كيف يتعلم Longev AI: القواعد والبيانات واختبار التوقعات
يعتمد Longev AI على قواعد سريرية واضحة ومفسرة تُبنى فوق المعدل الأساسي للنزيل، ويجمع فوقها أزواج «التأثير ← الاستجابة» ويقيس هامش خطأ توقعاته بكل شفافية.
لمن هذه الصفحة. للمدققين التقنيين والأطباء والمستثمرين — لكل من يسأل: «هل هذا تعلم آلي أم قواعد صارمة؟» الإجابة صريحة ويمكن التحقق منها مباشرة عبر البوابة.
الأساس هو القواعد، وهذا خيار متعمد. كل توصية مستمدة من عتبة محددة وتُفسر بجملة واحدة؛ أما الإجراءات المدفوعة فلا يغيرها إلا الطبيب. في المجال الطبي، لا أحد يوقع على قرارات صندوق أسود مجهول.
التخصيص يعتمد على المعدل الأساسي للشخص. تُقاس التنبيهات مقارنة بمتوسط النزيل طوال إقامته، وليس وفق «المعدل العام للسكان»: فنبض الراحة 62 لا يعني شيئاً حتى تعرف أنه كان 54 طوال الأسبوع.
مجموعتان من البيانات. سجل القرارات — «أرقام النزيل ← ما قرره الطبيب»؛ وسجل النتائج — «إجراءات الأمس والجهد البدني ← ما سجلته الساعة صباحاً». كلاهما مجهول الهوية بطبيعته ويمكن تصديرهما بأسطر بصيغة JSONL.
التوقعات تحت التدقيق المستمر. تتوقع المنصة نبض الراحة وتقلب النبض وBody Battery وتقييم النوم للغد باستخدام ثلاثة نماذج، وتطبع متوسط الخطأ لكل نموذج — في جدول واضح، لا مجرد وعود.
الحدود الفاصلة. ذكاء العافية ونمط الحياة (Wellness & Lifestyle Intelligence) هو دعم لنمط الحياة وليس جهازاً طبياً؛ والقرار الأخير دائماً للطبيب. تم التحديث في 25.08.2026.
القواعد بدلاً من الصندوق الأسود — والسبب وراء ذلك
صُمم Longev AI ليكون محركاً حتمياً: فنفس بيانات الليلة مع نفس العتبات تُنتج نفس التقرير دائماً. وهذا ليس قيداً نخفيه، بل هو قرار هندسي يستند إلى ثلاثة أسباب.
السبب الأول — توقيع الطبيب. يُوقَّع التقرير الصباحي رسمياً، ويجب أن يوضح كل سطر فيه سبب القرار: «نبض الراحة 68 مقابل متوسطك البالغ 61 — نقترح استبدال الإجراء المجهد». وأي توصية لا يمكن تبريرها برقم لا يطبعها المحرك أبداً.
السبب الثاني — الإطار التنظيمي. فالنظام الذي يغير الوصفات الطبية تلقائياً بناءً على نموذج غامض يقترب من تصنيف الأجهزة الطبية وفئة الأنظمة عالية المخاطر بموجب قانون الذكاء الاصطناعي الأوروبي (EU AI Act). لذلك تبقى المنصة عن قصد أداة لدعم نمط الحياة: تقترح وتوضح وتنتظر موافقة الطبيب (الإطار القانوني).
السبب الثالث — مشكلة البداية من الصفر (Cold Start). فالنموذج القابل للتدريب دون بيانات سابقة يكون أسوأ من القواعد المحددة: إذ لا توجد بيانات ليتعلم منها في فندق انضم بالأمس فقط. القواعد تعمل بكفاءة منذ أول نزيل، وتبدأ المنصة بجمع البيانات للنماذج المستقبلية منذ الصباح الأول — كما هو موضح أدناه.
المعدل الأساسي الفردي بدلاً من المعايير العامة
تقارن عتبات المحرك النزيل بنفسه في كل قياس تقريباً. والمعدل الأساسي هو متوسط قياسات إقامته الخاصة: تُستثنى أيام الوصول غير المكتملة بدقة، وما دام عدد الأيام المقاسة أقل من يومين، لا تُفعّل تنبيهات المعدل الأساسي إطلاقاً — فالمقارنة بليلة واحدة تشبه رمي عملة نقدية يُطبع كاستنتاج. ويمكن للطبيب رفع فترة الحماية هذه حتى 5 أيام.
