Google SensorFM: Milyonlarca Bilekten Sağlık Zekâsı Doğuyor

Bileğinizdeki saat her saniye kalp atışınızı, uykunuzu, hareketinizi, cilt sıcaklığınızı okuyor. Ama bu verilerin çoğu bugüne kadar dağınık, kopuk ve tek amaçlı kaldı: bir model uyku evrelerini ölçüyor, bir başkası kalp riskini tahmin ediyor, üçüncüsü stresi analiz ediyordu. Google Research şimdi bu adacıkları tek bir çatı altında toplamak istiyor. Adı SensorFM.

SensorFM, giyilebilir cihazlardan gelen fizyolojik ve davranışsal sinyalleri genel bir dille "okuyabilen" bir temel model (foundation model). Yani tek bir göreve değil, onlarca farklı sağlık sorusuna aynı temelden yanıt üretebilecek bir zekâ katmanı. Ve rakamlar iddialı: model, beş milyon Fitbit ve Pixel Watch kullanıcısından toplanan bir trilyon dakikadan fazla etiketlenmemiş veriyle eğitildi. Google'a göre bu, bu türde eğitilmiş şimdiye dek en büyük ve en çeşitli giyilebilir veri kümesi.

Benim gözümde asıl heyecan verici olan şu: sağlık teknolojisi ilk kez, dil modellerinde gördüğümüz o "büyüdükçe akıllanan" ölçeklenme mantığıyla buluşuyor.

Ne Yaptılar, Nasıl Çalışıyor?

SensorFM, beş tür sensör verisinden türetilen 34 özelliği işliyor: optik kalp atış ölçümü (PPG), ivme, cilt iletkenliği, cilt sıcaklığı ve barometrik yükseklik. Bunların içinden kalp atış hızı, kalp atış değişkenliği, kandaki oksijen doygunluğu, uyku evreleri ve hareket verileri gibi göstergeler çıkıyor.

Model, kendi kendini denetleyen (self-supervised) bir yöntemle eğitiliyor: verinin bazı bölümleri kasıtlı olarak gizleniyor ve model bunları yeniden tamamlamayı öğreniyor. "Adaptive and Inherited Masking" (AIM) adı verilen teknik, gerçekten eksik olan verilerle eğitim sırasında yapay olarak saklanan verileri birbirinden ayırabiliyor — böylece SensorFM, giyilebilir verilerin o meşhur kopuk ve boşluklu doğasıyla başa çıkmayı öğreniyor.

Veri ve model büyüklüğü birlikte arttıkça performans da sistematik olarak yükseliyor. Test edilen dört varyant yaklaşık 100 bin ile 100 milyon parametre arasında değişiyor; en büyük modelin yeniden yapılandırma hatası, en küçüğüne göre yüzde 31 daha düşük çıktı.

35 Görevin 34'ünde Öne Geçti

Araştırmacılar modeli, eğitim sırasında hiç görmediği üç ayrı çalışmadan gelen toplam 13.985 katılımcının verisiyle sınadı. Kardiyovasküler ve metabolik sağlık, ruh sağlığı, uyku, demografi ve yaşam tarzını kapsayan 35 tahmin görevinde, SensorFM'in üzerine kurulan basit görev-özel modeller bile, elle hazırlanmış özelliklerle çalışan denetimli referans modelleri 34 görevde geride bıraktı.

Daha da önemlisi, model "etiket verimliliği" açısından öne çıktı: yeni görevlere görece az sayıda etiketli örnekle uyum sağlayabiliyor. Bu, depresyon ve anksiyete belirtileri gibi ölçmesi zor, kişiden kişiye çok değişen durumlarda özellikle değerli olabilir.

Araştırmacılar bir de kişisel sağlık asistanı denemesi yaptı. SensorFM tahminleriyle zenginleştirilen sağlık özetleri, dört klinisyenin 40 saati aşkın değerlendirmesinde; bağlam, kişiselleştirme, gerekçelendirilebilirlik, ilgililik ve güvenlik olmak üzere beş boyutun tamamında referans sürümden anlamlı biçimde yüksek puan aldı. İlginç olan, gerçek bilinen sağlık verileriyle SensorFM tahminleri arasında istatistiksel anlamlı bir fark çıkmaması.

Bu Ne Anlama Geliyor?

Burada gördüğümüz şey, sağlık verisinin "temel model çağına" adım atması. Bugüne kadar her sağlık özelliği ayrı ayrı, pahalı etiketli verilerle inşa ediliyordu. SensorFM ise dil modellerindeki başarı reçetesini fizyolojiye taşıyor: çok veri, tek genel temsil, ölçeklenmeyle gelen zekâ.

Yine de temkinli olmak gerek. Google'ın kendisi de sınırların altını çiziyor: Model yalnızca Fitbit ve Pixel Watch verisiyle eğitildi, başka cihazlara aktarılıp aktarılamayacağı belirsiz. Ham sinyaller yerine dakika bazında toplanmış verilerle çalıştığı için çok kısa örüntüler kaybolabiliyor. Ve en önemlisi: SensorFM klinik ölçümlerin ya da teşhisin yerini almıyor. Şimdilik tamamen bir araştırma modeli.

Google'ın halihazırda Gemini tabanlı bir Sağlık Koçu var. SensorFM ileride böyle özelliklerin teknik temeli olabilir — ama şirket henüz Fitbit, Pixel Watch ya da yapay zekâ koçuna entegrasyon için somut bir plan açıklamadı.

Yine de ufka bakalım: Beş yıl sonra bileğinizdeki cihaz, izole bir adım sayacı değil, sizi yıllardır tanıyan, dağınık sinyalleri anlamlı bir sağlık hikâyesine çeviren kişisel bir zekâ olabilir. SensorFM, o geleceğin ilk mühendislik taşı gibi duruyor.

Türkiye'ye Etkisi

Giyilebilir cihaz kullanımı Türkiye'de hızla yaygınlaşıyor; akıllı saatler artık lüks değil, günlük sağlık takibinin parçası. Böyle bir temel model olgunlaştığında, Türk kullanıcıların da bileğindeki veriden anlamlı içgörüler üretmesi — özellikle erişimin sınırlı olduğu koruyucu sağlık alanında — büyük fark yaratabilir. Verinin 100'den fazla ülkeden toplanmış olması, çeşitliliğin modele işlendiğinin de işareti. Yerli sağlık teknolojisi girişimleri içinse ders net: geleceğin sağlık ürünleri tekil algoritmalar değil, genel amaçlı zekâ katmanları üzerine kurulacak.