Google चे SensorFM: वैश्विक आरोग्य बुद्धिमत्तेसाठी एक फाउंडेशन मॉडेल

Google Research ने SensorFM सादर केले आहे, जे विखुरलेल्या वेअरेबल सेन्सर डेटाला (wearable sensor data) आरोग्य बुद्धिमत्तेच्या एका एकत्रित थरामध्ये रूपांतरित करण्यासाठी डिझाइन केलेले एक क्रांतिकारी फाउंडेशन मॉडेल आहे. प्रचंड डेटासेटचा वापर करून, हे मॉडेल केवळ एका विशिष्ट हेतूच्या ट्रॅकिंगच्या पलीकडे जाऊन मानवी शरीरशास्त्र (physiology) आणि वर्तणुकीची व्यापक समज प्रदान करते.

विखुरलेल्या (Siloed) वेअरेबल मेट्रिक्सच्या पलीकडे जाणे

सध्याचे वेअरेबल तंत्रज्ञान सहसा "सिल्ड" (siloed) दृष्टिकोनावर अवलंबून असते: एक अल्गोरिदम झोपेचे टप्पे शोधतो, दुसरा हृदयविकाराचा धोका मोजतो आणि तिसरा तणावावर लक्ष ठेवतो. ही विखुरलेली रचना अकार्यक्षम आहे आणि वापरकर्त्याच्या आरोग्याचा सर्वांगीण दृष्टिकोन प्रदान करण्यात अडथळे निर्माण करते.

SensorFM चे उद्दिष्ट या विलग मॉडेल्सना एका सामायिक AI फाउंडेशनने बदलणे हे आहे. हे मॉडेल आरोग्यविषयक विविध प्रश्नांची उत्तरे देण्यासाठी सतत, अनेकदा "गॅपी" (gappy) किंवा अपूर्ण सेन्सर डेटावर प्रक्रिया करण्यासाठी डिझाइन केलेले आहे. या बदलामुळे वैयक्तिकृत AI आरोग्य सहाय्यक (AI health assistants) तयार करणे शक्य होईल, ज्यांच्याकडे वापरकर्त्याच्या शारीरिक स्थितीची सखोल संदर्भात्मक जागरूकता (contextual awareness) असेल.

प्रचंड व्याप्ती आणि मल्टीमोडल डेटा एकत्रीकरण

SensorFM च्या प्रीट्रेनिंगची (pretraining) व्याप्ती वेअरेबल क्षेत्रात अभूतपूर्व आहे. Google संशोधकांनी १०० हून अधिक देशांतील ५० लाख Fitbit आणि Pixel Watch वापरकर्त्यांकडून गोळा केलेल्या एक ट्रिलियन मिनिटांहून अधिक मल्टीमोडल सेन्सर डेटाचा वापर केला. हा डेटासेट या प्रकारच्या मॉडेलला प्रशिक्षित करण्यासाठी वापरण्यात आलेला आतापर्यंतचा सर्वात मोठा आणि सर्वात वैविध्यपूर्ण संग्रह आहे.

हे मॉडेल पाच मुख्य सेन्सर प्रकारांमधून मिळणाऱ्या ३४ वेगवेगळ्या वैशिष्ट्यांवर प्रक्रिया करते:

• Optical Heart Rate Monitoring (PPG): हृदयगती आणि हृदयगतीतील बदल (heart rate variability) ट्रॅक करणे.
• Acceleration: शारीरिक हालचाल आणि गतीवर लक्ष ठेवणे.
• Skin Conductance: शारीरिक प्रतिक्रिया मोजणे.
• Skin Temperature: तापमानातील बदल ट्रॅक करणे.
• Barometric Altitude: उंचीतील बदल मोजणे.

वेअरेबल डेटा मधील अंगभूत "नॉइझनेस" (noisiness) हाताळण्यासाठी, SensorFM "Adaptive and Inherited Masking" (AIM) नावाच्या तंत्राचा वापर करते. यामुळे मॉडेलला खरोखर गहाळ झालेला डेटा आणि प्रशिक्षणादरम्यान कृत्रिमरित्या मास्क केलेला डेटा यातील फरक ओळखता येतो, ज्यामुळे अपूर्ण डेटा स्ट्रीम पुन्हा तयार करणे आणि समजून घेणे शक्य होते.