يتميز تقلب معدل ضربات القلب (حالة تقلب النبض — أي مدى تفاوت الفترات الفاصلة بين ضربات القلب) بمصدر ثانٍ للمعلومات الموثوقة: وهو النطاق المرجعي للنزيل، والذي يتعلمه محرك Firstbeat داخل Garmin على مدار ثلاثة أسابيع تقريباً. وإذا أفادت الساعة، التي تعرف بيانات النزيل لفترة أطول من معدلنا الأساسي ذي اليومين، بأن النتيجة «أقل من النطاق المعتاد»، فلن يظهر مؤشر الجاهزية باللون الأخضر — فحكم الساعة يعلو على حساباتنا، وفي اتجاه واحد فقط.
تُجمع هذه الأرقام لتحديد مؤشر جاهزية اليوم — وهو رقم من 0 إلى 100، يشبه مؤشر Readiness في خاتم Oura وRecovery في سوار WHOOP، لكنه يستند إلى بيانات Garmin ووفق قواعد يحددها طبيب الفندق: يمثل Body Battery 30 نقطة، وتقلب النبض و«النوم» 25 نقطة لكل منهما، ونبض الراحة وجهد الأمس 10 نقاط لكل منهما. وإذا غابت بيانات أي عنصر، فلا يُستبدل بـ «متوسط عام» — بل يُستبعد ويُعاد توزيع الأوزان النسبية، وعندما تنقص البيانات عن نصف الوزن الإجمالي، لا يُصدر النظام أي تقييم.
التقرير الصباحي للطبيب: الجاهزية 49 من 100 مع تفصيل المكونات — يحمل كل سطر رقمه الخاص ومعدله الأساسي وسببه المباشر×
طبقات المحرك
الطبقة
وظيفتها
أين تم شرحها
المدخلات
25 مؤشراً من ساعة وميزان Garmin، واستبيان الاستقبال، وتوجيهات الطبيب، وسجل «التغذية»
مجموعتان من البيانات لا تملكهما أنظمة إدارة الفنادق (PMS)
يمكن لنظام إدارة الفنادق (PMS) الاتصال بـ Garmin Health API وتلقي بيانات النبض والنوم. لكنه يفتقر إلى أمرين تتشكل منهما بيانات التدريب: وصفات الطبيب وسجل التغذية. لذلك تجمع المنصة مجموعتين من البيانات، ولا توجد كلتاهما إلا عندما تجتمع القياسات الحيوية والوصفات الطبية والتغذية في حلقة واحدة.
سجل القرارات — «أرقام الضيف ← ما فعله الطبيب». يُحفظ كل إجراء في اللوحة مع لقطة مجهولة الهوية للضيف في تلك اللحظة: العمر، والجنس، ويوم الإقامة، وأرقام الليلة، والمتوسطات الشخصية، والشارات. ويعمل السجل بالفعل كاقتراح: يرى الطبيب كيف تصرف الفندق مع أرقام مماثلة.
سجل النتائج — «التأثير ← الاستجابة». تسجل المنصة تلقائياً كل صباح يُقاس فيه الضيف ثنائية: إجراءات اليوم السابق وحمله البدني (بما في ذلك العشاء بعد الساعة 20:00 وأكواب كورس الشرب) إلى جانب ما سجلته الساعة صباحاً — نبض الراحة وحالة تقلب النبض مقارنة بالمعدل الأساسي الشخصي، والنوم، وBody Battery، والجاهزية، والشارات.
إخفاء الهوية والحذف. لا تتضمن السجلات أي اسم أو تاريخ ميلاد؛ وسحب الموافقة على البيانات الصحية يحذف أيضاً ثنائيات الضيف — مما يجعل مجموعة البيانات أكثر نزاهة لا أفقر. ويتم التصدير في صورة أسطر JSONL من لوحة الإدارة.
ملاحظة وليست سببية. تعرض اللوحة بناءً على الثنائيات المجمعة متوسطات «مع العامل / بدونه»: الإجراءات الحرارية في اليوم السابق، أو إجراء شاق، أو حمل يزيد بنسبة 50% عن المعدل الأساسي، أو عشاء متأخر. ولا تُعرض المقارنة إلا عند توفر 5 ثنائيات على الأقل لكل جانب مع تصنيفها كملاحظة: فللصباح الواحد أسباب كثيرة تمنع اعتبار فرق المتوسطات سبباً مباشراً.
اختبار التوقع: نسبة الخطأ بدلاً من الوعود
من حق التدقيق أن يطلب إثبات عبارة «المنصة تصبح أكثر دقة» بالأرقام. ولهذا تتضمن لوحة الإدارة اختباراً للتوقع: فبناءً على كامل السجل المتراكم، تتوقع المنصة بأثر رجعي مؤشرات كل صباح — نبض الراحة، وحالة تقلب النبض، وBody Battery، وتقييم النوم — وتحسب متوسط الخطأ المطلق (MAE): أي كم وحدة يخطئ التوقع في المتوسط.
