Healthify

40 მილიონზე მეტი მომხმარებლით, Healthify⁠(იხსნება ახალ ფანჯარაში) ინდოეთის უდიდესი ჯანმრთელობის პლატფორმაა, რომელიც უზრუნველყოფს ჯანმრთელობის აღრიცხვასა და AI-ით გაძლიერებულ ჯანმრთელობის ქოუჩინგს, რათა მომხმარებლებს დაეხმაროს ფორმაში ჩადგომასა და მეტაბოლური დაავადებების უკუქცევაში. მას შემდეგ, რაც Healthify-მ ქოუჩინგისა და აღრიცხვის კომპონენტებში AI დანერგა, მან უკვე დაეხმარა მომხმარებლებს ჯამურად 25 მილიონ ფუნტზე მეტის დაკლებაში და OpenAI-ის API-ის მეშვეობით Healthify მნიშვნელოვნად ამარტივებს აღრიცხვას და ზრდის ქოუჩინგის მასშტაბს.

Healthify უკვე ათ წელზე მეტია პიონერია ჯანდაცვისა და ფიტნესის სფეროში ქცევის ცვლილების წასახალისებლად AI-ის გამოყენებაში. 2018 წლისთვის Healthify-ს უკვე ჰყავდა 5 მილიონზე მეტი მომხმარებელი და ასობით ნუტრიციოლოგი და ტრენერი, რომლებიც ყოველთვიურად მილიონობით შეტყობინებას ცვლიდნენ თავიანთ კლიენტებთან, ასევე ათიათასობით საათის ზარებსა და კვებისა და ფიტნესის გეგმებს ყოველ თვე. Healthify-ის მონაცემთა pipeline-ს თანდაყოლილად ჰქონდა უკუკავშირის ციკლებიც — ცოდნით, თუ რომელი შეტყობინებები და გეგმები ქმნიდა უფრო მაღალ ჩართულობასა და გავლენას.

რეალური სამყაროს ამ მდიდარი, კონტექსტური ინფორმაციის გამოყენებით, Healthify-მ AI-ში მნიშვნელოვან წინსვლას მიაღწია, განსაკუთრებით Ria-ს, მსოფლიოს პირველი AI-ზე დაფუძნებული ვირტუალური ნუტრიციოლოგის, და Coach Co-pilot-ის — ქოუჩებისთვის შექმნილი ასისტენტის — გაშვებით.

Ria იყენებდა იერარქიულ LSTM-ებს (Long Short-Term Memory) და მორგებულ NLU (Natural Language Understanding) სისტემებს, რათა ზუსტად ამოეცნო მომხმარებლის განზრახვები და მიეწოდებინა შესაბამისი პასუხები. 2020 წლისთვის Ria უკვე უშუალოდ ამუშავებდა მომხმარებელთა შეტყობინებების უმეტესობას. Coach Co-pilot-თან ერთად, ამ გარღვევამ ქოუჩებს საშუალება მისცა მნიშვნელოვნად გაეზარდათ თავიანთი მომსახურების მასშტაბი, ერთდროულად 300-მდე კლიენტის მართვით, და ამავე დროს მიეღწიათ რეკორდულად მაღალი NPS-ისთვის პერსონალიზებული ჯანმრთელობის ქოუჩინგის გაუმჯობესების წყალობით.

2021 წელს Healthify-მ ასევე წარადგინა Snap, რევოლუციური ფუნქცია, რომელიც საკვების ფოტოთი ამოცნობის გზით კალორიების დათვლას ამარტივებდა. Snap იყენებდა Convolutional Neural Networks-ს (CNNs) და საკუთარ მოდელებს, რათა ზუსტად ამოეცნო ცალკეული საკვები ერთეულები, განსაკუთრებული ფოკუსით ინდურ სამზარეულოზე. ეს ტექნოლოგია არა მხოლოდ იცავდა მომხმარებლის კონფიდენციალურობას, არამედ მორგებულ საკვების რეკომენდაციებსაც იძლეოდა მომხმარებლისთვის სპეციფიკური კონტექსტების გათვალისწინებით. დროთა განმავლობაში Snap-მა ინდური ერთეული საკვებისთვის დაახლოებით 80%-იან სიზუსტეს მიაღწია.

