Healthify

40 મિલિયનથી વધુ વપરાશકર્તાઓ સાથે, Healthify⁠(નવી વિન્ડોમાં ખૂલે છે) ભારતનું સૌથી મોટું હેલ્થ પ્લેટફોર્મ છે, જે વપરાશકર્તાઓને ફિટ બનવામાં અને મેટાબોલિક બીમારીઓને પાછી ફરવામાં મદદ કરવા હેલ્થ ટ્રેકિંગ અને AI-વર્ધિત હેલ્થ કોચિંગ આપે છે. તેના કોચિંગ અને ટ્રેકિંગ ઘટકોમાં AI રજૂ કર્યા પછીથી, Healthifyએ વપરાશકર્તાઓને મળી કુલ 25 મિલિયનથી વધુ પાઉન્ડ વજન ઘટાડવામાં મદદ કરી છે અને OpenAIની API સાથે, Healthify ટ્રેકિંગને ઘણું સરળ બનાવી રહ્યું છે અને કોચિંગને સ્કેલ કરી રહ્યું છે.

Healthify દાયકાથી વધુ સમયથી આરોગ્ય અને ફિટનેસમાં વર્તન પરિવર્તન લાવવા AI નો ઉપયોગ કરવાની આગેવાની કરી રહ્યું છે. 2018 સુધીમાં, Healthify પાસે પહેલેથી જ 5 મિલિયનથી વધુ વપરાશકર્તાઓ અને સૈંકડો પોષણવિદો તથા ટ્રેનરો હતા, જે દર મહિને તેમના ક્લાયન્ટ્સ સાથે લાખો સંદેશાઓની આપલે કરતા હતા, સાથે જ દર મહિને દસીઓ હજાર કલાકની કોલ્સ અને ભોજન તથા ફિટનેસ યોજનાઓ પણ હતી. Healthifyની ડેટા પાઇપલાઇનમાં સ્વાભાવિક રીતે feedback loops પણ હતા, જેમાં કયા સંદેશા અને યોજનાઓ વધુ જોડાણ અને અસર પેદા કરે છે તેની જાણકારી હતી.

આ વાસ્તવિક, સંદર્ભસભર માહિતીના ભંડારનો ઉપયોગ કરીને, Healthifyએ AIમાં નોંધપાત્ર પ્રગતિ કરી, ખાસ કરીને Ria, વિશ્વની પ્રથમ AI-સંચાલિત વર્ચ્યુઅલ પોષણવિદ, અને Coach Co-pilot—તેના કોચ-કેન્દ્રિત સહાયકના લોન્ચ સાથે. 

Riaએ વપરાશકર્તાની મનશા ચોક્કસ ઓળખવા અને સંબંધિત જવાબો આપવા માટે hierarchical LSTMs (Long Short-Term Memory) અને કસ્ટમ NLU (Natural Language Understanding) સિસ્ટમોનો ઉપયોગ કર્યો. 2020 સુધીમાં, Ria મોટાભાગના વપરાશકર્તા સંદેશાઓ સીધા સંભાળી રહી હતી. Coach Co-pilot સાથે મળીને, આ પ્રગતિએ કોચોને તેમની સેવાઓમાં નોંધપાત્ર સ્કેલ લાવવા દીધી, જેથી તેઓ વ્યક્તિગત આરોગ્ય કોચિંગમાં સુધારાઓ દ્વારા રેકોર્ડ ઊંચા NPS સાથે એકસાથે 300 સુધી ક્લાયન્ટ સંભાળી શકે.

2021માં, Healthifyએ Snap પણ રજૂ કર્યું, જે ખોરાકની ફોટો ઓળખ દ્વારા કેલરી ગણતરી સરળ બનાવવા માટે ડિઝાઇન કરાયેલ એક ક્રાંતિકારી સુવિધા હતી. Snapએ Convolutional Neural Networks (CNNs) અને માલિકીહકના મોડલોનો ઉપયોગ કરીને એકલ ખાદ્ય વસ્તુઓને ચોક્કસ ઓળખી, ખાસ કરીને ભારતીય વાનગીઓ પર ધ્યાન કેન્દ્રિત કર્યું. આ ટેક્નોલોજીએ માત્ર વપરાશકર્તાની ગોપનીયતાનો માન રાખ્યો નહીં, પરંતુ વપરાશકર્તા-વિશિષ્ટ સંદર્ભો સામેલ કરીને ખાદ્ય ભલામણોને અનુકૂળ પણ બનાવી. સમય જતાં, Snapએ એકલ ભારતીય ખાદ્યો માટે આશરે 80% ચોકસાઈ હાંસલ કરી.

