Google-ன் SensorFM: உலகளாவிய சுகாதார நுண்ணறிவிற்கான ஒரு அடிப்படை மாதிரி (Foundation Model)

Google Research, துண்டு துண்டாக இருக்கும் அணியக்கூடிய சென்சார் தரவுகளை (wearable sensor data) ஒருங்கிணைந்த சுகாதார நுண்ணறிவுத் தளமாக மாற்றும் நோக்கில், ஒரு புரட்சிகரமான அடிப்படை மாதிரியான (foundation model) SensorFM-ஐ அறிமுகப்படுத்தியுள்ளது. மிகப்பெரிய தரவுத் தொகுப்புகளைப் பயன்படுத்துவதன் மூலம், இந்த மாதிரி ஒரு குறிப்பிட்ட நோக்கத்திற்காக மட்டும் செயல்படும் கண்காணிப்பு முறையைத் தாண்டி, மனித உடலியல் மற்றும் நடத்தையைப் பற்றிய விரிவான புரிதலை வழங்குகிறது.

தனித்தனி அணியக்கூடிய அளவீடுகளுக்கு அப்பால்

தற்போதைய அணியக்கூடிய தொழில்நுட்பங்கள் பொதுவாக ஒரு "தனித்தனி" (siloed) அணுகுமுறையைச் சார்ந்தே உள்ளன: ஒரு அல்காரிதம் தூக்க நிலைகளைக் கண்டறிகிறது, மற்றொன்று இதய இரத்த நாள அபாயத்தைக் கணிக்கிறது, மற்றும் மூன்றாவது மன அழுத்தத்தைக் கண்காணிக்கிறது. இந்தத் துண்டு துண்டான கட்டமைப்பு திறமையற்றது மற்றும் பயனரின் ஆரோக்கியத்தைப் பற்றிய முழுமையான பார்வையை வழங்குவதில் சிரமப்படுகிறது.

SensorFM இந்தத் தொடர்பற்ற மாதிரிகளுக்குப் பதிலாக ஒரு பொதுவான AI அடிப்படையை உருவாக்க இலக்கு கொண்டுள்ளது. இது தொடர்ச்சியான, பெரும்பாலும் இடைவெளிகள் கொண்ட அல்லது முழுமையற்ற சென்சார் தரவுகளைச் செயலாக்கி, பல்வேறு சுகாதாரக் கேள்விகளுக்குப் பதிலளிக்கும் வகையில் வடிவமைக்கப்பட்டுள்ளது. இந்த மாற்றம், பயனரின் உடலியல் நிலை குறித்த ஆழமான சூழல் விழிப்புணர்வைக் கொண்ட தனிப்பயனாக்கப்பட்ட AI சுகாதார உதவியாளர்களை உருவாக்க வழிவகுக்கிறது.

பிரம்மாண்டமான அளவு மற்றும் மல்டிமோடல் தரவு ஒருங்கிணைப்பு (Multimodal Data Integration)

SensorFM-ன் முன்-பயிற்சியின் (pretraining) அளவு அணியக்கூடிய தொழில்நுட்பத் துறையில் முன்னெப்போதும் இல்லாதது. Google ஆராய்ச்சியாளர்கள் 100-க்கும் மேற்பட்ட நாடுகளில் உள்ள ஐந்து மில்லியன் Fitbit மற்றும் Pixel Watch பயனர்களிடமிருந்து சேகரிக்கப்பட்ட ஒரு டிரில்லியன் நிமிடங்களுக்கும் அதிகமான மல்டிமோடல் சென்சார் தரவுகளைப் பயன்படுத்தியுள்ளனர். இந்தத் தரவுத் தொகுப்பு, இத்தகைய மாதிரியைப் பயிற்றுவிக்கப் பயன்படுத்தப்பட்ட மிகப்பெரிய மற்றும் மிகவும் மாறுபட்ட அணியக்கூடிய தரவுத் தொகுப்பாகும்.

இந்த மாதிரி ஐந்து முக்கிய சென்சார் வகைகளிலிருந்து பெறப்பட்ட 34 தனித்துவமான அம்சங்களைச் செயலாக்குகிறது:

• Optical Heart Rate Monitoring (PPG): இதயத் துடிப்பு மற்றும் இதயத் துடிப்பு மாறுபாட்டைக் (heart rate variability) கண்காணித்தல்.
• Acceleration: உடல் இயக்கம் மற்றும் அசைவுகளைக் கண்காணித்தல்.
• Skin Conductance: உடலியல் எதிர்வினைகளை அளவிடுதல்.
• Skin Temperature: வெப்ப மாற்றங்களைக் கண்காணித்தல்.
• Barometric Altitude: உயர மாற்றங்களைக் கண்டறிதல்.

அணியக்கூடிய தரவுகளில் இயல்பாகவே இருக்கும் "சத்தத்தை" (noisiness) கையாள, SensorFM "Adaptive and Inherited Masking" (AIM) எனப்படும் நுட்பத்தைப் பயன்படுத்துகிறது. இது உண்மையாகவே விடுபட்ட தரவுப் புள்ளிகளுக்கும், பயிற்சியின் போது செயற்கையாக மறைக்கப்பட்ட தரவுகளுக்கும் இடையிலான வேறுபாட்டைக் கண்டறிய மாதிரியை அனுமதிக்கிறது, இதன் மூலம் முழுமையற்ற தரவு ஓட்டங்களை மீண்டும் கட்டமைக்கவும் புரிந்துகொள்ளவும் இது உதவுகிறது.

