Технічний контекст
Я заглибився в деталі SensorFM не просто з цікавості. Такі речі швидко доїжджають до реальних продуктів, а потім до мене приходять із запитанням, як зробити AI-автоматизацію поверх даних із носимих пристроїв без зоопарку милиць.
Google тут не чергове маленьке дослідження для галочки. Вони створили фундаментальну модель для health-tech, попередньо навчену на понад 1 трильйоні хвилин даних від 5 мільйонів користувачів Fitbit і Pixel Watch із понад 100 країн.
На вхід модель отримує не сирі сигнали безпосередньо, а 34 агреговані хвилинні ознаки з п’яти модальностей: PPG, акселерометр, EDA, температура шкіри та висота. Контекстне вікно — 24 години, архітектура ViT-1D, зверху маскований автоенкодер та їхня схема AIM, щоб модель вміла не лише класифікувати, а й нормально переживати пропуски, відновлювати та прогнозувати.
Ось де я справді зупинився. SensorFM переноситься на 35 завдань, від кардіометаболічних ризиків і сну до mental health та способу життя, і перевершує supervised-бейзлайни у 34 з 35 сценаріїв. Для такого різнорідного середовища носимих пристроїв це дуже сильний сигнал.
Публічного API чи відкритих ваг наразі немає. Тобто сьогодні це не «взяв і прикрутив», а радше орієнтир для AI-розробки: ринок рухається до шару моделей, які розуміють поведінку тіла за потоком сенсорів, а не просто малюють графік пульсу.
І на цьому тлі особливо показовим є сплеск DIY-аналітики. Люди вже тягнуть дані з Fitbit, збирають локальні дашборди, підключають Claude і отримують свої health-підсумки майже кустарно. Модель Google поки закрита, але користувацький патерн уже виник.
Вплив на бізнес та автоматизацію
Для health-tech-команд це означає три речі. Перша: цінність зміщується із заліза на інтерпретацію, тобто виграють ті, хто вміє будувати AI-архітектуру навколо даних, а не просто збирати метрики.
Друга: ручні правила на кшталт «якщо HRV впав, надішли пораду» програватимуть моделям, які бачать контекст сну, активності й температури разом. Це вже інший рівень AI-впровадження, і він значно корисніший для скринінгу та стратифікації ризиків.
Третя: програють продукти, чиї дані закриті або незручні для інтеграції. Якщо API не дає потрібної гранулярності, команди почнуть городити експортери, реверсити протоколи й втрачати місяці на сантехніку замість користі.
Я це постійно бачу в клієнтських задачах: проблема не в тому, щоб намалювати дашборд, а в тому, щоб зібрати надійний пайплайн, нормалізувати сенсори й видати висновок, якому можна довіряти. В Nahornyi AI Lab ми саме такі історії й перетворюємо на робочі AI-рішення для бізнесу, коли потрібно перетворити потік даних із носимих пристроїв на зрозумілу автоматизацію, а не на ще одну гарну, але марну панель.