সম্প্রতি প্রকাশিত হয়েছে কার্যধারা প্রিপ্রিন্ট* সার্ভার, গুগল ইঞ্জিনিয়ার এবং গবেষকদের একটি বড় দল ব্যক্তিগত স্বাস্থ্য ইনসাইটস এজেন্ট (PHIA) নামে একটি বৃহৎ ভাষা মডেল (LLM) এজেন্ট সিস্টেম প্রদর্শন করে যা প্রাপ্ত আচরণগত স্বাস্থ্য ডেটা বিশ্লেষণ এবং অনুমান করতে তথ্য পুনরুদ্ধার সরঞ্জাম এবং উন্নত কোড তৈরির পদ্ধতি ব্যবহার করতে পারে। পরিধানযোগ্য স্বাস্থ্য ট্র্যাকার থেকে।
ব্যক্তিগত স্বাস্থ্য অন্তর্দৃষ্টি এজেন্ট (PHIA) ওভারভিউ। (A)-(C): উদ্দেশ্যমূলক এবং উন্মুক্ত স্বাস্থ্যের অন্তর্দৃষ্টি প্রশ্ন এবং সিন্থেটিক পরিধানযোগ্য ব্যবহারকারী ডেটার উদাহরণ যা PHIA-এর স্বাস্থ্য অন্তর্দৃষ্টি সম্পর্কে যুক্তি ও বোঝার ক্ষমতা মূল্যায়ন করতে ব্যবহৃত হয়। (D): একটি কাঠামো এবং কর্মপ্রবাহ প্রদর্শন করে যে কীভাবে PHIA কোড জেনারেশন এবং ওয়েব অনুসন্ধান কৌশল ব্যবহার করে স্বাস্থ্যের অন্তর্দৃষ্টির প্রশ্নগুলির বিষয়ে পুনরাবৃত্তিমূলক এবং ইন্টারেক্টিভভাবে যুক্তি দিতে পারে। (E): এজেন্টকে কার্যকারিতা এবং কার্যকারিতা প্রদর্শন করে একটি ব্যবহারকারীর প্রশ্নের প্রতি PHIA-এর প্রতিক্রিয়ার এন্ড-টু-এন্ড উদাহরণ। বড় ভাষা মডেল এজেন্ট ব্যবহার করে স্বাস্থ্য অন্তর্দৃষ্টিতে পরিধানযোগ্য ডেটা রূপান্তর করুন
*গুরুত্বপূর্ণ অনুস্মারক: কার্যধারা প্রাথমিক বৈজ্ঞানিক প্রতিবেদনগুলি প্রকাশিত হয় যেগুলি সমকক্ষ-পর্যালোচনা করা হয়নি এবং সেইজন্য চূড়ান্ত হিসাবে বিবেচনা করা উচিত নয়, ক্লিনিকাল অনুশীলন/স্বাস্থ্য-সম্পর্কিত আচরণকে গাইড করা বা প্রতিষ্ঠিত তথ্য হিসাবে পরিবেশন করা উচিত নয়।
পটভূমি
পরিধানযোগ্য স্বাস্থ্য ট্র্যাকিং প্রযুক্তির অগ্রগতি ক্লিনিকাল সেটিংসের বাইরে আচরণ এবং শারীরবৃত্তির উপর অনুদৈর্ঘ্য, অবিচ্ছিন্ন এবং বহুমাত্রিক ডেটা সংগ্রহের সুবিধা দেয়। ঘুমের ধরণ এবং শারীরিক ক্রিয়াকলাপের মাত্রা পর্যবেক্ষণ করা অধ্যয়নগুলি ব্যক্তিগতকৃত স্বাস্থ্যের অন্তর্দৃষ্টি সংগ্রহে পরিধানযোগ্য ডিভাইসের ডেটার গুরুত্বকে আরও তুলে ধরে এবং রোগের ঝুঁকি কমাতে ইতিবাচক আচরণের প্রচারের জন্য এই অন্তর্দৃষ্টিগুলি ব্যবহার করে।
