದ್ದೇಶದ ಆರೋಗ್ಯ ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಬದಲಿಗೆ 35 ವಿಭಿನ್ನ ಆರೋಗ್ಯ ಮತ್ತು ನಡವಳಿಕೆಯ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಬಲ್ಲ ಏಕೈಕ ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್ ಅನ್ನು ತರುತ್ತದೆ.
• ಅಪ್ರತಿಮ ಪ್ರಮಾಣ: ಈ ಮಾಡೆಲ್ ಅನ್ನು ಐದು ಮಿಲಿಯನ್ ಬಳಕೆದಾರರಿಂದ ಪಡೆದ ಒಂದು ಟ್ರಿಲಿಯನ್ ನಿಮಿಷಗಳ ಮಲ್ಟಿಮೋಡಲ್ ಡೇಟಾದ ಮೇಲೆ ಪ್ರಿ-ಟ್ರೈನ್ ಮಾಡಲಾಗಿದೆ, ಇದು ತನ್ನದೇ ಆದ ವಿಧದ ಅತಿದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್ ಆಗಿದೆ.
• ಸುಧಾರಿತ AI ಸಂದರ್ಭ: ದೈಹಿಕ ಒಳನೋಟಗಳನ್ನು LLM ಗಳಿಗೆ ಒದಗಿಸುವ ಮೂಲಕ, SensorFM ಅತ್ಯಂತ ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ದೃಷ್ಟಿಯಿಂದ ಪ್ರಸ್ತುತವಾದ ಆರೋಗ್ಯ ಸಾರಾಂಶಗಳು ಮತ್ತು ಡಿಜಿಟಲ್ ಸಹಾಯಕರನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.