35 சுகாதாரப் பணிகளில் சிறந்த செயல்பாடு

மன ஆரோக்கியம், இதய இரத்த நாள ஆரோக்கியம், வளர்சிதை மாற்றக் குறிகாட்டிகள் (metabolic markers) மற்றும் தூக்கம் என 35 வெவ்வேறு முன்னறிவிப்புப் பணிகளில் மேற்கொள்ளப்பட்ட கடுமையான சோதனைகளில், SensorFM குறிப்பிடத்தக்க பன்முகத்தன்மையை வெளிப்படுத்தியது. கிட்டத்தட்ட 14,000 பங்கேற்பாளர்களைக் கொண்ட தனித் தரவுத் தொகுப்பில் சோதிக்கப்பட்டபோது, SensorFM-ன் பிரதிநிதித்துவங்களின் அடிப்படையில் உருவாக்கப்பட்ட எளிய குறிப்பிட்ட பணி மாதிரிகள், 35 பிரிவுகளில் 34 பிரிவுகளில் பாரம்பரிய மேற்பார்வையிடப்பட்ட (supervised) அடிப்படை மாதிரிகளை விடச் சிறப்பாகச் செயல்பட்டன.

மேலும், இந்த மாதிரி மிகவும் "லேபிள்-திறன்" (label-efficient) கொண்டது என்பது நிரூபிக்கப்பட்டுள்ளது. முன்-பயிற்சியின் போது மனித உடலியலின் அடிப்படை வடிவங்களை இது ஏற்கனவே கற்றுக்கொண்டதால், புதிய மற்றும் குறிப்பிட்ட பணிகளுக்குத் தகவமைத்துக் கொள்ள இதற்கு மிகக் குறைவான லேபிளிடப்பட்ட உதாரணங்களே போதுமானதாக இருக்கும். பதற்றம் அல்லது மனச்சோர்வு போன்ற சிக்கலான, தனித்துவமான பண்புகளைக் கண்காணிப்பதற்கு இந்தத் திறன் மிகவும் முக்கியமானது.

அடுத்த தலைமுறை AI சுகாதார முகவர்களின் ஆற்றல்

SensorFM-ன் மிக முக்கியமான தாக்கமாக இருக்கலாம் Gemini போன்ற பெரிய மொழி மாதிரிகளுடன் (LLMs) அதன் ஒருங்கிணைப்பு. சோதனை அமைப்புகளில், SensorFM ஒரு AI சுகாதார முகவருக்கு உடலியல் சூழலை வழங்கியது, அதன் பிறகு அந்த முகவர் மருத்துவர்கள் மதிப்பாய்வு செய்வதற்காக சுகாதாரச் சுருக்கங்களை (health summaries) உருவாக்கியது.

முடிவுகள் வியக்கத்தக்கதாக இருந்தன: SensorFM முன்னறிவிப்புகளுடன் மேம்படுத்தப்பட்ட சுருக்கங்கள், சூழல் (context), தனிப்பயனாக்கம் (personalization), நியாயப்படுத்துதல் (justifiability), பொருத்தம் (relevance) மற்றும் பாதுகாப்பு (safety) ஆகிய ஐந்து முக்கியமான பரிமாணங்களில் அடிப்படைச் சுருக்கங்களை விட கணிசமாக அதிக மதிப்பெண்களைப் பெற்றன. குறிப்பாக, SensorFM முன்னறிவிப்புகளைப் பயன்படுத்தும் AI-ன் செயல்பாடு, உண்மையான மருத்துவ சுகாதாரத் தரவைப் பயன்படுத்துவதற்கு இணையான புள்ளிவிவரத் தரவைக் கொண்டிருந்தது. இது, தனிப்பயனாக்கப்பட்ட டிஜிட்டல் சுகாதாரப் பயிற்சியளிக்க (digital health coaching) அடிப்படை மாதிரிகள் விரைவில் உயர்தர சூழலை வழங்கக்கூடும் என்பதைக் காட்டுகிறது.

முக்கியக் குறிப்புகள்

• ஒருங்கிணைந்த நுண்ணறிவு: SensorFM, துண்டு துண்டான, ஒரு குறிப்பிட்ட நோக்கத்திற்காக மட்டுமே செயல்படும் சுகாதார அல்காரிதம்களுக்குப் பதிலாக, 35 வெவ்வேறு சுகாதார மற்றும் நடத்தை சார்ந்த பணிகளைக் கையாளக்கூடிய ஒரு ஒற்றை அடிப்படை மாதிரியை வழங்குகிறது.
• ஈடுஇணையற்ற அளவு: இந்த மாதிரி ஐந்து மில்லியன் பயனர்களிடமிருந்து பெறப்பட்ட ஒரு டிரில்லியன் நிமிட மல்டிமோடல் தரவுகளில் முன்-பயிற்சி செய்யப்பட்டுள்ளது, இது அதன் வகையிலேயே மிகப்பெரிய தரவுத் தொகுப்பாகும்.
• மேம்படுத்தப்பட்ட AI சூழல்: உடலியல் நுண்ணறிவுகளை LLM-களுக்கு வழங்குவதன் மூலம், SensorFM மிகவும் தனிப்பயனாக்கப்பட்ட மற்றும் மருத்துவ ரீதியாகப் பொருத்தமான சுகாதாரச் சுருக்கங்கள் மற்றும் டிஜிட்டல் உதவியாளர்களை உருவாக்க வழிவகை செய்கிறது.