যাইহোক, পরিধানযোগ্য ডিভাইসগুলি থেকে প্রচুর পরিমাণে ডেটা থাকা সত্ত্বেও, ডেটা সংগ্রহের সময় ক্লিনিকাল তদারকির অভাব এবং এই ডেটা ব্যাখ্যা করার ক্ষেত্রে বিশেষজ্ঞের সাহায্য নেওয়ার ক্ষেত্রে ব্যবহারকারীদের অক্ষমতা তাদের ব্যক্তিগতকৃত অন্তর্দৃষ্টি অর্জনের ক্ষমতাকে সীমিত করে যা উপযুক্ত স্বাস্থ্য ব্যবস্থায় অনুবাদ করা যেতে পারে।
মেশিন লার্নিং মডেলের সাম্প্রতিক গবেষণায় দেখা গেছে যে এলএলএমগুলি চিকিৎসা শিক্ষা, প্রশ্নের উত্তর, মানসিক স্বাস্থ্যের হস্তক্ষেপ এবং ইলেকট্রনিক স্বাস্থ্য রেকর্ড বিশ্লেষণের মতো কাজগুলিতে যথার্থতা এবং দক্ষতা প্রদর্শন করে। অন্যান্য সফ্টওয়্যার সরঞ্জামগুলির সাথে মিলিত এই LLMগুলি LLM-ভিত্তিক এজেন্টগুলি বিকাশ করতে ব্যবহার করা যেতে পারে যা গতিশীলভাবে বিশ্বের সাথে যোগাযোগ করতে পারে এবং পরিধানযোগ্য ডিভাইসগুলি থেকে ব্যক্তিগত স্বাস্থ্য ডেটা থেকে অন্তর্দৃষ্টি অর্জন করতে পারে।
গবেষণা সম্পর্কে
বর্তমান সমীক্ষায়, গবেষকরা ব্যক্তিগত স্বাস্থ্য ইনসাইটস এজেন্ট (PHIA) বর্ণনা করেছেন, যা পরিধানযোগ্য স্বাস্থ্য ট্র্যাকার থেকে প্রাপ্ত ব্যক্তিগত স্বাস্থ্য ডেটা থেকে অন্তর্দৃষ্টি ব্যাখ্যা করার এবং প্রাপ্ত করার জন্য প্রথম এলএলএম-ভিত্তিক এজেন্ট।
PHIA ReAct এজেন্ট ফ্রেমওয়ার্ক ব্যবহার করে, যা স্বায়ত্তশাসিতভাবে ফাংশন সম্পাদন করতে পারে এবং সিদ্ধান্তে এই স্বায়ত্তশাসিত ফাংশনগুলির পর্যবেক্ষণকে অন্তর্ভুক্ত করতে পারে। উন্নত কোড জেনারেশন পদ্ধতি, ইন্টিগ্রেটেড ওয়েব সার্চ এবং ReAct এজেন্ট ফ্রেমওয়ার্ক ব্যবহার করে, PHIA-এর লক্ষ্য স্বাস্থ্য সম্পর্কে বাস্তব-বিশ্বের অনেক প্রশ্নের উত্তর দেওয়া।
গবেষণাটি 6,000-এরও বেশি মডেল প্রতিক্রিয়ার উপর 19 জন মানব টীকা এবং স্বয়ংক্রিয় মূল্যায়ন সহ অনুদৈর্ঘ্য আচরণগত স্বাস্থ্য ডেটাতে LLM-ভিত্তিক এজেন্টদের কর্মক্ষমতা প্রদর্শনের জন্য স্বয়ংক্রিয় মূল্যায়ন করেছে। তারা আরও দেখায় যে PHIA স্বাস্থ্যের ব্যাখ্যাগুলির অন্তর্দৃষ্টি প্রদান করতে পারে এবং শুধুমাত্র পাঠ্য-সংখ্যামূলক যুক্তি সরঞ্জাম এবং LLM-ভিত্তিক নন-এজেন্ট সরঞ্জামগুলির সাথে এর কর্মক্ষমতা তুলনা করতে পারে।
বেসলাইন তুলনা। দুটি বেসলাইন পদ্ধতি (সংখ্যাসূচক যুক্তি এবং কোড জেনারেশন) এবং PHIA থেকে প্রতিক্রিয়াগুলির উদাহরণ। PHIA প্রাসঙ্গিক জ্ঞানের জন্য অনুসন্ধান করে, কোড তৈরি করে এবং সঠিক এবং ব্যাপক উত্তর পাওয়ার জন্য পুনরাবৃত্তিমূলক যুক্তি সম্পাদন করে।
