مدل هوش مصنوعی JETS با استفاده از معماری JEPA از دادههای ناقص اپل واچ الگو استخراج میکند و پیشبینی دقیقتری از شرایط پزشکی ارائه میدهد.
به گزارش سرویس هوش مصنوعی مگ دید، محققان مؤسسه فناوری ماساچوست (MIT) و شرکت Empirical Health در مطالعهای پیشگامانه مدل هوش مصنوعی بنیادی توسعه دادهاند که با دقتی چشمگیر، شرایط پزشکی و بیماریهای افراد را میتواند پیشبینی کند. این مدل با استفاده از حجم عظیم دادههای جمعآوری شده از اپل واچ (حدود ۳ میلیون نفر روز) آموزش دیده است.
ریشه این نوآوری به ایدههای یان لکان (Yann LeCun)، دانشمند ارشد هوش مصنوعی سابق در متا، باز میگردد. او معماری خاصی به نام Joint-Embedding Predictive Architecture (JEPA) را پیشنهاد داد. تفاوت اصلی این معماری با مدلهای رایج این است که وقتی با دادههای ناقص یا گمشده روبهرو میشود، سعی نمیکند دقیقاً مقادیر گمشده را حدس بزند؛ بلکه تلاش میکند «معنا» و «مفهوم» بخشهای گمشده را استنتاج کند.
به زبان ساده، اگر تکهای از تصویر یا بخشی از دادههای زمانی حذف شده باشد، این هوش مصنوعی با درک زمینه (Context) بخشهای موجود، مفهوم کلی بخش پنهان را بازسازی میکند. این رویکرد که به «مدلهای جهان» (World Models) معروف است، مسیری متفاوت از مدلهای زبانی بزرگ (LLMs) و سیستمهای مبتنیبر GPT را طی میکند و به اعتقاد یان لکان، مسیر واقعی رسیدن به هوش مصنوعی عمومی (AGI) است.
در این پژوهش جدید که نتایج آن در قالب مقالهای با عنوان JETS در کارگاه NeurIPS پذیرفته شده است، محققان رویکرد JEPA را برای دادههای سلامت به کار گرفتند. مسئله اصلی در دادههای گجتهای پوشیدنی (مانند ساعتهای هوشمند)، نامنظمبودن آنهاست. برای مثال، ضربان قلب یا وضعیت خواب ممکن است همیشه ثبت نشود و شکافهای زمانی زیادی در دادهها وجود داشته باشد.
نکته مهم پژوهش این بود که تنها ۱۵ درصد از شرکتکنندگان سوابق پزشکی برچسبگذاری شده داشتند. در روشهای سنتی (Supervised Learning)، ۸۵ درصد باقیمانده دادهها دور ریخته میشد؛ اما مدل JETS با استفاده از یادگیری خودنظارتی (Self-supervised)، ابتدا از تمام دادهها برای درک الگوها استفاده کرد و سپس روی دادههای دارای برچسب پزشکی، تنظیم دقیق (Fine-tuned) شد.
محققان عملکرد مدل JETS را با استفاده از معیارهای استاندارد AUROC و AUPRC ارزیابی کردند که توانایی مدل در اولویتبندی و تمایز بین موارد مثبت و منفی را میسنجند. نتایج بهدستآمده برای تشخیص بیماریهای مختلف بسیار امیدوارکننده بود:
- فشار خون بالا (High Blood Pressure): ۸۶/۸ درصد
- سندرم سینوس بیمار(Sick Sinus Syndrome): ۸۶/۸ درصد
- سندرم خستگی مزمن(Chronic Fatigue Syndrome): ۸۱ درصد
- فلوتر دهلیزی (Atrial Flutter): ۷۰/۵ درصد
9to5mac مینویسد که این مطالعه ثابت میکند دادههای جمعآوریشده با گجتهای معمولی مثل اپل واچ، حتی اگر ناقص یا نامنظم باشند، ظرفیت عظیمی برای نجات جان انسانها دارند. در برخی نمونههای بررسیشده در این تحقیق، معیارهای سلامت تنها در ۰/۴ درصد از زمان شبانهروز ثبت شده بودند؛ اما مدل هوش مصنوعی همچنان توانست الگوهای معناداری را استخراج کند.
این دستاورد نشان میدهد که با استفاده از شیوههای نوین آموزشی، میتوان از دادههای خام و پراکندهای که هماکنون میلیونها نفر کاربر تولید میکنند، برای پایش دقیقتر سلامت و پیشگیری از بیماریها بهره برد.
