Healthify

အသုံးပြုသူ 40 သန်းကျော်ရှိသော Healthify⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) သည် အိန္ဒိယ၏ အကြီးဆုံးကျန်းမာရေးပလက်ဖောင်းဖြစ်ပြီး၊ အသုံးပြုသူများ ကြံ့ခိုင်လာစေရန်နှင့် metabolic disease ကို ပြန်လည်လျော့နည်းစေရန် ကျန်းမာရေးခြေရာခံမှုနှင့် AI အားဖြည့် ကျန်းမာရေးကိုချ်ချင်းကို ပံ့ပိုးပေးပါသည်။ ကိုချ်ချင်းနှင့် ခြေရာခံမှု အစိတ်အပိုင်းများတွင် AI ကို မိတ်ဆက်ပြီးကတည်းက Healthify သည် အသုံးပြုသူများကို စုစုပေါင်း ပေါင် 25 သန်းကျော် လျှော့ချနိုင်အောင် ကူညီပေးပြီးဖြစ်ကာ OpenAI ၏ API ဖြင့် Healthify သည် ခြေရာခံမှုကို များစွာလွယ်ကူစေပြီး ကိုချ်ချင်းကိုလည်း ချဲ့ထွင်နေပါသည်။

Healthify သည် ကျန်းမာရေးနှင့် ကြံ့ခိုင်ရေးတွင် အပြုအမူပြောင်းလဲမှုကို မောင်းနှင်ရန် AI ကို အသုံးပြုရာ၌ ဆယ်စုနှစ်တစ်ခုကျော် ဦးဆောင်တီထွင်လာခဲ့သည်။ 2018 ခုနှစ်တွင် Healthify သည် အသုံးပြုသူ 5 သန်းကျော်ရှိနေပြီး အာဟာရပညာရှင်များနှင့် လေ့ကျင့်ပေးသူ ရာပေါင်းများစွာက ဖောက်သည်များနှင့် လစဉ် မက်ဆေ့ချ်သန်းပေါင်းများစွာ ဖလှယ်နေကြသကဲ့သို့၊ လတိုင်းတွင် ခေါ်ဆိုမှု နာရီသောင်းချီနှင့် အစားအစာ၊ ကြံ့ခိုင်ရေးအစီအစဉ်များလည်း ရှိနေခဲ့သည်။ Healthify ၏ ဒေတာပိုက်လိုင်းတွင် အလိုအလျောက် feedback loop များလည်း ပါဝင်ခဲ့ပြီး ဘယ်မက်ဆေ့ချ်များနှင့် အစီအစဉ်များက ပါဝင်ဆက်ဆံမှုနှင့် သက်ရောက်မှု ပိုမိုမြင့်မားစေသည်ကို သိရှိနိုင်ခဲ့သည်။

ဤကဲ့သို့သော လက်တွေ့ကမ္ဘာဆိုင်ရာ၊ အခြေအနေပေါ်မူတည်သော အချက်အလက်များစွာကို အသုံးပြုပြီး Healthify သည် AI တွင် အရေးကြီးသော တိုးတက်မှုများ ပြုလုပ်နိုင်ခဲ့ပြီး၊ အထူးသဖြင့် ကမ္ဘာ့ပထမဆုံး AI စွမ်းအားသုံး virtual nutritionist ဖြစ်သော Ria နှင့် coach-facing assistant ဖြစ်သည့် Coach Co-pilot ကို စတင်မိတ်ဆက်နိုင်ခဲ့သည်။ 

Ria သည် hierarchical LSTMs (Long Short-Term Memory) နှင့် စိတ်ကြိုက် NLU (Natural Language Understanding) စနစ်များကို အသုံးပြုကာ အသုံးပြုသူ၏ ရည်ရွယ်ချက်များကို တိကျစွာ ခွဲခြားသတ်မှတ်ပြီး သက်ဆိုင်ရာ အဖြေများကို ပေးခဲ့သည်။ 2020 ခုနှစ်ရောက်သည့်အခါ Ria သည် အသုံးပြုသူမက်ဆေ့ချ်အများစုကို တိုက်ရိုက်ကိုင်တွယ်နေခဲ့သည်။ Coach Co-pilot နှင့် ပေါင်းစပ်လိုက်သောအခါ ဤအောင်မြင်မှုကြီးကြောင့် ကိုချ်များသည် တစ်ချိန်တည်းတွင် ဖောက်သည် 300 အထိ စီမံနိုင်အောင် ဝန်ဆောင်မှုများကို အလွန်ချဲ့ထွင်နိုင်ခဲ့ပြီး ကိုယ်ပိုင်သီးသန့် ကျန်းမာရေးကိုချ်ချင်း တိုးတက်လာမှုများကြောင့် NPS စံချိန်တင်မြင့်မားမှုကိုလည်း ရရှိခဲ့သည်။