PHIA-এর কর্মক্ষমতা তুলনা ও মূল্যায়ন করতে আমরা দুটি ভাষা মডেল বেসলাইন (কোড জেনারেশন এবং সংখ্যাসূচক যুক্তি) ব্যবহার করি। PHIA-এর উন্মুক্ত যুক্তির ক্ষমতা মূল্যায়ন করার জন্য, গবেষণায় 12 জন স্বাধীন মানব টীকাকারকে অন্তর্ভুক্ত করা হয়েছে যারা ফিটনেস এবং ঘুমের ধরণগুলির পরিধানযোগ্য ডেটা বিশ্লেষণে অভিজ্ঞ ছিলেন। টীকাকাররা উন্মুক্ত প্রশ্নে PHIA দ্বারা প্রদত্ত অনুমানের গুণমানের মূল্যায়ন করেছেন।
মডেল প্রতিক্রিয়াগুলি প্রাসঙ্গিক ডেটা ব্যবহার করে, সমস্যাটি সঠিকভাবে ব্যাখ্যা করে, ডোমেন জ্ঞান অন্তর্ভুক্ত করে, সঠিক যুক্তি ব্যবহার করে, ক্ষতিকারক সামগ্রী বাদ দেয় এবং ব্যক্তিগতকৃত অন্তর্দৃষ্টিতে স্পষ্ট যোগাযোগ প্রদান করে কিনা তা নির্ধারণের জন্যও তারা দায়ী৷
ফলাফল
ফলাফলগুলি ইঙ্গিত দেয় যে PHIA পুনরাবৃত্ত ক্ষমতা প্রদর্শন করে এবং ব্যক্তিগত স্বাস্থ্য ডেটা বিশ্লেষণ করতে এবং ব্যাখ্যা প্রদানের জন্য ইন্টারেক্টিভভাবে যুক্তি এবং পরিকল্পনা সরঞ্জামগুলি ব্যবহার করার ক্ষমতা প্রদর্শন করে। দুটি বেসলাইন, কোড জেনারেশন এবং সাংখ্যিক যুক্তির তুলনায়, PHIA ব্যক্তিগত স্বাস্থ্য প্রশ্নে উদ্দেশ্যমূলক অন্তর্দৃষ্টি প্রদানের ক্ষেত্রে যথাক্রমে 14% এবং 290% দ্বারা কোড জেনারেশন এবং সংখ্যাসূচক যুক্তিকে ছাড়িয়ে গেছে।
তদুপরি, ওপেন-এন্ডেড জটিল প্রশ্নের জন্য, বিশেষজ্ঞ মানব টীকাকাররা রিপোর্ট করেছেন যে PHIA স্বাস্থ্যের অন্তর্দৃষ্টি যুক্তি এবং স্বাস্থ্য ডেটার ইন্টারেক্টিভ বিশ্লেষণে বেসলাইনগুলিকে উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে। PHIA-এর তত্ত্বাবধান ছাড়াই সম্পূর্ণ স্বায়ত্তশাসিতভাবে চালানোর ক্ষমতা দেওয়া, এই LLM-ভিত্তিক এজেন্ট পরিধানযোগ্য ডিভাইসগুলি থেকে শুধুমাত্র কিছু উচ্চ-স্তরের পরিকল্পনা, ওয়েব অনুসন্ধানের সাথে মিথস্ক্রিয়া এবং পুনরাবৃত্তিমূলক যুক্তি বিকল্পগুলির সাথে ব্যক্তিগত স্বাস্থ্য ডেটা বিশ্লেষণ করতে পারে।
