Hogyan tanul a Longev AI: szabályok, adatok és előrejelzés
A Longev AI magja a vendég saját bázisértékeire épülő, átlátható klinikai szabályrendszer. Ezen felül a platform «hatás → válasz» párokat gyűjt, és nyíltan méri saját előrejelzési hibáját.
Kinek szól ez az oldal. Műszaki auditnak, orvosoknak és befektetőknek — mindenkinek, aki felteszi a kérdést: «gépi tanulás vagy merev szabályok?» A válasz őszinte és közvetlenül a portálon ellenőrizhető.
A magot szabályok alkotják, méghozzá tudatosan. Minden ajánlás egy nevesített küszöbértékből származik és egyetlen mondattal megindokolható; a fizetős kezeléseket kizárólag az orvos módosíthatja. Orvosi környezetben senki sem ír alá egy fekete dobozt.
Személyre szabás — saját bázisérték. A figyelmeztetések nem a «populációs átlaghoz», hanem a vendég tartózkodás alatti saját átlagához viszonyulnak: a 62-es nyugalmi pulzus semmit sem jelent addig, amíg nem tudjuk, hogy egész héten 54 volt.
Két adatkészlet. Döntési napló — «a vendég számai → mit tett az orvos»; kimeneti napló — «tegnapi kezelések és terhelés → mit rögzített az óra reggel». Mindkettő eleve anonim felépítésű, és JSONL-sorokként exportálható.
Ellenőrzött előrejelzés. A platform három modellel becsüli meg a másnapi nyugalmi pulzust, a szívfrekvencia-variabilitást, a Body Battery értéket és az alvási pontszámot, majd megjeleníti mindegyik átlagos hibáját — táblázatban, nem ígéretként.
A határvonal. Wellness & Lifestyle Intelligence — életmód-támogatás, nem orvostechnikai eszköz; a végső szó mindig az orvosé. Frissítve: 2026.08.25.
Szabályok, nem fekete doboz — és ennek oka
A Longev AI determinisztikus motorként működik: ugyanaz az éjszaka azonos küszöbértékek mellett pontosan ugyanazt az adatlapot eredményezi. Ez nem olyan korlát, amelyet a platform szégyellne elismerni, hanem egy három okból meghozott mérnöki döntés.
Az első az orvosi aláírás. A reggeli lapot aláírják, és minden egyes sorának válaszolnia kell a «miért» kérdésre: «a nyugalmi pulzus 68 az Ön 61-es átlagához képest — javasoljuk a megterhelő kezelés cseréjét». Olyan ajánlást a motor soha nem ír ki, amelyet nem lehet egy számmal megindokolni.
A második a szabályozási keret. Az a rendszer, amely egy átláthatatlan modell alapján önhatalmúlag módosítja az orvosi előírásokat, az orvostechnikai eszközök és az európai mesterségesintelligencia-rendelet (EU AI Act) magas kockázatú kategóriája felé csúszik el. A platform tudatosan megmarad életmód-támogatásnak: javasol, magyaráz és vár az orvosra (jogi keretek).
A harmadik a hidegindítás. A tanítható modell adatok nélkül rosszabb a szabályoknál: egy tegnap csatlakozott szállodában nincs miből tanulnia. A szabályok már a legelső vendégtől kezdve működnek, a jövőbeli modellekhez szükséges adatokat pedig a platform az első reggeltől kezdve gyűjti — erről részletesebben alább.
Saját bázisérték a populációs átlag helyett
A motor szinte minden küszöbértéke a vendéget önmagához viszonyítja. A bázisérték a saját tartózkodásának átlaga: a nem teljes érkezési napok ebből kimaradnak, és amíg kettőnél kevesebb mért nap áll rendelkezésre, a bázisérték-jelzések egyáltalán nem jelennek meg — egyetlen éjszakával való összehasonlítás csupán pénzfeldobás lenne következtetésként tálalva. Az orvos ezt a védelmet akár 5 napra is felemelheti.
A szívfrekvencia-variabilitásnak (HRV — mennyire egyenetlenek a szívverések közötti szünetek) van egy második hiteles forrása is: a vendég saját tartománya, amelyet a Garmin Firstbeat algoritmusa nagyjából három hét alatt tanul meg. Ha az óra, amely hosszabb ideje ismeri a vendéget, mint a mi kétnapos bázisértékünk, azt jelzi, hogy «a tartomány alatt», a készenléti komponens nem lehet zöld — az óra ítélete felülírja a mi számításainkat, méghozzá pontosan ebbe az egy irányba.
