Google lance SensorFM, l'IA santé des montres connectées

Résumé

Google Research dévoile SensorFM, un modèle de base entraîné sur plus d’un trillion de minutes de données de wearables de cinq millions d’utilisateurs, qui surpasse les modèles spécialisés sur 34 tâches de santé.

Les faits

Google Research a présenté SensorFM, un modèle de base qui apprend une représentation générale de la physiologie et du comportement humains à partir de données de capteurs portables collectées auprès de cinq millions de personnes. Selon l’article, le modèle est pré-entraîné sur « plus d’un trillion de minutes de données de capteurs » issues de montres Fitbit et Pixel, couvrant plus de 100 pays et plus de 20 modèles différents. Les auteurs qualifient ce corpus de « plus grand et plus divers jeu de données de wearables jamais utilisé pour entraîner un modèle de ce type ». SensorFM traite 34 caractéristiques issues de cinq types de capteurs : fréquence cardiaque optique (PPG), accélération, conductance cutanée, température de la peau et altitude barométrique. Parmi ces caractéristiques figurent notamment la fréquence cardiaque, la variabilité de la fréquence cardiaque, la saturation en oxygène du sang, les stades de sommeil et les données de mouvement. Le modèle est entraîné en auto-supervision en reconstruisant des segments de données volontairement masqués grâce à une technique baptisée « Adaptive and Inherited Masking » (AIM), qui distingue les valeurs réellement manquantes de celles cachées artificiellement pour l’entraînement. Les chercheurs observent que les performances de SensorFM s’améliorent systématiquement lorsque la taille du modèle et le volume de données augmentent conjointement. Quatre variantes ont été testées, de 100 000 à 100 millions de paramètres, avec des jeux d’entraînement allant de 5 000 à cinq millions de personnes. Sur le plus grand jeu d’entraînement, l’erreur de reconstruction du plus gros modèle est 31 % plus faible que celle du plus petit, et cette configuration obtient les meilleurs résultats sur la plupart des tâches prédictives en aval. Pour évaluer la transférabilité de SensorFM, l’équipe l’a testé sur des données issues de trois études distinctes portant au total sur 13 985 participants, que le modèle n’avait jamais vus lors du pré-entraînement. SensorFM a été évalué sur 35 tâches de prédiction couvrant la santé cardiovasculaire et métabolique, la santé mentale, le sommeil, les données démographiques et le mode de vie. De simples modèles spécialisés ajoutés au-dessus des représentations apprises par SensorFM surpassent des modèles supervisés basés sur des caractéristiques de wearables conçues à la main sur 34 des 35 tâches. Les auteurs soulignent que ce pré-entraînement à grande échelle rend le modèle plus économe en labels, capable de s’adapter à de nouvelles tâches avec relativement peu d’exemples annotés. Pour adapter les représentations de SensorFM à de nouveaux cas d’usage, les chercheurs ont mis en place une « salle de classe » d’agents LLM en compétition et en coopération. Ces agents génèrent, testent et affinent en boucle du code pour des modèles de prédiction en aval, conduisant à plus de 30 000 expériences. Les modèles ainsi découverts dépassent de simples têtes linéaires construites sur les mêmes représentations SensorFM sur 28 des 35 tâches. L’article souligne enfin que SensorFM pourrait à terme alimenter un coach de santé IA de Google, mais qu’aucun plan d’intégration concret n’a été annoncé à ce stade.

Pourquoi c’est important

SensorFM marque une étape stratégique pour Google dans la santé numérique : en remplaçant une mosaïque de modèles spécialisés par une couche d’intelligence commune, la recherche entend « faire sens de données de capteurs continues, souvent lacunaires, sur de nombreuses questions de santé » et réduire le besoin de données annotées coûteuses. La capacité du modèle à transférer ses représentations sur 35 tâches, dont la santé cardiovasculaire, mentale et le sommeil, avec des gains sur 34 d’entre elles, en fait un candidat sérieux pour devenir un socle technique de futurs services de coaching ou d’assistance en santé. Sur le plan scientifique, SensorFM illustre le potentiel du pré-entraînement massif et auto-supervisé sur des données de wearables pour des traits difficiles à mesurer, comme les symptômes de dépression ou d’anxiété qui varient fortement d’un individu à l’autre. L’utilisation d’agents LLM pour explorer automatiquement plus de 30 000 architectures en aval montre aussi comment les modèles de langage peuvent accélérer la découverte de modèles prédictifs optimisés à partir d’une même base de représentations. Si Google concrétise l’idée d’un « outil d’ancrage pour un agent de santé personnel » évoquée dans la communication autour de SensorFM, ce type de modèle pourrait devenir une infrastructure clé de la santé connectée.

Questions fréquentes

Qu’est-ce que SensorFM ?

SensorFM est un modèle de base de Google Research qui apprend une représentation générale de la physiologie et du comportement à partir de données de wearables.

Sur combien de données SensorFM est-il entraîné ?

SensorFM est pré-entraîné sur plus d’un trillion de minutes de données de capteurs provenant de cinq millions d’utilisateurs Fitbit et Pixel Watch.

Quelles tâches de santé SensorFM couvre-t-il ?

SensorFM transfère ses représentations à 35 tâches de prédiction couvrant santé cardiovasculaire et métabolique, santé mentale, sommeil, démographie et mode de vie.

Combien de capteurs et de caractéristiques le modèle utilise-t-il ?

SensorFM traite 34 caractéristiques issues de cinq types de capteurs : PPG, accélération, conductance cutanée, température de la peau et altitude barométrique.

SensorFM est-il déjà intégré à un produit Google ?

L’article indique que SensorFM pourrait alimenter un coach de santé IA, mais qu’aucun plan d’intégration n’a été annoncé pour l’instant.

Source

Auteur

Rédaction spécialisée dans la veille et l'analyse de l'actualité de l'intelligence artificielle, des puces IA, des robots, des agents IA et de la recherche.