ম্যানুয়াল এবং স্বয়ংক্রিয় মূল্যায়নগুলিও দেখায় যে PHIA 84% এর বেশি বাস্তবিক সংখ্যাসূচক প্রশ্নের এবং 83% এরও বেশি ক্রাউডসোর্সড ওপেন-এন্ডেড প্রশ্নের সঠিকভাবে উত্তর দিতে সক্ষম হয়েছে। গবেষণা দেখায় যে এই এলএলএম-ভিত্তিক এজেন্ট ব্যক্তিদের পরিধানযোগ্য ডিভাইস থেকে ব্যক্তিগত স্বাস্থ্য ডেটা ব্যাখ্যা করতে এবং ব্যক্তিগতকৃত স্বাস্থ্য পরিকল্পনাগুলি বিকাশ করতে এই অন্তর্দৃষ্টিগুলি ব্যবহার করতে সহায়তা করতে পারে।
উপসংহারে
সংক্ষেপে, সমীক্ষাটি দেখায় যে এলএলএম-ভিত্তিক এজেন্ট PHIA সরঞ্জাম এবং পুনরাবৃত্তিমূলক যুক্তি ব্যবহার করে পরিধানযোগ্য ডিভাইস থেকে ব্যক্তিগত স্বাস্থ্যের ডেটা বিশ্লেষণ করতে এবং বাস্তবিক সংখ্যাসূচক প্রশ্ন এবং উন্মুক্ত প্রশ্নগুলির সঠিক উত্তর প্রদানের ক্ষেত্রে প্রতিষ্ঠিত বেসলাইনগুলিকে ছাড়িয়ে যায়। মেডিকেল ডোমেন জ্ঞানের সাথে উন্নত এলএলএম মডেলগুলির একীকরণের সাথে, গবেষকরা বিশ্বাস করেন যে ব্যক্তিগত স্বাস্থ্যের ক্ষেত্রে এলএলএম-ভিত্তিক এজেন্টগুলির প্রয়োগ উল্লেখযোগ্যভাবে বৃদ্ধি পেতে পারে।
আজ ব্লগে, আমাদের দুটি নতুন গবেষণা পত্র থেকে সর্বশেষটি পড়ুন এবং শিখুন কিভাবে কৃত্রিম বুদ্ধিমত্তা, বিশেষ করে মিথুন মডেল, ব্যক্তিগতকৃত স্বাস্থ্য অভিজ্ঞতা তৈরি করতে পারে যা একজন ব্যক্তির অনন্য স্বাস্থ্য যাত্রা পূরণ করে। →https://t.co/GT3XP4senD #এআই #স্বাস্থ্য পরিচর্যা #ব্যক্তিগত স্বাস্থ্য pic.twitter.com/L2OybQd4QL
— Google কৃত্রিম বুদ্ধিমত্তা (@GoogleAI) জুন 12, 2024
*গুরুত্বপূর্ণ অনুস্মারক: কার্যধারা প্রাথমিক বৈজ্ঞানিক প্রতিবেদনগুলি প্রকাশিত হয় যেগুলি সমকক্ষ-পর্যালোচনা করা হয়নি এবং তাই চূড়ান্ত হিসাবে বিবেচনা করা উচিত নয়, ক্লিনিকাল অনুশীলন/স্বাস্থ্য-সম্পর্কিত আচরণকে গাইড করা বা প্রতিষ্ঠিত তথ্য হিসাবে বিবেচনা করা উচিত নয়।
জার্নাল রেফারেন্স:
- প্রাথমিক বৈজ্ঞানিক রিপোর্ট। বড় ভাষা মডেল এজেন্ট ব্যবহার করে পরিধানযোগ্য ডেটা স্বাস্থ্যের অন্তর্দৃষ্টিতে রূপান্তর করুন। মাইক এ. মেরিল, অক্ষয় পারচুরি, নাঘমেহ রেজাই, গেজা কোভাকস, জাভিয়ের পেরেজ, ইউন লিউ, এরিক শেঙ্ক, নোভা হ্যামারকুইস্ট, জেক সানশাইন, শ্যাম টেইলর, কুমার আয়ুশ, হাও-ওয়েই সু, কিয়ান হে, কোরি ওয়াই ম্যাকলিন, মার্ক মালহোত্রা , শ্বেতক প্যাটেল, জিনিং ঝান, টিম আলথফ, ড্যানিয়েল ম্যাকডাফ এবং জিন লিউ। arXiv:2406.06464, DOI: 10.48550/arXiv.2406.06464, https://arxiv.org/abs/2406.06464