SensorFM: Giyilebilir Cihaz Verileriyle Genel Sağlık Zekası
SensorFM, 5 milyon kişiden toplanan 1 trilyon dakikalık sensör verisiyle eğitilen ve kalp, uyku, metabolizma, ruh sağlığını tahmin eden büyük ölçekli bir yapay zeka modeli.
SensorFM, giyilebilir cihazlardan toplanan etiketsiz verilerle nüfus ölçeğinde eğitilen bir Büyük Sensör Temel Modeli (Large Sensor Foundation Model) olarak tanıtıldı. Model, 100'den fazla ülkede 5 milyon onaylı katılımcıdan alınan, 20'den fazla Fitbit ve Pixel Watch cihaz modelini kapsayan iki milyar saatten fazla (bir trilyon dakikadan fazla) dakika çözünürlüklü sensör verisiyle önceden eğitildi. PPG, ivmeölçer, elektrodermal aktivite, cilt sıcaklığı ve altimetri gibi beş modaliteden türetilen 34 özellik kullanılarak kalp atış hızı, kan oksijeni, uyku evreleri ve hareket gibi sinyaller modellenmiş oldu.
Modelin en kritik tasarım kararlarından biri, gerçek dünyada sıkça görülen eksik ve kesintili sensör verilerini bir sorun olarak değil doğal bir özellik olarak ele alan Adaptive and Inherited Masking (AIM) çerçevesi oldu. Böylece model, verideki boşlukları doldurmak veya atmak yerine doğrudan eksik kayıtlardan öğrenebiliyor. Ölçeklendirme deneyleri, hem veri hem model boyutu birlikte büyütüldüğünde performansın doğrusala yakın şekilde arttığını ve doyum noktasına ulaşmadığını gösterdi; en büyük model 35 görevin 33'ünde diğer varyantları geride bıraktı.
Kardiyovasküler sağlık, metabolik risk, ruh sağlığı, uyku, demografi ve yaşam tarzını kapsayan 35 ayrı sağlık görevinde test edilen SensorFM, donmuş (frozen) gömme (embedding) katmanı üzerine sadece basit bir doğrusal katman eklenerek bile, özellik mühendisliğine dayanan denetimli modelleri 34 görevin 34'ünde geride bıraktı. Ayrıca, işbirlikçi ve rekabetçi LLM ajanlarından oluşan bir 'sınıf' sistemi, 30 binden fazla aday çözüm üreterek tahmin başlıklarını otomatik şekilde tasarladı ve bu ajan tabanlı çözümler çoğu görevde basit doğrusal problardan daha iyi sonuç verdi. Son olarak SensorFM, kişisel bir sağlık asistanına entegre edilerek gerçek katılımcı profillerinden anlamlı sağlık özetleri üretmede kullanıldı; bu da modelin sadece araştırma ortamında değil, uçtan uca uygulamalarda da işlevsel olduğunu gösterdi.