३५ आरोग्य कार्यांमध्ये उत्कृष्ट कामगिरी

मानसिक आरोग्य, हृदयविकार, चयापचय घटक (metabolic markers) आणि झोप यासह ३५ वेगवेगळ्या प्रेडिक्शन टास्कवर केलेल्या कठोर चाचणीमध्ये SensorFM ने उल्लेखनीय अष्टपैलुत्व प्रदर्शित केले. सुमारे १४,००० सहभागींच्या वेगळ्या डेटासेटवर चाचणी करताना, SensorFM च्या रिप्रझेंटेशन्सवर आधारित साध्या टास्क-विशिष्ट मॉडेल्सनी ३५ पैकी ३४ श्रेणींमध्ये पारंपारिक सुपरवाइज्ड बेसलाईन्सपेक्षा (supervised baselines) चांगली कामगिरी केली.

शिवाय, हे मॉडेल अत्यंत "लेबल-एफिशिएंट" (label-efficient) असल्याचे सिद्ध झाले. प्रीट्रेनिंग दरम्यान मानवी शरीरशास्त्राचे मूलभूत नमुने आधीच शिकल्यामुळे, नवीन आणि विशिष्ट कार्यांशी जुळवून घेण्यासाठी याला लक्षणीयरीत्या कमी लेबल केलेल्या उदाहरणांची आवश्यकता असते. चिंता किंवा नैराश्य यांसारख्या जटिल आणि अत्यंत वैयक्तिक वैशिष्ट्यांवर लक्ष ठेवण्यासाठी ही क्षमता विशेष महत्त्वाची आहे.

AI हेल्थ एजंट्सच्या पुढच्या पिढीला सक्षम करणे

SensorFM चा कदाचित सर्वात महत्त्वाचा परिणाम म्हणजे Gemini सारख्या लार्ज लँग्वेज मॉडेल्सशी (LLMs) त्याचे एकत्रीकरण. प्रायोगिक सेटअपमध्ये, SensorFM ने एका AI हेल्थ एजंटला शारीरिक संदर्भ (physiological context) प्रदान केला, ज्याने नंतर क्लिनिशियन्सना (clinicians) पुनरावलोकन करण्यासाठी आरोग्य सारांश तयार केला.

याचे परिणाम थक्क करणारे होते: SensorFM च्या प्रेडिक्शन्ससह सुधारित केलेल्या सारांशांनी संदर्भ (context), वैयक्तिकीकरण (personalization), न्यायसंगतता (justifiability), सुसंगतता (relevance) आणि सुरक्षा (safety) या पाच महत्त्वाच्या आयामांमध्ये बेसलाईन सारांशांपेक्षा लक्षणीयरीत्या उच्च गुण मिळवले. विशेष म्हणजे, SensorFM प्रेडिक्शन्स वापरून AI ची कामगिरी ही प्रत्यक्ष क्लिनिकल आरोग्य डेटा वापरण्याइतकीच सांख्यिकीयदृष्ट्या सक्षम होती, ज्यातून असे सूचित होते की फाउंडेशन मॉडेल्स लवकरच वैयक्तिकृत डिजिटल आरोग्य कोचिंगसाठी उच्च-गुणवत्तेचा संदर्भ प्रदान करू शकतात.

मुख्य निष्कर्ष

• Unified Intelligence: SensorFM विखुरलेल्या, एका विशिष्ट हेतूच्या आरोग्य अल्गोरिदमला एकाच फाउंडेशन मॉडेलने बदलत आहे, जे ३५ वेगवेगळ्या आरोग्य आणि वर्तणुकीच्या कार्या हाताळण्यास सक्षम आहे.
• Unrivaled Scale: हे मॉडेल ५० लाख वापरकर्त्यांच्या एक ट्रिलियन मिनिटांच्या मल्टीमोडल डेटावर प्रीट्रेन केले गेले आहे, ज्यामुळे हा त्याच्या प्रकारातील सर्वात मोठा डेटासेट बनला आहे.
• Enhanced AI Context: LLMs मध्ये शारीरिक अंतर्दृष्टी (physiological insights) फीड करून, SensorFM अत्यंत वैयक्तिकृत आणि क्लिनिकली संबंधित आरोग्य सारांश आणि डिजिटल सहाय्यक सक्षम करते.