Contexte technique
Je me suis penché sur SensorFM pas seulement par curiosité. Ces choses arrivent vite dans les produits réels, et ensuite on me demande comment faire de l'automatisation IA sur les données portables sans un zoo de bricolages.
Google ne fait pas là une énième petite recherche. Ils ont construit un modèle fondamental pour la health-tech, pré-entraîné sur plus de 1 000 milliards de minutes de données provenant de 5 millions d'utilisateurs Fitbit et Pixel Watch dans plus de 100 pays.
Le modèle ne reçoit pas de signaux bruts, mais 34 caractéristiques agrégées par minute issues de cinq modalités : PPG, accéléromètre, EDA, température cutanée et altitude. Fenêtre contextuelle de 24 heures, architecture ViT-1D, avec un autoencodeur masqué et leur schéma AIM, pour que le modèle ne se contente pas de classifier, mais gère correctement les lacunes, reconstruise et prédise.
C'est là que je me suis vraiment arrêté. SensorFM se transfère à 35 tâches, des risques cardiométaboliques et du sommeil à la santé mentale et au mode de vie, surpassant les bases supervisées dans 34 des 35 scénarios. Pour un environnement portable aussi hétérogène, c'est un signal très fort.
Pas d'API publique ni de poids ouverts pour l'instant. Donc aujourd'hui ce n'est pas "à prendre et à brancher", mais plutôt une référence pour le développement de solutions IA : le marché avance vers une couche de modèles qui comprennent le comportement du corps à partir du flux de capteurs, plutôt que de simplement tracer un graphique de fréquence cardiaque.
Et dans ce contexte, l'essor de l'analyse DIY est particulièrement frappant. Les gens extraient déjà des données Fitbit, construisent des tableaux de bord locaux, connectent Claude et obtiennent leurs résumés de santé presque artisanalement. Le modèle de Google reste fermé, mais le comportement des utilisateurs a déjà émergé.
Impact sur les entreprises et l'automatisation
Pour les équipes health-tech, cela signifie trois choses. Premièrement, la valeur se déplace du matériel vers l'interprétation : ceux qui savent construire une architecture IA autour des données gagneront, pas ceux qui se contentent de collecter des métriques.
Deuxièmement, les règles manuelles du type "si la HRV baisse, envoie un conseil" perdront face à des modèles qui voient le contexte du sommeil, de l'activité et de la température ensemble. C'est un autre niveau d'implémentation IA, nettement plus utile pour le dépistage et la stratification des risques.
Troisièmement, les produits aux données fermées ou difficiles à intégrer perdront. Si l'API n'offre pas la granularité nécessaire, les équipes se mettront à bricoler des exportateurs, à rétro-ingénierie des protocoles et à perdre des mois en plomberie au lieu de créer de la valeur.
Je le vois constamment dans les défis des clients : le problème n'est pas de dessiner un tableau de bord, mais de construire un pipeline fiable, de normaliser les capteurs et de fournir une conclusion à laquelle on peut se fier. Chez Nahornyi AI Lab, c'est exactement ce que nous faisons : transformer un flux de données portables en automatisation intelligente pour les entreprises, pas en un énième tableau de bord joli mais inutile.