2021 ခုနှစ်တွင်လည်း Healthify သည် အစားအစာဓာတ်ပုံအသိအမှတ်ပြုမှုမှတဆင့် ကယ်လိုရီရေတွက်ခြင်းကို လွယ်ကူစေရန် ဒီဇိုင်းထုတ်ထားသော တော်လှန်ပြောင်းလဲစေသော feature ဖြစ်သည့် Snap ကို မိတ်ဆက်ခဲ့သည်။ Snap သည် Convolutional Neural Networks (CNNs) နှင့် ကိုယ်ပိုင်မော်ဒယ်များကို အသုံးပြုကာ အထူးသဖြင့် အိန္ဒိယအစားအစာများကို အာရုံစိုက်ပြီး အစားအစာတစ်မျိုးချင်းကို တိကျစွာ ခွဲခြားနိုင်ခဲ့သည်။ ဤနည်းပညာသည် အသုံးပြုသူ၏ ကိုယ်ရေးကိုယ်တာလုံခြုံမှုကို လေးစားရုံသာမက အသုံးပြုသူတစ်ဦးချင်းစီ၏ အခြေအနေများကို ပေါင်းထည့်ခြင်းဖြင့် အစားအစာအကြံပြုချက်များကိုလည်း စိတ်ကြိုက်ဖြစ်အောင် ပြုလုပ်ပေးခဲ့သည်။ အချိန်ကြာလာသည်နှင့်အမျှ Snap သည် အိန္ဒိယ အစားအစာတစ်မျိုးချင်းအတွက် 80% ခန့် တိကျမှု ရရှိလာခဲ့သည်။

ဤအောင်မြင်မှုများရှိနေသော်လည်း Healthify သည် စိန်ခေါ်မှုများနှင့်လည်း ကြုံတွေ့ခဲ့ရသည်-

• စွမ်းဆောင်ရည်။ Snap က အစားအစာကို တိကျစွာ ခွဲခြားနိုင်ရန် iteration အကြိမ်ကြိမ် လုပ်ဆောင်ရပြီး၊ ဓာတ်ပုံများတွင် အစားအစာမျိုးစုံ ပါဝင်လာသောအခါ အခက်တွေ့ခဲ့သည်။ ထို့ကြောင့် “Snap ကို အချိန်၏ 10–20% မှာပဲ အသုံးပြုခဲ့ကြတယ်” ဟု Healthify CEO Tushar Vashisht⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) က ပြောကြားခဲ့သည်။ ထိုနည်းတူ Ria သည် rules-based ဖြစ်သောကြောင့် အာဟာရနှင့်ပတ်သက်သော တန်ဖိုးရှိသော်လည်း ရှုပ်ထွေးသော ရှည်လျားသည့် မေးခွန်းများကို (ဥပမာ၊ “မနေ့က ကျွန်ုပ်စားခဲ့သည့် အစားအစာက မနေ့ညအိပ်စက်မှုအပေါ် ဘယ်လို သက်ရောက်ခဲ့သလဲ?”) အမှန်တကယ် မဖြေနိုင်ခဲ့ပါ။ 
• အတိုင်းအတာချဲ့ထွင်ခြင်း။ နိုင်ငံအသစ်တစ်နိုင်ငံချင်းစီ ထည့်သွင်းလိုသည့်အခါ Healthify သည် ဘာသာစကား၊ အများအသုံးအစားအစာများနှင့် လေ့ကျင့်ခန်းပုံစံများအတွက် မော်ဒယ်များကို ဒေသလိုက်ပြောင်းလဲရန် အားထုတ်မှုများစွာ လိုအပ်ခဲ့သည်။ “အရှေ့တောင်အာရှဈေးကွက်ကို ဝင်ဖို့ ကျွန်တော်တို့ နှစ်နှစ်ကြာခဲ့တယ်” ဟု Vashisht က ရှင်းပြခဲ့သည်။

