قام الباحثون بتدريب الذكاء الاصطناعي الصحي باستخدام بيانات Apple Watch لمدة 3 ملايين يوم

جديد يذاكر استخدم باحثون من معهد ماساتشوستس للتكنولوجيا وEmpirical Health 3 ملايين يوم عمل من بيانات Apple Watch لتطوير نموذج أساسي يتنبأ بالحالات الطبية بدقة مذهلة. وهنا التفاصيل.

قليلا من الخلفية

بينما كان يان ليكون لا يزال كبير علماء الذكاء الاصطناعي في ميتا، فقد اقترح الهندسة التنبؤية للتضمين المشترك، أو JEPA، والتي تعلم الذكاء الاصطناعي بشكل أساسي كيفية استنتاج معنى البيانات المفقودة بدلاً من البيانات نفسها.

بمعنى آخر، عند التعامل مع الفجوات في البيانات، يتعلم النموذج التنبؤ بالأجزاء المفقودة يمثل، بدلاً من محاولة تخمين وإعادة بناء قيمها الدقيقة.

بالنسبة لصورة، على سبيل المثال، حيث تكون بعض الأجزاء مقنعة والبعض الآخر مرئي، ستقوم JEPA بتضمين كل من المناطق المرئية والمقنعة في مساحة مشتركة (وبالتالي، التضمين المشترك) وتجعل النموذج يستنتج تمثيل المنطقة المقنعة من السياق المرئي، بدلاً من السياق الدقيق محتويات التي كانت مخفية.

وإليك كيفية صياغة ميتا عندما أصدرت الشركة نموذجًا يسمى أنا-نعم في عام 2023:

في العام الماضي، اقترح يان ليكون، كبير علماء الذكاء الاصطناعي في ميتا، بنية جديدة تهدف إلى التغلب على القيود الرئيسية حتى لأنظمة الذكاء الاصطناعي الأكثر تقدمًا اليوم. تتمثل رؤيته في إنشاء آلات يمكنها تعلم النماذج الداخلية لكيفية عمل العالم حتى تتمكن من التعلم بسرعة أكبر، والتخطيط لكيفية إنجاز المهام المعقدة، والتكيف بسهولة مع المواقف غير المألوفة.

منذ نشر دراسة LeCun الأصلية لـ JEPA، أصبحت هذه البنية الأساس لمجال يستكشف “النماذج العالمية“، وهو خروج عن التركيز على التنبؤ الرمزي لماجستير القانون والأنظمة القائمة على GPT.

في الواقع، ترك LeCun شركة Meta مؤخرًا ليبدأ شركة تركز بالكامل على النماذج العالمية، والتي يرى أنها الطريق الحقيقي نحو الذكاء الاصطناعي العام.

إذًا، 3 ملايين يوم من بيانات Apple Watch؟

نعم، العودة إلى الدراسة في متناول اليد. نشرت قبل بضعة أشهر، الصحيفة JETS: نموذج أساسي لسلسلة زمنية مشتركة ذاتية الإشراف للبيانات السلوكية في الرعاية الصحية تم قبوله مؤخرًا في ورشة عمل في NeurIPS.

وهو يكيف نهج التضمين المشترك الذي تتبعه JEPA مع السلاسل الزمنية غير المنتظمة متعددة المتغيرات، مثل البيانات القابلة للارتداء طويلة المدى حيث يظهر معدل ضربات القلب والنوم والنشاط والقياسات الأخرى بشكل غير متسق أو مع وجود فجوات كبيرة بمرور الوقت.

من الدراسة:

تستخدم الدراسة مجموعة بيانات طولية تشتمل على بيانات الأجهزة القابلة للارتداء والتي تم جمعها من مجموعة مكونة من 16,522 فردًا، بإجمالي 3 ملايين شخص في اليوم. لكل فرد، تم تسجيل 63 مقياسًا لسلسلة زمنية مميزة بدقة يومية أو أقل. يتم تصنيف هذه المقاييس إلى خمسة مجالات فسيولوجية وسلوكية: صحة القلب والأوعية الدموية، وصحة الجهاز التنفسي، والنوم، والنشاط البدني، والإحصاءات العامة.

ومن المثير للاهتمام أن 15% فقط من المشاركين قاموا بتسمية التاريخ الطبي للتقييم، مما يعني أن 85% من البيانات لم تكن قابلة للاستخدام في أساليب التعلم التقليدية الخاضعة للإشراف. بدلاً من ذلك، تعلمت JETS أولاً من مجموعة البيانات الكاملة من خلال التدريب المسبق الخاضع للإشراف الذاتي، و ثم ضبطها بدقة على المجموعة الفرعية المسمى.

ولإنجاح الأمر برمته، قاموا بإنشاء ثلاثة بيانات من الملاحظات التي تتوافق مع اليوم والقيمة ونوع المقياس.

وقد سمح لهم ذلك بتحويل كل ملاحظة إلى رمز مميز، والذي يمر بدوره بعملية إخفاء، ويتم تشفيره، ومن ثم تغذيته من خلال متنبئ (للتنبؤ بتضمين التصحيحات المفقودة).

بمجرد الانتهاء من ذلك، وضع الباحثون JETS في مواجهة نماذج أساسية أخرى (بما في ذلك الإصدار السابق من JETS، استنادًا إلى بنية Transformer)، وقاموا بتقييمها باستخدام AUROC وAUPRC، وهما مقياسان قياسيان لمدى نجاح الذكاء الاصطناعي في التمييز بين الحالات الإيجابية والسلبية.

حققت JETS معدل AUROC بنسبة 86.8% لارتفاع ضغط الدم، و70.5% للرفرفة الأذينية، و81% لمتلازمة التعب المزمن، و86.8% لمتلازمة العقدة الجيبية المريضة، من بين أمور أخرى. بالطبع، لم يحدث ذلك دائماً الفوز، ولكن المزايا واضحة جدًا، كما هو موضح أدناه:

تجدر الإشارة إلى أن AUROC وAUPRC ليسا صارمين دقة الفهارس. إنها مقاييس توضح مدى نجاح النموذج في تصنيف الحالات المحتملة أو تحديد أولوياتها، بدلاً من عدد المرات التي يحصل فيها على تنبؤات صحيحة.

بشكل عام، تقدم هذه الدراسة نهجًا مثيرًا للاهتمام لتعظيم الرؤية وإمكانات إنقاذ الحياة للبيانات التي يمكن شطبها على أنها غير كاملة أو غير منتظمة. في بعض الحالات، تم تسجيل المقاييس الصحية بنسبة 0.4% فقط من الوقت، بينما ظهرت حالات أخرى في 99% من القراءات اليومية.

تعزز الدراسة أيضًا فكرة أن هناك الكثير من الوعود في النماذج الجديدة وتقنيات التدريب لاستكشاف البيانات التي يتم جمعها بالفعل بواسطة الأجهزة القابلة للارتداء العادية مثل Apple Watch، حتى عندما لا يتم ارتداؤها بنسبة 100٪ من الوقت.

يمكنكم قراءة الدراسة كاملة هنا.

عروض الإكسسوارات على أمازون