SensorFM: Un modelo fundacional para wearables entrenado con un billón de minutos de datos

Google Research ha presentado SensorFM, un modelo fundamental para dispositivos portátiles, preentrenado en más de un billón de minutos de datos multimodales de sensores, obtenidos de cinco millones de voluntarios. Los datos incluyen señales de fotopletismografía, acelerometría, actividad electrodérmica, temperatura de la piel y altimetría con resolución de un minuto, recopilados de dispositivos Fitbit y Pixel Watch en más de 100 países. El modelo utiliza aprendizaje auto-supervisado basado en reconstrucción con enmascaramiento adaptativo y heredado (Adaptive and Inherited Masking, AIM), lo que permite trabajar de manera productiva con datos fragmentados. Escalar el modelo a 100 millones de parámetros y dos mil millones de horas de datos redujo el error de reconstrucción en un 31% y mejoró la precisión en un 9% (AUC) para clasificación y en un 21% (coeficiente de Pearson) para regresión. En 33 de 35 tareas, la versión más grande, SensorFM-B, obtuvo los mejores resultados. Para automatizar la adaptación del modelo, se utilizaron agentes basados en modelos de lenguaje de gran escala (LLM), que generaron y probaron más de 30 mil soluciones para construir cabezales predictivos basados en los embeddings de SensorFM. La integración de SensorFM en un agente de salud personal (Personal Health Agent) permitió generar resúmenes de salud personalizados que, en calidad, no desmerecían frente a los resúmenes basados en mediciones reales, según 1860 evaluaciones de clínicos.