ИИ в носимых технологиях: Google Research представил SensorFM

Специфика работы с данными фитнес-трекеров и умных часов всегда упиралась в две проблемы: индивидуальность каждого организма и катастрофическая нехватка качественной разметки (диагнозов, медицинских тестов). Как правило, ИИ-модели в этой сфере создавались под одну узкую задачу.

Команда Google Research (включая ведущих исследователей Xin Liu и Daniel McDuff) предложила новый подход. Они разработали SensorFM — масштабную фундаментальную модель для носимых устройств, способную понимать общие паттерны человеческой физиологии.

SensorFM обучена на 1 триллионе минут (более 2 миллиардов часов) деидентифицированных биометрических данных от 5 миллионов человек из 100+ стран. На сегодняшний день это крупнейший и самый разнообразный датасет в индустрии.

Модель обрабатывает 34 поминутных признака с 5 типов датчиков (PPG, акселерометр, EDA, температура кожи и альтиметр), непрерывно анализируя пульс, вариабельность, сатурацию, фазы сна и активность в 24-часовом окне.

Устойчивость к потере сигнала: Люди снимают часы, устройства разряжаются. Вместо того чтобы выбрасывать неполные данные или искусственно заполнять пропуски, SensorFM использует архитектуру AIM (Adaptive and Inherited Masking) и учится прямо на фрагментированных записях.

Эффект совместного масштабирования (Co-scaling): Эксперименты показали, что одновременное увеличение размера модели и объема данных дает практически линейный рост качества без признаков насыщения. Самая большая версия (SensorFM-B) улучшила показатели на downstream-задачах в среднем на 9% (AUC) в классификации и на 21% в регрессии.

Один эмбеддинг для 35 задач: Замороженная модель без специфической дообустройки превзошла специализированные baseline-решения в 34 из 35 задач, охватывающих кардиологию, метаболические риски, сон и даже ментальное здоровье (депрессия/тревожность).

Агентный «класс» (Agentic Classroom): Чтобы автоматизировать создание прогнозных моделей на базе SensorFM, авторы запустили систему взаимодействующих LLM-агентов. Они сгенерировали и протестировали более 30 000 вариантов кода, создав оптимальные «головы» для предсказаний, которые обошли стандартные линейные пробы.

«Заземление» персональных ИИ-ассистентов здоровья (Personal Health Agent):
Разработчики проверили, способна ли SensorFM стать надежной базой для текстового ИИ-коуча. Независимая панель врачей оценивала отчеты ассистента по 5 критериям (контекст, релевантность, персонализация и т.д.).
Результаты поражают: прогнозы SensorFM усилили ИИ-ассистента настолько, что медики не заметили статистически значимой разницы между ответами, основанными на предсказаниях модели, и ответами на основе реальных лабораторных данных (ground-truth).

Что это значит для индустрии?

SensorFM знаменует фундаментальный сдвиг от разрозненных узкоспециализированных пайплайнов к единому «генеральному интеллекту» для человеческой физиологии. Это открывает путь к по-настоящему превентивной, персонализированной и доступной цифровой медицине.

https://research.google/blog/sensorfm-towards-a-general-intelligence-and-interface-for-wearable-health-data/?utm_source=linkedin&utm_medium=social&utm_campaign=social_post&utm_content=gr-acct

#GoogleResearch #AI #MachineLearning #HealthTech #Wearables #BioTech #DeepMind #SensorFM #GenerativeAI #Innovations