Google egymilliárd perc viselkedési adattal tanított egészségügyi AI-modellt

A Google Research SensorFM nevű alapmodellt fejlesztett, amely öt millió Fitbit és Pixel Watch felhasználó viselkedési szenzor-adataiból tanult. Az eddigi legnagyobb és legváltozatosabb viselkedési adathalmazt használták a képzéshez, amely több mint 100 országból és több mint 20 különböző eszköztípusból származik.

A modell 34 jellemzőt dolgoz fel öt szenzortípusból: optikai pulzusmérésből, gyorsulásból, bőrelektródos vezetőképességből, bőrhőmérsékletből és barometrikus magasságmérésből. Az önfelügyelt tanítás során a modell megtanult hiányzó adatszakaszokat rekonstruálni, így képes kezelni a valódi és mesterséges adathiányokat egyaránt.

A tesztelések során a SensorFM 35 előrejelzési feladatban 34 esetben felülmúlta a hagyományos felügyelt modelleket, amelyek speciálisan előkészített viselkedési jellemzőkön alapultak. Az alapmodell hatékonyabban tanult új feladatokra, és kevesebb jelölt adatra volt szüksége az adaptációhoz.

A kutatók egy személyes egészségügyi asszisztenst is integráltak a modellel. Négy klinikus értékelése szerint az SensorFM előrejelzéseit tartalmazó egészségügyi összefoglalók minden vizsgált területen szignifikánsan jobbak voltak az alapváltozatnál, és nem voltak statisztikailag szignifikáns különbség az ismert egészségügyi adatokkal készült összefoglalóktól.

A kutatók azonban felhívják a figyelmet a korlátokra: a modellt csak Fitbit és Pixel Watch adatokkal tanították, és nem világos, hogy az eredmények más viselkedési szenzorokra átvihetők-e. Emellett a modell nem nyers, nagy felbontású jeleket, hanem percenkénti szintű összesített adatokat dolgoz fel.