ဤကန့်သတ်ချက်များကို ကျော်လွှားရန် OpenAI နှင့် ပူးပေါင်းဆောင်ရွက်မှုသည် အဓိကဖြေရှင်းချက်တစ်ခုအဖြစ် ပေါ်ပေါက်လာခဲ့ပြီး Healthify ၏ ကမ်းလှမ်းချက်များကို သိသိသာသာ တိုးတက်စေသည့်အပြင် ကျန်းမာရေးနည်းပညာကဏ္ဍတွင် တီထွင်ဆန်းသစ်မှုအတွက် စံသတ်မှတ်ချက်အသစ်တစ်ခုကိုလည်း သတ်မှတ်ပေးခဲ့သည်။

Healthify အဖွဲ့သည် AI က ၎င်းတို့၏ ထုတ်ကုန်များ၏ တိကျမှု၊ အသုံးဝင်မှုနှင့် ချဲ့ထွင်နိုင်စွမ်းကို တစ်ညတည်းအတွင်း တိုးမြှင့်ပေးနိုင်မည်ဟု ယုံကြည်ခဲ့သည်။ OpenAI ၏ ဈေးကွက်တွင် ဦးစွာရောက်ရှိပြီး ရိုးရှင်းသော API ဖြင့် အဖွဲ့သည် မော်ဒယ်စွမ်းဆောင်ရည်ကို စမ်းသပ်ရန် prototype များကို အလျင်အမြန် တည်ဆောက်ခဲ့သည်။ provider တစ်ခုကို တရားဝင်မရွေးချယ်မီ အဖွဲ့သည် open-source မော်ဒယ်များအပါအဝင် မော်ဒယ်ရွေးချယ်စရာ အများအပြားကို အကဲဖြတ်ခဲ့သည်။

အသေးစိတ် အကဲဖြတ်ပြီးနောက် Healthify သည် အကြောင်းရင်းများစွာကြောင့် OpenAI နှင့် ပူးပေါင်းခဲ့သည်-