આ સફળતાઓ છતાં, Healthifyને પડકારોનો સામનો કરવો પડ્યો.

• કાર્યક્ષમતા. Snapને ખોરાક ચોક્કસ ઓળખે તે માટે અનેક iterations લાગ્યા, અને જ્યારે ફોટોમાં અનેક ખાદ્ય વસ્તુઓ હોય ત્યારે તે મુશ્કેલી અનુભવતું હતું. પરિણામે, Healthify CEO Tushar Vashisht⁠(નવી વિન્ડોમાં ખૂલે છે)એ કહ્યું, “Snap નો ઉપયોગ માત્ર 10–20% વખત થતો હતો.” તેવી જ રીતે, Ria rules-based હતી, તેથી તે પોષણ વિશેના મહત્વપૂર્ણ પરંતુ જટિલ long-tail પ્રશ્નોના સાચા અર્થમાં જવાબ આપી શકતી નહોતી (ઉદાહરણ તરીકે, “ગઈકાલે મેં ખાધેલું ખોરાકે ગઈ રાતની મારી ઊંઘ પર કેવી અસર કરી?”). 
• સ્કેલ. તેઓ ઉમેરવા માગતા દરેક નવા દેશ માટે, Healthifyને ભાષા, સામાન્ય ખોરાક અને કસરતની રૂટીનો માટે મોડલોને સ્થાનિક બનાવવા ઘણો પ્રયત્ન કરવો પડતો. “અમને દક્ષિણપૂર્વ એશિયામાં પ્રવેશવા બે વર્ષ લાગ્યા,” Vashishtએ સમજાવ્યું.

આ મર્યાદાઓ પાર કરવા માટે OpenAI સાથેનો સહકાર એક નિર્ણાયક ઉકેલ તરીકે ઊભર્યો, જેણે Healthifyની ઑફરિંગ્સમાં નોંધપાત્ર પ્રગતિ કરી અને આરોગ્ય ટેક્નોલોજી ક્ષેત્રમાં નવીનતાનો નવો ધોરણ સ્થાપ્યો.

Healthify ટીમને વિશ્વાસ હતો કે AI રાતોરાત તેમના પ્રોડક્ટ્સની ચોકસાઈ, ઉપયોગિતા અને સ્કેલેબિલિટી વધારી શકે છે. OpenAIની first-to-market અને સરળ API સાથે, ટીમે મોડલ કાર્યક્ષમતાની ચકાસણી માટે ઝડપથી prototypes બનાવ્યા. તેમણે સત્તાવાર રીતે provider પસંદ કરે તે પહેલાં, ટીમે open-source મોડલો સહિત અનેક મોડલ વિકલ્પોનું મૂલ્યાંકન કર્યું.

સૂક્ષ્મ મૂલ્યાંકન પછી, Healthifyએ ઘણા કારણોસર OpenAI સાથે ભાગીદારી કરી.

