Giyilebilir teknoloji ürünleri genellikle uyku takibi, egzersiz performansı veya sağlık verileri için kullanılıyor. Ancak bazı kullanıcılar cihazların sunduğu verileri çok daha farklı amaçlar için değerlendirebiliyor. Son olarak geliştiricinin gerçekleştirdiği sıra dışı proje, sosyal medyada milyonlarca kişinin dikkatini çekmeyi başardı. Geliştirici Pankaj Tanwar, Whoop bilekliğinden elde ettiği biyometrik verileri Google Takvim'deki toplantılarıyla birleştirerek hangi iş arkadaşlarının kendisinde en fazla stres yarattığını hesaplayan özel sistem oluşturdu. Eğlenceli deney olarak başlayan proje, yapay zekâ destekli veri analizinin ne kadar ilginç sonuçlar ortaya çıkarabileceğini göstermiş.
Whoop verileri toplantılarla eşleştirildiTanwar'ın tığı bilgilere göre sistemin temelinde Whoop bilekliğinin topladığı kalp atış hızı verileri yer alıyor. Geliştirici, cihazın ürettiği verileri elde etmek için tersine mühendislik yöntemlerinden yararlandı süreçte Claude Fable 5 isimli yapay zekâ modelini kullandı. Ardından elde edilen sağlık verileri, Google Takvim üzerindeki toplantı kayıtlarıyla eşleştirildi.
yöntem sayesinde gün içerisinde hangi toplantı sırasında kalp atış hızının yükseldiği belirlenebiliyor. Toplantıya katılan kişilerle biyometrik veriler araya getirildiğinde ise teorik olarak hangi iş arkadaşlarının daha fazla stres yarattığı hesaplanabiliyor. Tanwar, sonuçların liderlik tablosu halinde görüntülendiğini söylese iş arkadaşlarının isimlerini madı.
Yapay zekâ sürecin merkezinde yer aldıProjeyi dikkat çekici hale getiren noktalardan biri yapay zekânın kullanımı. Tanwar, Whoop verilerine erişmek bunları işleyebilmek için Anthropic tarafından geliştirilen Claude Fable 5 modelinden yardım aldığını belirtti. Son dönemde giderek daha karmaşık görevleri yerine getirebilen yapay zekâ sistemleri, artık yalnızca metin üretmekle kalmıyor, aynı zamanda yazılım geliştirme veri analizi süreçlerinde aktif rol oynuyor.
Projede kullanılan sistemin genel çalışma mantığı şekilde özetlenebilir:
yaklaşım, giyilebilir cihazların ürettiği sağlık verilerinin farklı veri kaynaklarıyla birleştirilerek nasıl yeni kullanım alanları oluşturabileceğini gösteriyor.
Sonuçlar eğlenceli olsa bilimsel değilOrtaya çıkan sonuçlar ilgi çekici görünse sistemin tamamen doğru çalıştığını söylemek mümkün değil. Kalp atış hızının yükselmesi her zaman stres anlamına gelmiyor. Kişinin kahve tüketimi, fiziksel aktivitesi, uyku düzeni, gün içindeki enerji seviyesi veya toplantıda konuşulan konular verileri etkileyebiliyor.
nedenle sistemin belirlediği "en stresli iş arkadaşı" sıralamasının bilimsel doğruluk taşıdığı söylenemez. Kalp atış hızındaki artışın doğrudan toplantıya katılan kişilerden kaynaklandığını kanıtlamak oldukça. Hatta bazı durumlarda toplantının içeriği veya alınan kararlar, katılımcıların kendisinden daha fazla stres yaratabilir.
Buna rağmen proje, biyometrik verilerin yaratıcı kullanımına dair ilginç örnek olarak değerlendiriliyor.
Giyilebilir cihazların geleceğine dair dikkat çekici örnekSon yıllarda akıllı saatler sağlık takip cihazları çok daha fazla veri toplamaya başladı. Kalp ritmi, stres seviyesi, uyku kalitesi, oksijen doygunluğu fiziksel aktivite gibi onlarca farklı metrik artık kullanıcıların erişimine. Ancak verilerin anlamlı sonuçlara dönüştürülmesi hâlâ sektörün en büyük hedeflerinden biri olarak görülüyor.
Tanwar'ın geliştirdiği sistem tam olarak noktaya işaret ediyor. Çünkü kullanıcılar yalnızca sağlık verilerini görmek yerine, verilerin günlük hayatlarındaki olaylarla nasıl ilişkilendiğini öğrenmek istiyor. Örneğin hangi toplantıların daha yorucu olduğu, hangi aktivitelerin stresi azalttığı veya günün hangi saatlerinde daha sakin hissedildiği gibi bilgiler, gelecekte yapay zekâ destekli sağlık platformlarının temel özellikleri arasında yer alabilir.
Yapay zekâ destekli kişisel analiz dönemi hızlanıyorproje aynı zamanda yapay zekâ araçlarının ne kadar erişilebilir hale geldiğini gösteriyor. Geçmişte yalnızca büyük teknoloji şirketlerinin geliştirebileceği türden veri analiz sistemleri, artık bireysel geliştiriciler tarafından oluşturulabiliyor. Birkaç yıl öncesine kadar oldukça karmaşık görünen biyometrik veri analizi, bugün gelişmiş yapay zekâ modellerinin yardımıyla çok daha kısa sürede gerçekleştirilebiliyor.
Whoop bilekliğiyle yapılan deney her ne kadar eğlence amaçlı görünse gelecekte sağlık teknolojilerinin yapay zekâ destekli kişisel analiz araçlarının hangi noktaya ulaşabileceğine dair dikkat çekici fikir veriyor. Özellikle giyilebilir cihazların daha fazla veri üretmeye başlamasıyla birlikte, benzer projelerin önümüzdeki yıllarda çok daha yaygın hale gelmesi bekleniyor.