• အတန်းအစားအလိုက် အကောင်းဆုံး တိကျမှု။ GPT‑4 Vision သည် Snap pipeline ၏ စွမ်းဆောင်ရည်ကို ချက်ချင်းကျော်လွန်သွားခဲ့သည်။ မော်ဒယ်တစ်ခုတည်းဖြင့်ပင် ကမ္ဘာတစ်ဝှမ်းမှ အစားအစာများကို ခွဲခြားသိရှိပြီး ဓာတ်ပုံထဲရှိ အစားအစာမျိုးစုံကိုလည်း ရှာဖွေနိုင်ခဲ့သည်။ GPT‑4 (Ria အတွက်) နှင့် Whisper (Coach Copilot အတွက်) သည်လည်း ၎င်းတို့၏ လက်ရှိ pipeline များနှင့် အခြား Generative AI မော်ဒယ်များထက် စွမ်းဆောင်ရည်ပိုကောင်းခဲ့သည်။
• ပေါင်းစည်းရန် လွယ်ကူမှု။ prototype များကို အတည်ပြုပြီး ထုတ်လုပ်ရေးစနစ်များထဲသို့ ပေါင်းစည်းရမည့်အချိန်ရောက်လာသောအခါ Healthify အဖွဲ့သည် OpenAI ၏ API ကို ၎င်းတို့၏ ရှိပြီးသား pipeline များထဲသို့သာ ရိုးရိုးထည့်နိုင်ခဲ့သည်။ “OpenAI နဲ့ proof-of-concepts တည်ဆောက်ပြီး အဲဒီအရာတွေကို အသုံးပြုပြီး production systems တည်ဆောက်ရတာ အရမ်းလွယ်ကူခဲ့ပါတယ်” ဟု Vashisht က ပြောခဲ့သည်။
• ရိုးရှင်းသော fine-tuning။ Healthify သည် fine-tuning ကို out-of-the-box ရရှိနိုင်သောကြောင့် OpenAI ကို ရွေးချယ်ခဲ့သည်။ fine-tuning အတွက် ၎င်းတို့၏ ဒေတာကို မော်ဒယ်လုပ်ပြီး ဝန်ဆောင်မှုထဲသို့ upload လုပ်ရန် လွယ်ကူခဲ့သည်။ အဖွဲ့သည် configuration များစွာမလိုဘဲ OpenAI ၏ မော်ဒယ်များကို ၎င်းတို့၏ အသုံးပြုမှုကိစ္စနှင့် အောင်မြင်စွာ ချိတ်ဆက်နိုင်ခဲ့သည်။
• Embeddings။ Healthify သည် ၎င်း၏ အဓိကပြဿနာတစ်ခုကို ဖြေရှင်းရန် Embeddings မော်ဒယ်ကို အသုံးပြုခဲ့သည်- စာသားတိုက်ဆိုင်မှုတစ်ခုတည်းထက် ကျော်လွန်ပြီး အစားအစာနှစ်မျိုးကို ဘယ်လို ကိုက်ညီစေမလဲ? ၎င်းတို့သည် GPT‑4 က ပြန်ပေးလာသော အစားအစာအမည်များကို ၎င်းတို့၏ ကိုယ်ပိုင်စနစ်အတွင်း ရှိပြီးသား အစားအစာအမည်များနှင့် ကိုက်ညီစေရန် လိုအပ်ခဲ့သည်။ “GPT က ကိုယ်ပိုင်မော်ဒယ်တစ်ခုပါ။ သူ့မှာ သူ့ကိုယ်ပိုင် အစားအစာအမည် dictionary ရှိတယ်။ Healthify မှာလည်း သူ့ကိုယ်ပိုင် အစားအစာအမည်တွေရှိတယ်၊ အဲဒီ match လုပ်ပုံက ကျွန်တော်တို့ နားလည်ဖို့ ကြိုးစားနေတဲ့ အရာတစ်ခုပါ” ဟု Technology ၏ VP ဖြစ်သူ Abhijit Khasnis⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) က မှတ်ချက်ပြုခဲ့သည်။ “OpenAI Embeddings model ကို စမ်းသပ်ကြည့်တဲ့အခါ GPT က ခွဲခြားသတ်မှတ်ထားတဲ့ အစားအစာအမည်နဲ့ ကျွန်တော်တို့ရဲ့ food embeddings အကြား cosine similarity matching က တိကျမှုမြင့်တယ်ဆိုတာ ကျွန်တော်တို့ သိလိုက်ရတယ်!”

ယခု Snap သည် ဒေတာ ကိုယ်ရေးကိုယ်တာလုံခြုံမှုကို သေချာစေကာ အသုံးပြုသူတစ်ဦးချင်းစီ၏ အခြေအနေများကို နားလည်ရန် GPT‑4 Vision နှင့်အတူ ကိုယ်ပိုင်မော်ဒယ်အစုတစ်ခုကို အသုံးပြုနေပါသည်။ ပုံရိပ်ကို ခွဲခြမ်းစိတ်ဖြာပြီးနောက် တိကျသော အစားအစာအကြံပြုချက်များ ပေးနိုင်ရန် စိတ်ကြိုက် heuristic မော်ဒယ်များကို သုံးပါသည်။ ဤအဆင့်မြှင့်တင်မှုကြောင့် Snap ၏ တိကျမှုသည် လူသားအသိအမှတ်ပြုမှုနှင့် တန်းတူအောင် မြင့်တက်လာပြီး အစားအသောက်ခြေရာခံမှုလုပ်ငန်းစဉ်ကို ပိုမိုချောမွေ့စေပါသည်။