ამ წარმატებების მიუხედავად, Healthify-მ რამდენიმე გამოწვევას წააწყდა:

• წარმადობა. Snap-ს რამდენიმე იტერაცია დასჭირდა, რათა საკვები ზუსტად ამოეცნო, და უჭირდა, როცა ფოტოებში რამდენიმე კერძი ჩანდა. შედეგად, „Snap მხოლოდ დროის 10–20%-ში გამოიყენებოდა,“ თქვა Healthify-ის CEO-მ Tushar Vashisht⁠(იხსნება ახალ ფანჯარაში). ანალოგიურად, Ria წესებზე დაფუძნებული იყო, ამიტომ მას არ შეეძლო ნამდვილად ეპასუხა კვებასთან დაკავშირებულ ღირებულ, მაგრამ რთულ გრძელკუდა შეკითხვებზე (მაგ., „როგორ იმოქმედა გუშინდელმა საკვებმა ჩემს წუხანდელ ძილზე?“).
• მასშტაბი. ყოველი ახალი ქვეყნის დამატებისთვის, Healthify-ს დიდი ძალისხმევა სჭირდებოდა მოდელების ლოკალიზებისთვის ენის, გავრცელებული საკვებისა და სავარჯიშო რუტინების მიხედვით. „სამხრეთ-აღმოსავლეთ აზიაში შესასვლელად ორი წელი დაგვჭირდა,“ განმარტა Vashisht-მა.

OpenAI-თან თანამშრომლობა ამ შეზღუდვების გადასალახად გადამწყვეტ გადაწყვეტად იქცა, მნიშვნელოვნად გააუმჯობესა Healthify-ის შეთავაზებები და ჯანმრთელობის ტექნოლოგიების სექტორში ინოვაციის ახალი სტანდარტი დააწესა.

Healthify-ის გუნდს სჯეროდა, რომ AI-ს შეეძლო მათი პროდუქტების სიზუსტე, სარგებლიანობა და მასშტაბურობა თითქმის ერთ ღამეში გაეზარდა. OpenAI-ის ბაზარზე პირველ და მარტივ API-თან ერთად, გუნდმა სწრაფად შექმნა პროტოტიპები მოდელის წარმადობის შესამოწმებლად. სანამ ოფიციალურად აირჩევდნენ პროვაიდერს, გუნდმა შეაფასა მოდელის მრავალი ვარიანტი, მათ შორის ღია კოდის მოდელებიც.

საფუძვლიანი შეფასების შემდეგ, Healthify რამდენიმე მიზეზის გამო პარტნიორობდა OpenAI-თან:

• საუკეთესო კლასის სიზუსტე. GPT‑4 Vision-მა მყისიერად გადააჭარბა Snap pipeline-ის წარმადობას; მოდელი თავისით ცნობდა საკვებს მთელი მსოფლიოდან და ფოტოებში რამდენიმე საკვებ ერთეულსაც ამოიცნობდა. GPT‑4‑მა (Ria-სთვის) და Whisper-მა (Coach Copilot-ისთვის) ანალოგიურად აჯობა როგორც მათ არსებულ pipeline-ებს, ისე გენერაციული AI-ის ალტერნატიულ მოდელებს.
• მარტივი ინტეგრაცია. როგორც კი პროტოტიპები დაადასტურეს და საქმე საწარმოო სისტემებში ინტეგრაციამდე მივიდა, Healthify-ის გუნდს შეეძლო უბრალოდ დაემატებინა OpenAI-ის API თავის არსებულ pipeline-ებში. „ძალიან ადვილი იყო OpenAI-თან proof-of-concept-ების შექმნა და მათი გამოყენება საწარმოო სისტემების ასაშენებლად,“ თქვა Vashisht-მა.
• მარტივი fine-tuning. Healthify-მ OpenAI დიდწილად იმიტომ აირჩია, რომ fine-tuning თავიდანვე ხელმისაწვდომი იყო. მარტივი იყო მათი მონაცემების fine-tuning-ისთვის მოდელირება და სერვისში ატვირთვა. გუნდმა შეძლო წარმატებით მოერგო OpenAI-ის მოდელები თავის გამოყენების შემთხვევას დიდი კონფიგურაციის გარეშე.
• ემბედინგები. Healthify-მ Embeddings მოდელი თავისი ერთ-ერთი მთავარი პრობლემის გადასაჭრელად გამოიყენა: როგორ უნდა დააკავშირო ორი საკვები მხოლოდ ტექსტის დამთხვევის მიღმა? მათ სჭირდებოდათ GPT‑4‑ის მიერ დაბრუნებული საკვების სახელების დამთხვევა იმ სახელებთან, რომლებიც უკვე საკუთარ სისტემაში ჰქონდათ. „GPT თავისთავად მოდელია. მას საკვების სახელების საკუთარი ლექსიკონი აქვს. Healthify-ს თავისი საკვების სახელები აქვს და ამ დამთხვევის გაკეთება იყო ის, რის გარკვევასაც ვცდილობდით,“ აღნიშნა Abhijit Khasnis⁠(იხსნება ახალ ფანჯარაში)-მა, ტექნოლოგიების ვიცე-პრეზიდენტმა. „და როდესაც OpenAI Embeddings მოდელი გამოვცადეთ, მივხვდით, რომ GPT‑ის მიერ იდენტიფიცირებულ საკვების სახელსა და ჩვენს საკვების embedding-ებს შორის cosine similarity დამთხვევა მაღალ სიზუსტეს გვაძლევს!“

Snap ახლა იყენებს საკუთარ მოდელთა ანსამბლს GPT‑4 Vision-თან ერთად, რათა გაიგოს მომხმარებლისთვის სპეციფიკური კონტექსტები და ამავე დროს უზრუნველყოს მონაცემთა კონფიდენციალურობა. სურათის ანალიზის შემდეგ, ზუსტი საკვების რეკომენდაციების მისაწოდებლად გამოიყენება მორგებული ევრისტიკული მოდელები. ამ განახლებამ Snap-ის სიზუსტე ადამიანის ამოცნობის დონემდე აიყვანა და კვების აღრიცხვის პროცესი გაამარტივა.

Ria-ს უახლესი განახლება სირთულისა და შესაძლებლობების მხრივ მნიშვნელოვან ნახტომს წარმოადგენს: მასში გაერთიანებულია დახვეწილად მორგებულ მოდელთა ანსამბლი, მათ შორის GPT 3.5 და უახლესი GPT‑4 Turbo. ეს განვითარებული კონფიგურაცია Ria-ს საშუალებას აძლევს, წვდომა ჰქონდეს და გააანალიზოს Healthify-ის ვრცელი მასალები და თითოეული მომხმარებლის უნიკალური ისტორია პლატფორმაზე. ასეთმა ინტეგრაციამ Ria აქცია მის ყველაზე სრულყოფილ და ინტელექტუალურ ვერსიად, რომელიც აქამდე არნახული მასშტაბით სთავაზობს პერსონალიზებულ რჩევებს ჯანმრთელობისა და კვების შესახებ.

