Google hat ein kleines KI-Modell entwickelt, das Glukosespuren liest
GlucoFM verfügt über 720.000 Parameter, etwa ein Millionstel der Größe eines Chat-Modells, und übertrifft größere Konkurrenten bei der Erkennung von Stoffwechselmustern in kontinuierlichen Glukosemonitordaten.
Google Research hat GlucoFM veröffentlicht, ein Basismodell, das darauf trainiert ist, Daten von kontinuierlichen Glukosemonitoren zu interpretieren, den kleinen auf der Haut montierten Sensoren, die alle paar Minuten den Blutzucker messen. Der bemerkenswerte Teil ist die Größe. GlucoFM verfügt über etwa 720.000 Parameter, die internen Zahlen, die ein Modell während des Trainings lernt. Ein Chat-Modell hat Hunderte von Milliarden. Dieses würde bequem auf ein Telefon passen.
Die Designauswahl dahinter ist einfach zu beschreiben. Bei einer Glukosekurve passieren zwei Dinge gleichzeitig: eine langsame Grundlinie, die im Laufe des Tages schwankt, und kurze, starke Abweichungen von Mahlzeiten, Bewegung oder einem Sensorfehler. Frühere Modelle in dieser Nische durchliefen beide einen einzigen Verarbeitungsstrom. GlucoFM teilt sie auf und behandelt den langsamen Trend und die vorübergehenden Ereignisse getrennt, bevor sie kombiniert werden. Es verfolgt auch, welche Messwerte fehlen, anstatt stillschweigend Lücken zu füllen, was wichtig ist, da echte Sensordaten voller Lücken sind.
Es wurde anhand von 109.066 Stunden unbeschrifteter Glukosedaten in fünf Datensätzen vorab trainiert. Bei 14 Kombinationen aus Kohorte und klinischer Aufgabe stieg die durchschnittliche Leistung bei einem Standardgenauigkeitsmaß von 54,7 auf 58,8, ein Plus von 4,1 Punkten gegenüber dem besten Vergleichsmodell, das auf denselben Daten trainiert wurde. Es führte jede Bewertung des Diabetes-Risikos und der Betazell-Dysfunktion an, und in kohortenübergreifenden Tests, bei denen ein auf eine Studiengruppe trainierter Klassifikator auf eine völlig andere angewendet wird, schnitt es in 11 von 12 Fällen ab.
Was hier eigentlich los ist: Die interessante Idee hier sind nicht die Ergebnisse, sondern das Rezept. Das Foundation-Modell ruft normalerweise etwas Großes hervor, aber mit dem Begriff ist lediglich ein Modell gemeint, das auf vielen unbeschrifteten Daten vorab trainiert wurde, sodass es anschließend kostengünstig an viele spezifische Aufgaben angepasst werden kann. Gekennzeichnete klinische Daten sind teuer: Jemand muss die Blutuntersuchungen durchführen. Unbeschriftete Sensordaten sind nahezu kostenlos, da die Sensoren ohnehin von Menschen getragen werden. GlucoFM lernt die Form von Glukose aus den kostenlosen Daten, sodass die teuren, gekennzeichneten Beispiele einen sehr langen Weg zurücklegen. In den Tests blieb es der Konkurrenz voraus, selbst wenn pro Kategorie ein einziger Teilnehmer ausgezeichnet wurde. Dieses Muster, ein kleines Spezialmodell plus reichlich Sensordaten, wird still und leise zu einem der nützlicheren Dinge, die KI tut.
Was das für Sie bedeutet: Noch nichts, und es lohnt sich, sich darüber im Klaren zu sein. Dies ist eine Forschungsarbeit, kein Produkt, keine Diagnose und nichts, was morgen in Ihrer Glukose-App enthalten sein wird. Die Autoren weisen ausdrücklich auf die Grenzen hin: Die Population vor dem Training ist bescheiden, die Reaktionen variieren zwischen Personen und Sensormarken und das Modell liest derzeit jeweils ein 24-Stunden-Fenster, anstatt Trends über Wochen hinweg zu verfolgen. Was es Ihnen sagt, ist, wohin sich die Entwicklung der Consumer-Wearables entwickelt. Die Sensoren an Ihrem Handgelenk und unter Ihrer Haut erfassen bereits weit mehr, als irgendjemand liest, und die Modelle, die sie interpretieren, sind klein genug, um auf dem Gerät und nicht in einem Rechenzentrum zu laufen, das die Version ist, die die Daten näher an Ihrem Zuhause speichert. Wenn Sie KI hauptsächlich über Chatbots verfolgen, ist dies eine gute Erinnerung daran, dass das Feld viel umfassender ist.
Quellen
Quellen: https://research.google/blog/glucofm-foundation-model-for-continuous-glucose-monitoring/
Nvidia willigt ein, Hugging Face für 12,9 Milliarden US-Dollar zu kaufen
Berichten zufolge kauft der Chiphersteller die wichtigste Bibliothek offener KI-Modelle im Internet. Der Preis beträgt etwa das 86-fache des Jahresumsatzes der Plattform und bietet einem Unternehmen einen ungewöhnlich großen Teil des offenen Ökosystems.