Ria ၏ နောက်ဆုံးအပ်ဒိတ်သည် ရှုပ်ထွေးမှုနှင့် စွမ်းဆောင်ရည်ပိုင်းတွင် အရေးပါသော ခုန်ပျံတိုးတက်မှုတစ်ခုဖြစ်ပြီး GPT 3.5 နှင့် အဆင့်မြင့် GPT‑4 Turbo အပါအဝင် fine-tuned မော်ဒယ်အစုတစ်ခုကို ပေါင်းစည်းထားပါသည်။ ဤအဆင့်မြင့်စနစ်ကြောင့် Ria သည် Healthify ၏ ကျယ်ပြန့်သော စာတမ်းအချက်အလက်များနှင့် အသုံးပြုသူတစ်ဦးစီ၏ ပလက်ဖောင်းပေါ်ရှိ ထူးခြားသမိုင်းကြောင်းကို ရယူနားလည်ဖော်ထုတ်နိုင်ပါသည်။ ထိုသို့သော ပေါင်းစည်းမှုကြောင့် Ria သည် ယနေ့ထိ အပြည့်စုံဆုံးနှင့် အထက်မြက်ဆုံးဗားရှင်းဖြစ်လာပြီး ကိုယ်ပိုင်သီးသန့် ကျန်းမာရေးနှင့် အာဟာရ အကြံဉာဏ်များကို မကြုံစဖူး အတိုင်းအတာဖြင့် ပေးစွမ်းနေပါသည်။

Healthify အဖွဲ့သည် ကဏ္ဍအားလုံးတွင် ပါဝင်ဆက်ဆံမှုနှင့် ဆက်လက်အသုံးပြုမှု မြင့်တက်လာသည်ကို တွေ့မြင်ရပြီး၊ ထိုကြောင့် အသုံးပြုသူများအတွက် ကျန်းမာရေးရလဒ်များ ပိုမိုကောင်းမွန်လာပါသည်-

• အသုံးပြုသူများသည် Snap ဖြင့် အစားအစာကို 50% ပိုမိုမကြာခဏ ခြေရာခံကြသည်။ အစားအစာခြေရာခံခြင်းသည် ကြံ့ခိုင်ရေးရည်မှန်းချက်များနှင့် ဆက်စပ်နေသဖြင့် Healthify အဖွဲ့က ဤပါဝင်ဆက်ဆံမှုတိုးလာခြင်းကြောင့် အသုံးပြုသူများ၏ ကြံ့ခိုင်မှုလည်း 50% တိုးလာမည်ဟု မျှော်လင့်ထားသည်။ “ပါဝင်ဆက်ဆံမှုနှုန်းက 50% ပိုမြင့်လာတာကို ကျွန်တော်တို့ မြင်နေရပါတယ်။ ကိုယ်အလေးချိန်လျှော့ချမှုနဲ့ အဆီလျှော့ချမှုဟာ သင်ခြေရာခံတဲ့ အစားအစာတွေနဲ့ အလွန်ဆက်စပ်နေပါတယ်၊ ဆိုလိုတာက ကိုယ်အလေးချိန်လျှော့ချမှုအပေါ် သက်ရောက်မှုလည်း 50% ပိုမြင့်လာမယ်လို့ မျှော်လင့်နိုင်ပါတယ်” ဟု Vashisht က မှတ်ချက်ပြုခဲ့သည်။ 
• အသုံးပြုသူများသည် အာဟာရနှင့် ကြံ့ခိုင်ရေး ကိုချ်ချင်းအတွက် Ria နှင့် ပိုမိုအပြန်အလှန်ဆက်သွယ်ကြသည်။ စကားပြောဆိုမှုအရှည်သည် နှစ်ဆတိုးလာပြီး (အသုံးပြုသူအချို့မှာ မက်ဆေ့ချ် နှစ်ရာကျော် ရှည်လျားသော စကားပြောဆိုမှုများကို ပြုလုပ်နေကြသည်) ယခု Ria သည် “မနေ့က ကျွန်ုပ်၏ ဂလူးကိုစ်အဆင့်များက အိပ်စက်မှုအပေါ် ဘယ်လို သက်ရောက်ခဲ့သလဲ?” ကဲ့သို့သော ရှုပ်ထွေးသော မေးခွန်းများကို Continuous Glucose Monitor (CGM) မှ တန်ဖိုးများ၊ Snap မှ အစားအစာမှတ်တမ်းများနှင့် wearable မည်သည့်ကိရိယာမှမဆို အိပ်စက်မှုမှတ်တမ်းများကို ဆက်စပ်ချိတ်ဆက်ကာ ဖြေဆိုနိုင်ပါသည်။
• ကိုချ်များသည် ဖောက်သည်များထံ တုံ့ပြန်ရာတွင် အချိန်တစ်ဝက်သာ လိုအပ်သည်။ ထို့ပြင် ဖောက်သည်များသည် AI ပံ့ပိုးထားသော ကိုချ်များနှင့် 18% ပိုမိုပါဝင်ဆက်ဆံကြသည်။ Healthify ၏ ဒေတာအပေါ် အခြေခံထားသော Stanford သုတေသန⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) က AI ဖြင့် အားဖြည့်ထားသော လူသားကိုချ်ချင်းသည် AI ကိုချ်ချင်းတစ်မျိုးတည်းထက် ဖောက်သည်များကို ကိုယ်အလေးချိန် 70% ပိုမိုလျှော့ချစေနိုင်ကြောင်း ပြသထားသည်။ AI ကြောင့် ယခု Healthify ၏ ကိုချ်များသည် ထိုအပို 70% ကိုယ်အလေးချိန်ကို ဖောက်သည်များ ပိုမိုလျှော့ချနိုင်ရန် လူများစွာကို ကူညီပေးနိုင်လာပြီဖြစ်သည်။

