Google представляет SensorLM, преобразующий сигналы датчиков в полезную информацию о состоянии здоровья
Вы когда-нибудь смотрели на свои умные часы и задумывались, что на самом деле означают все эти цифры? Устройство отслеживает каждый ваш шаг и пульс, но не может рассказать, что скрывается за этими данными. Пульс 150 ударов в минуту может означать как энергичную пробежку, так и ужасно напряжённую рабочую презентацию; ваши часы просто не чувствуют разницы. Именно эту проблему и призван решить SensorLM от Google.
Самой большой проблемой были сами данные. Чтобы понять связь между сигналами датчиков и повседневной жизнью, искусственному интеллекту необходимо обучиться на миллионах многочасовых примеров, предварительно снабженных текстовыми описаниями. Попросить людей вручную описать, что они делали на протяжении миллионов часов записей с датчиков, практически невозможно.
Поэтому команда Google разработала систему, которая автоматически создает подписи к данным датчиков. Этот подход позволил сформировать крупнейший в мире набор данных на языке датчиков, используя 59,7 миллионов часов информации, полученных от более чем 103 000 человек.
Искусственный интеллект SensorLM обучается двумя основными способами:
- Благодаря процессу, называемому «контрастным обучением», который позволяет ИИ различать похожие, но разные виды деятельности. Например, правильно различать по сигналам датчиков «лёгкое плавание» и «силовую тренировку».
- С помощью генеративного предварительного обучения ИИ учится составлять собственные понятные человеку описания, основываясь на данных, полученных из сложных датчиков.
При тестировании на способность классифицировать 20 различных видов деятельности без какой-либо специальной подготовки (задание «с нуля») SensorLM показал поразительную точность. Другие мощные языковые модели, по сути, могли только строить предположения.
Помимо классификации видов деятельности, SensorLM может генерировать точные сводки. Имея только необработанный поток данных с датчиков, ИИ может составить подробное и связное описание событий. В одном из примеров он с точностью до минуты определил поездку на велосипеде на свежем воздухе, последующую прогулку и период сна.
Исследование показало, что по мере роста модели и обучения на большем количестве данных её эффективность продолжает расти. Это открывает путь к будущему по-настоящему персонализированных цифровых консультантов по здоровью, инструментов клинического мониторинга и приложений для поддержания здоровья, которые смогут давать советы в формате естественного диалога.