• શ્રેષ્ઠ-સ્તરની ચોકસાઈ. GPT‑4 Visionએ તરત જ Snap pipelineની કાર્યક્ષમતાને પાછળ મૂકી; મોડલે એકલા જ વિશ્વભરના ખોરાકને ઓળખ્યા અને ફોટોમાં અનેક ખાદ્ય વસ્તુઓ શોધી. GPT‑4 (Ria માટે) અને Whisper (Coach Copilot માટે) એ પણ તેમની હાલની pipelines અને વૈકલ્પિક Generative AI મોડલો બંને કરતાં વધુ સારું પ્રદર્શન કર્યું.
• સરળ એકીકરણ. prototypes માન્ય કર્યા પછી અને તેને production systemsમાં એકીકૃત કરવાનો સમય આવતા, Healthify ટીમ તેમના હાલના pipelinesમાં OpenAIની API સરળતાથી ઉમೇರಿ શકી. Vashishtએ કહ્યું, “OpenAI સાથે proof-of-concepts બનાવવું અને તેને production systems બનાવવા માટે ઉપયોગ કરવું ખૂબ સરળ હતું.”
• સરળ fine-tuning. Healthifyએ મોટા ભાગે OpenAI પસંદ કર્યું કારણ કે fine-tuning out-of-the-box ઉપલબ્ધ હતી. fine-tuning માટે તેમના ડેટાને model કરવું અને તેને service પર upload કરવું સરળ હતું. ટીમ વધારે configuration વિના OpenAIના મોડલોને તેમના use case માટે સફળતાપૂર્વક ground કરી શકી.
• Embeddings. Healthifyએ તેના એક મુખ્ય પ્રશ્નનું નિરાકરણ લાવવા Embeddings મોડલનો ઉપયોગ કર્યો: માત્ર text matchingથી આગળ જઈને તમે બે ખાદ્ય વસ્તુઓને કેવી રીતે મેળવો? તેમને GPT‑4 દ્વારા પરત કરાયેલા food names ને તેમના પોતાના systemમાં પહેલેથી રહેલા food names સાથે match કરવાની જરૂર હતી. Technologyના VP Abhijit Khasnis⁠(નવી વિન્ડોમાં ખૂલે છે)એ ટિપ્પણી કરી, “GPT પોતે એક મોડલ છે. તેની પાસે food namesની પોતાની dictionary છે. Healthify પાસે તેના પોતાના food names છે અને તે matching કેવી રીતે કરવું તે અમે સમજવાનો પ્રયત્ન કરી રહ્યા હતા.” “અને જ્યારે અમે OpenAI Embeddings મોડલનું પરીક્ષણ કર્યું, ત્યારે અમને સમજાયું કે GPT દ્વારા ઓળખાયેલા food name અને અમારા food embeddings વચ્ચે cosine similarity matching અમને ઊંચી ચોકસાઈ આપે છે!”

Snap હવે ડેટા ગોપનીયતા સુનિશ્ચિત કરતા વપરાશકર્તા-વિશિષ્ટ સંદર્ભોને સમજવા માટે GPT‑4 Vision સાથે માલિકીહકના મોડલોના ensemble નો ઉપયોગ કરે છે. છબી વિશ્લેષણ પછી, ચોક્કસ ખાદ્ય ભલામણો આપવા કસ્ટમ heuristic મોડલો લાગુ કરવામાં આવે છે. આ અપગ્રેડે Snap ની ચોકસાઈને માનવીય ઓળખ જેટલી ઊંચી કરી છે, જેથી આહાર ટ્રેકિંગની પ્રક્રિયા વધુ સરળ બની છે.

Riaનું નવીનતમ અપડેટ જટિલતા અને ક્ષમતામાં નોંધપાત્ર છલાંગ દર્શાવે છે, જેમાં GPT 3.5 અને અદ્યતન GPT‑4 Turbo સહિત fine-tuned મોડલોના ensemble નો સમાવેશ થાય છે. આ અદ્યતન સેટઅપ Ria ને Healthifyના વિસ્તૃત સાહિત્ય અને પ્લેટફોર્મ પરના દરેક વપરાશકર્તાના અનોખા ઇતિહાસને ઍક્સેસ અને અર્થઘટન કરવાની સક્ષમતા આપે છે. આવી એકીકરણથી Ria અત્યાર સુધીનું સૌથી વ્યાપક અને બુદ્ધિશાળી સંસ્કરણ બની ગયું છે, જે અદ્વિતીય પાયે વ્યક્તિગત આરોગ્ય અને પોષણ સલાહ આપે છે.

સમગ્ર રીતે, Healthify ટીમે જોડાણ અને જાળવણીમાં તેજીથી વધારો જોયો છે, જેના પરિણામે તેમના વપરાશકર્તાઓ માટે વધુ સારા આરોગ્ય પરિણામો મળ્યા છે.

