Az Apple új mesterséges intelligenciája már nem a nyers szenzoradatokra épít, hanem arra, hogyan élünk. Egy friss tanulmány szerint a viselkedési minták – például a mozgás, az alvás vagy a légzés – sok esetben pontosabb egészségügyi jelzők lehetnek, mint a hagyományos biometrikus értékek.
A vizsgálat az Apple Heart and Movement Study keretében zajlott, és több mint 2,5 milliárd óra okoseszköz-adat alapján képeztek ki egy új alapmodellt, a WBM-et – azaz a Wearable Behavior Modelt. A rendszer nem az Apple Watch szenzoraiból származó nyers jeleket elemzi, hanem az ezekből számított, magasabb szintű viselkedési mutatókat: lépésszámot, járásstabilitást, VO₂ max értéket, alvásidőt, és így tovább.
A kutatók szerint éppen ezek a feldolgozott viselkedési adatok hordozzák a legértékesebb információt bizonyos egészségügyi állapotok felismeréséhez. Például az olyan változásokhoz, mint a terhesség, az alvásminőség romlása vagy egy kezdődő fertőzés. A nyers szenzoradatok ugyan részletesek, de gyakran túl zajosak, gyorsan változnak, és nem feltétlenül mutatnak rá azokra a hosszabb távú trendekre, amelyek egy-egy betegség előjele lehet.
A WBM-et több mint 161 ezer résztvevő Apple Watch és iPhone adataival tanították, 27 értelmezhető viselkedési mutató mentén. A modell architektúrája a Transformer-modelleknél (mint amilyen a GPT) gyorsabb és hatékonyabb Mamba-2 struktúrát használ, amely jobban kezeli az időbeli adatblokkokat.
Az eredmények lenyűgözőek: az MI-modell 57 egészségügyi feladatban mérte össze tudását más szenzoralapú modellekkel. A statikus feladatok – például hogy valaki szed-e béta-blokkolót – 47 kategóriájából 18-ban jobban teljesített, a dinamikus állapotok (például terhesség, alvásminőség, fertőzés) esetében pedig gyakorlatilag mindenben lekörözte a PPG-alapú modelleket.
Különösen figyelemre méltó a terhesség felismerésében elért 92 százalékos pontosság, valamint az, hogy ha a WBM-et kombinálták a nyers szenzoradatokra építő rendszerrel, még pontosabb előrejelzések születtek.
A kutatás tehát nem azt állítja, hogy le kell váltani a szenzorokat, hanem azt, hogy a viselkedési adatok és az MI-alapú feldolgozás tökéletes kiegészítései lehetnek az eddigi módszereknek. Ez az irány új távlatokat nyit az okosórák és a mesterséges intelligencia egészségügyi alkalmazásában – akár a megelőzés, akár a korai diagnózis területén.
