Im Quellenvergleich
Worin die Quellen übereinstimmen
Google Research hat SensorFM vorgestellt, ein Foundation Model für Wearable-Gesundheitsdaten. Das Modell wurde mit über einer Billion Minuten Sensordaten von fünf Millionen Menschen trainiert. Es lernt ohne manuelle Beschriftung durch selbstüberwachte Rekonstruktion. SensorFM übertrifft bei der Mehrheit von 35 Gesundheitsvorhersagen überwachte Vergleichsmodelle. In einem Test bewerteten Ärzte Gesundheitszusammenfassungen mit SensorFM-Unterstützung signifikant besser als eine Basisversion.
Worin sie sich unterscheidenAnzahl der Aufgaben, bei denen SensorFM überwachte Modelle übertrifft·Einschränkungen und Produktstatus
Anzahl der Aufgaben, bei denen SensorFM überwachte Modelle übertrifft- Das Modell erzielt in 33 von 35 Aufgaben die besten Werte.1
- SensorFM übertrifft bei 34 von 35 Gesundheits- und Verhaltensaufgaben überwachte Vergleichsmodelle.2
Einschränkungen und Produktstatus- Das größte Modell (SensorFM-B) reduziert den Rekonstruktionsfehler um 31 Prozent gegenüber der kleinsten Variante und verbessert die Ergebnisse bei Klassifikationsaufgaben um durchschnittlich neun Prozent (AUC) und bei Regressionsaufgaben um 21 Prozent (Pearson-Koeffizient). Zur automatischen Anpassung der Einbettungen entwickelten die Forscher ein System aus KI-Agenten, das über 30.000 Lösungen testete.1
- Die Forscher weisen auf Einschränkungen hin: SensorFM wurde nur mit Daten von Fitbit- und Pixel-Watch-Geräten trainiert und arbeitet mit auf Minutenebene zusammengefassten Daten. Viele Gesundheitsmerkmale beruhen auf Selbstauskünften. SensorFM ist zunächst ein Forschungsmodell; eine konkrete Integration in Produkte nennt Google bislang nicht.2