• વપરાશકર્તાઓ Snap સાથે 50% વધુ વાર ખોરાક ટ્રેક કરે છે. કારણ કે ખોરાક ટ્રેકિંગ ફિટનેસ લક્ષ્યો સાથે સંબંધિત છે, Healthify ટીમ અપેક્ષા રાખે છે કે જોડાણમાં આ વધારો વપરાશકર્તાઓની ફિટનેસમાં પણ 50% વધારો લાવશે. “અમે જોઈ રહ્યા છીએ કે જોડાણના દર 50% વધુ છે. વજન ઘટાડો અને ચરબી ઘટાડો તમે જે ખોરાક ટ્રેક કરો છો તેની સાથે ખૂબ સંબંધિત છે, એટલે અમે વજન ઘટાડા પર પણ 50% વધુ અસર જોવા અપેક્ષા રાખી શકીએ,” એમ Vashishtએ કહ્યું. 
• વપરાશકર્તાઓ પોષણ અને ફિટનેસ કોચિંગ માટે Ria સાથે વધુ જોડાય છે. વાતચીતની લંબાઈ બમણી થઈ ગઈ છે (કેટલાક વપરાશકર્તાઓ સાથે બે સોથી વધુ સંદેશાઓ લાંબી વાતચીત થાય છે) અને Ria હવે “ગઈકાલે મારા ગ્લુકોઝ સ્તરે મારી ઊંઘને કેવી અસર કરી?” જેવા જટિલ પ્રશ્નોના જવાબ આપવા સક્ષમ છે, જેમાં Continuous Glucose Monitor (CGM), Snap ના food logs અને કોઈપણ wearable ના sleep logs ના મૂલ્યોને સહસંબંધિત કરવામાં આવે છે.
• કોચો ક્લાયન્ટને અડધા સમયમાં જવાબ આપે છે. ક્લાયન્ટો AI-સમર્થિત કોચો સાથે 18% વધુ જોડાય છે. Healthifyના ડેટા પર આધારિત Stanford

આગામી બાર મહિનાઓમાં, Healthify ટીમ વધુ મહત્ત્વાકાંક્ષી લક્ષ્યો તરફ જોઈ રહી છે. તેઓ એવા સ્વાયત્ત હેલ્થ એજન્ટ વિકસાવવાનો હેતુ ધરાવે છે, જે સક્રિય રીતે વપરાશકર્તાઓને સ્વસ્થ પસંદગીઓ કરવામાં મદદ કરી શકે. કોઈ પ્રશ્નથી ટ્રિગર થવાની રાહ જોવાને બદલે, આ એજન્ટ આપમેળે વપરાશકર્તાના આરોગ્ય ડેટાનું વિશ્લેષણ કરશે અને ખોરાક, ઊંઘ અને કસરત અંગે ભલામણો કરશે. વપરાશકર્તાની પરવાનગી સાથે, એજન્ટ ખોરાક ઓર્ડર કરવા અથવા જિમ ક્લાસ બુક કરવાની ક્ષમતા પણ ધરાવશે. 

તેમની આખી મુસાફરી દરમિયાન, Healthify ટીમે શક્ય તેટલા વધુ લોકોને તેમના ફિટનેસ લક્ષ્યો હાંસલ કરવામાં અને મેટાબોલિક બીમારીઓ અટકાવવામાં મદદ કરવા પર ધ્યાન કેન્દ્રિત કર્યું છે. તેમણે પહેલેથી જ નોંધપાત્ર પ્રગતિ કરી છે. હવે, તેઓ આ અસરને વૈશ્વિક સ્તરે સ્કેલ કરી રહ્યા છે. પરંપરાગત ML સિસ્ટમો સાથે દક્ષિણપૂર્વ એશિયામાં રોલઆઉટ કરવા તેમને બે વર્ષ લાગ્યા. પરંતુ OpenAI સાથે, તેઓ માત્ર આ વર્ષે જ 20 દેશોમાં લોન્ચ કરશે, જે તેમને તેમના નિર્ધારક મિશન “Healthify a Billion.” ની વધુ નજીક લાવશે.