ShutEye’dan şuraya Horlamanın dinlenmenizi nasıl etkilediğini daha iyi anlamaya çalışıyorsanız, gürültülü burun homurtularınızı ve gürleyen boğaz yankılarınızı kaydetmek için mikrofonu gece boyunca açık bırakmanıza olanak tanıyan SleepScore, çeşitli akıllı telefon uygulamaları mevcuttur. Ancak akıllı telefon uygulamaları, horlamaların varlığını izlemek için yararlı olsa da, gerçek dünyadaki yatak odalarına, dış seslerin ve birden fazla sesli kişinin duyulduğu durumlarda uygulandığında, bunların doğruluğu bir sorun olmaya devam ediyor.
Southampton Üniversitesi’nden yapılan ön araştırma, horlamalarınızın tanımlama için kullanılabilecek bir imza sesine sahip olup olmadığına bakar. “Aslında horlamayı veya öksürmeyi doğru bir şekilde nasıl takip edersiniz?” diye soruyor üniversitede araştırma üzerinde çalışan yardımcı doçent Jagmohan Chauhan. Makine öğrenimi modelleri, özellikle derin sinir ağları, o horlama-fonik senfoniyi kimin icra ettiğini doğrulamada yardım sağlayabilir.
Araştırma oldukça yeni olmakla birlikte, genellikle gecenin iyimser sessizliğini delip geçen, veri açısından zengin başka bir sesin yapımcılarını doğrulamak için makine öğrenimini kullanan hakemli araştırmalara dayanıyor: öksürük.
Google ve Washington Üniversitesi’nden araştırmacılar, insan konuşması sesini ve öksürüğü bir veri setinde karıştırdılar ve ardından bir kayıtta belirli bir öksürüğü kimin ürettiğini doğrulamak için çok görevli bir öğrenme yaklaşımı kullandılar. AI, yaptıkları çalışmada, küçük bir grup insandan kimin öksürdüğünü belirlemede bir insan değerlendiriciden yüzde 10 daha iyi performans gösterdi.
Öksürük tanımlama belgesi üzerinde çalışan bir yüksek lisans öğrencisi olan Matt Whitehill, horlama araştırmasının altında yatan bazı metodolojileri sorguluyor ve daha titiz testlerin etkinliğini azaltacağını düşünüyor. Yine de, işitsel tanımlamanın daha geniş konseptini geçerli görüyor. “Bunu öksürüklerle yapabileceğinizi gösterdik. Whitehill, “Aynı şeyi horlama ile de yapabilmeniz çok muhtemel görünüyor” diyor.
AI’nın bu sese dayalı segmenti, OpenAI’nin ChatGPT’si gibi doğal dil işlemcileri kadar geniş kapsamlı (ve kesinlikle abartılı terimlerle) kapsanmıyor. Ancak ne olursa olsun, birkaç şirket AI’nın ses kayıtlarını analiz etmek ve sağlığınızı iyileştirmek için kullanılabileceği yollar buluyor.
Akciğer hastalığı semptomlarının AI destekli tespitine odaklanan bir İsviçre şirketi olan Resmonics, CE sertifikalı ve myCough uygulaması aracılığıyla İsviçre halkının kullanımına sunulan tıbbi bir yazılım yayınladı. Yazılım, hastalığı teşhis etmek için tasarlanmasa da, uygulama, kullanıcıların gece boyunca kaç öksürük yaşadıklarını ve en yaygın öksürüğün türünü takip etmelerine yardımcı olabilir. Bu, kullanıcıların bir doktor konsültasyonunun gerekip gerekmediğine karar verirken öksürük düzenlerini daha eksiksiz anlamalarını sağlar.
Resmonics’in kurucu ortağı ve baş teknoloji yetkilisi olan David Cleres, derin öğrenme tekniklerinin belirli bir kişinin öksürme veya horlama durumunu belirleme potansiyelini görüyor, ancak yapay zeka araştırmasının bu bölümü için hala büyük atılımların gerekli olduğuna inanıyor. Cleres, e-posta yoluyla, “Resmonics’te, kayıt cihazları ve konumlarındaki varyasyonlara karşı sağlamlığın, farklı kullanıcı popülasyonlarından gelen varyasyonlara karşı sağlamlık elde etmek kadar zor olduğunu zor yoldan öğrendik,” diye yazıyor. Bir dizi doğal öksürük ve horlama kaydı içeren bir veri seti bulmak zor olmakla kalmıyor, aynı zamanda beş yaşındaki bir iPhone’un mikrofon kalitesini ve birisinin onu gece nereye bırakmayı seçeceğini tahmin etmek de zor.
Bu nedenle, geceleri yatakta çıkardığınız sesler yapay zeka tarafından izlenebilir ve evinizdeki diğer kişilerin gece çıkardığı seslerden farklı olabilir. Horlamalar, parmak izi gibi sizinle bağlantılı bir biyometrik olarak da kullanılabilir mi? Erken sonuçlara varmadan önce daha fazla araştırma yapılması gerekiyor. Chauhan, “Sağlık açısından bakarsanız işe yarayabilir” diyor. “Biyometrik açıdan emin olamayız.” Jagmohan, makine öğrenimi modellerinin yardımı olmadan sinyal işlemenin horlayanları tespit etmeye yardımcı olmak için nasıl kullanılabileceğini keşfetmekle de ilgileniyor.
Sağlık hizmeti ortamlarında yapay zeka söz konusu olduğunda, hevesli araştırmacılar ve cesur girişimciler aynı sorunla karşılaşmaya devam ediyor: hazır kaliteli veri eksikliği. AI eğitimi için çeşitli verilerin olmaması, hastalar için somut bir tehlike olabilir. Örneğin, Amerikan hastanelerinde kullanılan bir algoritma, Siyah hastaların bakımına verilen önceliği kaldırdı. Sağlam veri kümeleri ve düşünceli model oluşturma olmadan, AI genellikle gerçek dünya koşullarında sterilize edilmiş uygulama ortamlarında olduğundan farklı performans gösterir.
Whitehill, “Herkes gerçekten derin sinir ağlarına geçiyor” diyor. Bu veri yoğun yaklaşım, öksürük ve horlamalarla ilgili kaliteli araştırmalar üretmek için tonlarca ses kaydına olan ihtiyacı daha da artırıyor. Ne zaman horladığınızı veya bir ciğerinizi parçaladığınızı takip eden bir makine öğrenimi modeli, Taco Bell’in Crunchwrap Supreme hakkında varoluşçu soneler yazan bir sohbet robotu kadar akılda kalıcı değildir. Yine de azimle takip etmeye değer. Üretken yapay zeka, Silikon Vadisi’ndeki pek çok kişi için akılda kalmaya devam ederken, diğer yapay zeka uygulamalarında erteleme düğmesine basmak ve onların canlı olanaklarını göz ardı etmek bir hata olur.
Bir yanıt bırakın