Google大型語言模型可分析穿戴裝置健康資料
記者／竹二
大型語言模型是訓練AI的重要基礎，已經被用於處理各種模態的資料，像是文字、圖像、音訊和影片等。近日Google正在研究嘗試將大型語言模型用於分析穿戴式裝置健康資料，主要目標是要提升個人健康，該新研究特別著重於睡眠與健身這兩項早期死亡預測因子。
零碎資料生成有效建議
根據Google研究展示大型語言模型在健康資料上的潛在應用，可以分析穿戴式裝置的健康資料，把零碎的資料點轉化為個人健康報告，大型語言模型利用程式碼生成和資訊檢索工具強化分析能力，運用Python直譯器進行複雜運算辨識趨勢，再透過搜尋引擎存取最新的醫療和健康知識庫，就可以針對使用者給出個人化的建議和解釋。使用者可以詢問像是「要怎麼在白天感覺更清醒且充滿活力？」人工智慧代理就會依據使用者穿戴式裝置所紀錄的睡眠時間，以及運動頻率給出具體建議。
穿戴式裝置量測個人生理狀態和行為，紀錄步數、心率變異、睡眠持續時間等資料，再結合大型語言模型，經由提供個人化報告與建議協助使用者實現健康目標。只不過這不容易，該模型必須能夠對複雜時間序列和零散資料進行推理，並在每個人的健康背景下生成個人化解釋和建議。
利用PH-LLM評估模型能力
Google研究人員使用了Gemini模型微調版本PH-LLM，透過使用多模態編碼器讓PH-LLM能夠更好理解和解釋文字及時序感測資料，他們創建一組基準資料集來評估模型與專家的能力差距。他們發現，在健身領域無論是Gemini Ultra 1.0模型還是PH-LLM模型的效能，都與健身專家沒有統計學上的差異，在睡眠評估方面，PH-LLM則是與專家表現接近。
其實，過去也有各種大型語言模型的醫療相關應用，但是卻很少使用來自行動或是穿戴式裝置的複雜資料，研究人員認為，這些資料對於個人健康監測非常重要，Google研究的主要貢獻在於展示大型語言模型可以用於分析和解釋穿戴式裝置資料，並且證明能力可媲美人類專家。
瀏覽 299 次