လာမည့် ဆယ့်နှစ်လအတွင်း Healthify အဖွဲ့သည် ပိုမိုရည်မှန်းချက်ကြီးမားသော ပန်းတိုင်များကို ရှုမြင်လျက်ရှိသည်။ ၎င်းတို့သည် အသုံးပြုသူများအား ကျန်းမာသော ရွေးချယ်မှုများ ပြုလုပ်ရာတွင် တက်ကြွစွာ ကူညီပေးနိုင်သော ကိုယ်ပိုင်လုပ်ဆောင်သည့် ကျန်းမာရေး အေးဂျင့်များကို ဖွံ့ဖြိုးတိုးတက်စေရန် ရည်ရွယ်ထားသည်။ မေးခွန်းတစ်ခုကြောင့် စတင်လုပ်ဆောင်ရန် စောင့်နေမည့်အစား ဤအေးဂျင့်များသည် အသုံးပြုသူ၏ ကျန်းမာရေးဒေတာကို အလိုအလျောက် ခွဲခြမ်းစိတ်ဖြာပြီး အစားအစာ၊ အိပ်စက်မှုနှင့် လေ့ကျင့်ခန်းဆိုင်ရာ အကြံပြုချက်များကို ပေးမည်ဖြစ်သည်။ အသုံးပြုသူ၏ ခွင့်ပြုချက်ဖြင့် အေးဂျင့်များသည် အစားအစာ မှာယူခြင်း သို့မဟုတ် ဂျင်အတန်းများကို ဘွတ်ကင်လုပ်ခြင်းပင် ပြုလုပ်နိုင်မည်ဖြစ်သည်။ 

၎င်းတို့၏ ခရီးစဉ်တစ်လျှောက်လုံး Healthify အဖွဲ့သည် လူအများနိုင်သမျှများများကို ၎င်းတို့၏ ကြံ့ခိုင်ရေးရည်မှန်းချက်များ ပြည့်မီစေရန်နှင့် metabolic diseases များကို ကာကွယ်နိုင်ရန် ကူညီပေးရေးအပေါ် အာရုံစိုက်ထားခဲ့သည်။ ၎င်းတို့သည် သိသာထင်ရှားသော တိုးတက်မှုများကို ပြုလုပ်ပြီးဖြစ်သည်။ ယခုတော့ ထိုသက်ရောက်မှုကို ကမ္ဘာအနှံ့ ချဲ့ထွင်နေကြသည်။ ၎င်းတို့၏ ရိုးရာ ML စနစ်များဖြင့် အရှေ့တောင်အာရှသို့ ဖြန့်ချိရန် နှစ်နှစ်ကြာခဲ့သည်။ သို့သော် OpenAI နှင့်အတူ ၎င်းတို့သည် ဒီနှစ်တစ်နှစ်တည်းအတွင်း နိုင်ငံ 20 တွင် စတင်ဖြန့်ချိမည်ဖြစ်ပြီး၊ “Healthify a Billion” ဟူသော ၎င်းတို့၏ အဓိကမစ်ရှင်နှင့် ပိုမိုနီးကပ်စေမည်ဖြစ်သည်။