يُحسب ذلك بطريقة التقييم المستمر للتقدم walk-forward — أي «المضي قدماً فقط»: يُبنى توقع الصباح حصراً على الأيام السابقة له، وحتى معامل الحمل يستمر في التعلم فقط من الثنائيات التي حدثت بالفعل حتى تلك اللحظة. وبالتالي يستحيل الاستبصار بالمستقبل وتوفيق النتيجة هيكلياً.
النموذج
طريقة التوقع
سبب وجوده في الجدول
«مثل الأمس»
سيكون رقم الغد مماثلاً لرقم اليوم
المعيار البسيط: النموذج الذي لا يتفوق عليه لا يستحق أن يُسمى نموذجاً
«المعدل الأساسي الشخصي»
متوسط الضيف طوال الإقامة — وهو نفس الرقم الذي تطبعه الورقة الصباحية
يُظهر قيمة التخصيص في حد ذاته
«المعدل الأساسي + الحمل»
المعدل الأساسي الشخصي مع تصحيح للإجهاد الزائد بالأمس؛ ويُفعَّل المعامل بعد تجميع 8 ثنائيات
أول عنصر قابل للتدريب — ومساهمته واضحة بشكل منفصل
صُمم الجدول عن قصد لإظهار الحقائق غير المريحة: فعند وجود سجل زمني قصير، غالباً ما يتفوق أسلوب «مثل الأمس» البسيط على التصحيحات — وهذه نتيجة صحيحة وليست خللاً. والمعيار المحدد للنماذج المستقبلية تضعه هذه النتيجة: يُعتمد النموذج في المنتج عندما يتفوق بثبات على الأسلوب البسيط وفق بيانات الفندق الفعلية، وليس عندما يبدو جذاباً نظرياً.
خارطة الطريق
الآن. قواعد تُبنى فوق الخط الأساسي الفردي، وسجلات القرارات والنتائج تنمو تلقائياً، ويُقاس خطأ التنبؤ بضغطة زر.
لاحقاً. نماذج تنبؤية مستندة إلى سجل النتائج — بمجرد توفر أزواج كافية من البيانات للتفوق بثبات على المعيار البسيط الموضح في الجدول أعلاه. وحتى ذلك الحين، لا عبارات «ذكية» على واجهة العرض.
دائماً. لا توجد تعيينات تلقائية إلا كمسودة يوقعها الطبيب: هكذا تعمل المذكرة الصباحية بالفعل، وهكذا سيعمل اقتراح الإجراءات المبني على سجل القرارات.
أسئلة وأجوبة
هل هذا تعلم آلي أم قواعد محددة؟ الجوهر هو قواعد قابلة للتفسير تُبنى فوق الخط الأساسي للنزيل. توجد بالفعل عناصر قابلة للتدريب — كمعامل الحمل في التنبؤ والبحث عن الحالات المشابهة في سجل القرارات — وستأتي النماذج الكاملة مع سجل النتائج، مع قياس جودتها من الآن عبر جدول الأخطاء.
لماذا لا نستخدم شبكة عصبية؟ لأن الطبيب هو من يوقع الورقة، وتفسير القرارات هو متطلب سريري وليس مسألة ذوق؛ ولأن قانون الذكاء الاصطناعي الأوروبي (EU AI Act) يتعامل بصرامة أكبر مع التوصيات الصحية المبهمة مقارنة بالقواعد المحددة؛ ولأن النماذج بدون بيانات كافية تكون أسوأ من القواعد، والمنصة لا تزال تجمع هذه البيانات.
ما الذي يمنع أي نظام PMS عادي من نسخ ذلك؟ توفر واجهة Garmin Health API البيانات الحيوية، لكنها لا تقدم وصفات الطبيب ولا سجل التغذية. لا يقترن ثنائي «التأثير ← الاستجابة» إلا عندما تلتقي المسارات الثلاثة معاً في حلقة واحدة — وتظل هذه البيانات ملكاً للفندق.
أين يمكن الاطلاع على كل هذا؟ في اللوحة: «الإعدادات» ← «المساعد» — بطاقات السجلين، وملاحظات العوامل، وزر التحقق من التنبؤ، وتصدير ملفات JSONL (شاشة المسؤول).
هل تزعم المنصة وجود علاقة سببية؟ كلا. المعدلات «مع العامل / بدونه» مصنفة كملاحظات؛ إذ تتطلب الاستنتاجات السببية أحجاماً من البيانات وتصميماً للدراسة لا تتوفر لفندق واحد — وتوضح الصفحة هذه الحقيقة بكل صراحة.