საერთო ჯამში, Healthify-ის გუნდმა ჩართულობისა და შენარჩუნების მკვეთრი ზრდა დაინახა, რამაც მათი მომხმარებლებისთვის უკეთესი ჯანმრთელობის შედეგები მოიტანა:

• მომხმარებლები Snap-ით საკვებს 50%-ით უფრო ხშირად აღრიცხავენ. რადგან საკვების აღრიცხვა ფიტნეს-მიზნებთანაა დაკავშირებული, Healthify-ის გუნდი ელის, რომ ჩართულობის ეს ზრდა მომხმარებელთა ფიტნესშიც 50%-იან ზრდას გამოიწვევს. „ვხედავთ, რომ ჩართულობის მაჩვენებლები 50%-ით უფრო მაღალია. წონის კლება და ცხიმის შემცირება ძლიერ არის დაკავშირებული იმ საკვებთან, რომელსაც აღრიცხავ, რაც ნიშნავს, რომ შეგვიძლია ველოდოთ წონის კლებაზე 50%-ით მეტ გავლენასაც,“ აღნიშნა Vashisht-მა.
• მომხმარებლები Ria-სთან უფრო მეტად ერთვებიან კვებისა და ფიტნესის ქოუჩინგში. საუბრის ხანგრძლივობა გაორმაგდა (ზოგ მომხმარებელს ორას შეტყობინებაზე მეტი სიგრძის დიალოგიც აქვს), და Ria-ს ახლა შეუძლია უპასუხოს ისეთ რთულ შეკითხვებს, როგორიცაა „როგორ იმოქმედა ჩემმა გლუკოზის დონემ გუშინ ჩემს ძილზე?“ — ამისთვის ის აკავშირებს მონაცემებს უწყვეტი გლუკოზის მონიტორიდან (CGM), Snap-ის საკვების ჟურნალებიდან და ნებისმიერი wearable მოწყობილობის ძილის ჟურნალებიდან.
• ქოუჩები კლიენტებს ნახევარ დროში პასუხობენ. კლიენტები ასევე 18%-ით მეტად ერთვებიან AI-ით მხარდაჭერილ ქოუჩებთან. Healthify-ის მონაცემებზე დაფუძნებული Stanford-ის კვლევა⁠(იხსნება ახალ ფანჯარაში) აჩვენებს, რომ AI-ით გაძლიერებული ადამიანური ქოუჩინგი კლიენტებს მხოლოდ AI ქოუჩინგთან შედარებით 70%-ით მეტი წონის დაკლებაში ეხმარება. AI-ის წყალობით, Healthify-ის ქოუჩებს ახლა უფრო მეტი კლიენტის დახმარება შეუძლიათ ამ დამატებითი 70%-ის დასაკლებად.

მომდევნო თორმეტი თვის განმავლობაში Healthify-ის გუნდი კიდევ უფრო ამბიციური მიზნებისკენ იყურება. ისინი ისახავენ მიზნად შექმნან ავტონომიური ჯანმრთელობის აგენტები, რომლებსაც პროაქტიულად შეეძლებათ მომხმარებლების დახმარება ჯანსაღი არჩევანის გაკეთებაში. იმის ნაცვლად, რომ შეკითხვით გააქტიურდნენ, ეს აგენტები ავტომატურად გააანალიზებენ მომხმარებლის ჯანმრთელობის მონაცემებს და მისცემენ რეკომენდაციებს საკვებზე, ძილსა და ვარჯიშზე. მომხმარებლის ნებართვით, აგენტებს საკვების შეკვეთაც ან სპორტდარბაზის კლასების დაჯავშნაც კი შეეძლებათ.

მთელი თავისი გზის განმავლობაში Healthify-ის გუნდი ფოკუსირებული იყო იმაზე, რომ რაც შეიძლება მეტ ადამიანს დახმარებოდა ფიტნეს-მიზნების მიღწევასა და მეტაბოლური დაავადებების პრევენციაში. მათ უკვე მნიშვნელოვან წინსვლას მიაღწიეს. ახლა ისინი ამ გავლენას გლობალურად აფართოებენ. ტრადიციული ML სისტემებით სამხრეთ-აღმოსავლეთ აზიაში გასაშლელად ორი წელი დასჭირდათ. მაგრამ OpenAI-თან ერთად, მხოლოდ ამ წელს 20 ქვეყანაში გაეშვებიან, რაც მათ უფრო აახლოებს მათ განმსაზღვრელ მისიასთან: „Healthify a Billion.“