Technischer Kontext
Ich habe mich nicht aus reiner Neugier mit SensorFM beschäftigt. Solche Dinge kommen schnell in echte Produkte, und dann werde ich gefragt, wie man KI-Automatisierung auf Wearable-Daten ohne einen Zoo von Flickwerk umsetzt.
Google hat hier keine weitere kleine Forschung betrieben. Sie haben ein grundlegendes Modell für Health-Tech aufgebaut, das mit über 1 Billion Minuten Daten von 5 Millionen Fitbit- und Pixel Watch-Nutzern aus über 100 Ländern vortrainiert wurde.
Das Modell erhält nicht einfach Rohsignale, sondern 34 aggregierte Minuten-Merkmale aus fünf Modalitäten: PPG, Beschleunigungsmesser, EDA, Hauttemperatur und Höhe. Kontextfenster von 24 Stunden, ViT-1D-Architektur, darüber ein maskierter Autoencoder und ihr AIM-Schema, damit das Modell nicht nur klassifizieren, sondern auch Lücken gut überstehen, rekonstruieren und vorhersagen kann.
Hier habe ich wirklich innegehalten. SensorFM wird auf 35 Aufgaben übertragen, von kardiometabolischen Risiken und Schlaf bis zu mentaler Gesundheit und Lebensstil, und schlägt überwachte Baselines in 34 von 35 Szenarien. Für eine so heterogene Wearable-Umgebung ist das ein sehr starkes Signal.
Es gibt noch keine öffentliche API oder offene Gewichte. Daher ist es heute kein "nehmen und anschließen", sondern eher ein Wegweiser für die KI-Lösungsentwicklung: Der Markt bewegt sich hin zu einer Modellschicht, die das Körperverhalten aus dem Sensorstrom versteht, anstatt nur eine Pulskurve zu zeichnen.
Und vor diesem Hintergrund ist der Anstieg der DIY-Analyse besonders bezeichnend. Die Leute ziehen bereits Daten aus Fitbit, bauen lokale Dashboards, schließen Claude an und erhalten ihre Gesundheitszusammenfassungen fast handgestrickt. Das Google-Modell ist noch geschlossen, aber das Nutzerverhalten ist bereits entstanden.
Auswirkungen auf Unternehmen und Automatisierung
Für Health-Tech-Teams bedeutet das drei Dinge. Erstens: Der Wert verlagert sich von der Hardware zur Interpretation – gewinnen werden diejenigen, die eine KI-Architektur um die Daten herum bauen können, nicht die, die nur Metriken sammeln.
Zweitens: Manuelle Regeln wie "wenn die HRV sinkt, sende einen Tipp" werden gegen Modelle verlieren, die den Kontext von Schlaf, Aktivität und Temperatur gemeinsam sehen. Das ist eine andere Ebene der KI-Implementierung und für Screening und Risikostratifizierung deutlich nützlicher.
Drittens: Produkte, deren Daten geschlossen oder schwer integrierbar sind, werden verlieren. Wenn die API nicht die nötige Granularität bietet, werden die Teams anfangen, Exporteure zu basteln, Protokolle zurückzuentwickeln und Monate mit Klempnerarbeit zu verlieren, anstatt Nutzen zu schaffen.
Ich sehe das ständig bei Kundenanfragen: Das Problem ist nicht, ein Dashboard zu zeichnen, sondern eine zuverlässige Pipeline aufzubauen, die Sensoren zu normalisieren und eine vertrauenswürdige Aussage zu liefern. Genau das machen wir bei Nahornyi AI Lab: Wir verwandeln den Strom tragbarer Daten in verständliche Automatisierung – nicht in ein weiteres schönes, aber nutzloses Panel.