Ugyanezekből a számokból áll össze a napi készenlét — egy 0 és 100 közötti érték, amely az Oura gyűrű Readiness és a WHOOP karkötő Recovery mutatójának felel meg, de Garmin adatokon alapul és a szálloda orvosa által meghatározott szabályokat követi: a Body Battery 30 pontot ér, a HRV és az alvás 25-25 pontot, a nyugalmi pulzus és a tegnapi terhelés pedig 10-10 pontot. Az adat nélküli komponens helyére nem kerül be «kórházi átlag» — egyszerűen kiesik, a súlyok újranormálódnak, és ha a súlyok több mint feléhez hiányzik az adat, a rendszer egyáltalán nem ad ki értékelést.
Az orvos reggeli lapja: 49/100-as készenlét összetevőkre bontva — minden sor tartalmazza a saját értékét, a bázisértékét és az indoklását×
A motor rétegei
Réteg
Mit csinál
Részletes leírás
Bemenet
25 mutató a Garmin óráról és mérlegről, kérdőív, orvosi előírások, táplálkozási napló
Két olyan adatkészlet, amellyel a PMS nem rendelkezik
A szállodai PMS-rendszer csatlakozhat a Garmin Health API-hoz, és fogadhatja a pulzus- és alvásadatokat. Hiányzik azonban belőle az a két dolog, amelyből a tanító adathalmaz felépül: az orvosi előírások és a táplálkozási napló. A platform ezért két olyan adatkészletet gyűjt, amelyek csak ott létezhetnek, ahol a biometria, az előírások és a táplálkozás egyetlen közös rendszerben futnak.
Döntési napló — «vendég értékei → mit tett az orvos». A vezérlőpulton végzett minden orvosi lépést a vendég akkori állapotának anonim pillanatképével együtt rögzítünk: életkor, nem, a tartózkodás napja, az éjszakai értékek, a saját átlagok és a jelzések. Ez már ma is javaslattevőként működik: az orvos látja, hogyan járt el a szálloda hasonló értékeknél.
Kimeneti napló — «hatás → válaszreakció». A platform minden mérési reggelen automatikusan rögzít egy párt: az előző napi kezeléseket és terhelést (beleértve a 20:00 utáni vacsorát és az ivókúra poharait) a karóra által reggel mért értékek mellé — nyugalmi pulzus és HRV a személyes bázishoz viszonyítva, alvás, Body Battery, felkészültség és jelzések.
Anonimitás és törlés. A sorok nem tartalmaznak sem nevet, sem születési dátumot; az egészségügyi adatok kezeléséhez adott hozzájárulás visszavonása a vendég adatpárjait is törli — az adatkészlet ettől hitelesebb lesz, nem pedig szegényebb. Az exportálás JSONL-sorokban történik az adminisztrációs felületről.
Megfigyelés, nem ok-okozati összefüggés. Az összegyűlt adatpárok alapján a vezérlőpult átlagokat mutat a «tényezővel / anélkül» bontásban: előző napi meleg kezelések, megterhelő kezelés, a bázisnál 50%-kal magasabb terhelés, késői vacsora. Az összehasonlítás csak oldalanként legalább 5 adatpár meglétekor jelenik meg, és megfigyelésként van feltüntetve: egyetlen reggel állapotának túl sok oka lehet ahhoz, hogy az átlagok különbségét közvetlen oknak tekintsük.
Előrejelzés tesztelése: hibamérés ígéretek helyett
A «platform egyre pontosabbá válik» kijelentést egy audit joggal kérheti számon konkrét számadatként. Erre szolgál az adminisztrációs felület előrejelzés-ellenőrzése: a platform a teljes korábbi előzmény alapján utólag megjósolja minden egyes reggel adatait — a nyugalmi pulzust, a HRV-t, a Body Battery-t és az alvási pontszámot —, majd kiszámítja az átlagos abszolút hibát (MAE), vagyis hogy az előrejelzés átlagosan hány egységgel tér el a valóságtól.
A számítás walk-forward módszerrel, azaz «csak előre haladva» történik: a reggeli előrejelzés szigorúan csak a megelőző napok adataira épül, és még a terhelési együttható is kizárólag az addigra már megtörtént adatpárokból tanul. A jövőbe tekinteni és az eredményt utólag hozzáigazítani felépítéséből adódóan lehetetlen.
Modell
Hogyan készít előrejelzést
Miért szerepel a táblázatban
«Mint tegnap»
holnap ugyanaz az érték lesz, mint ma
naiv alapszint: az a modell, amely ezt nem múlja felül, nem tekinthető valódi modellnek
«Saját bázis»
a vendég tartózkodási átlaga — ugyanaz, mint amit a reggeli adatlap mutat
megmutatja a személyre szabás önálló értékét
«Bázis + terhelés»
a saját bázis korrigálva a tegnapi túlterheléssel; az együttható 8 felhalmozott adatpár után lép életbe
az első tanítható elem — a hozzájárulása külön is látható
A táblázat szándékosan képes megmutatni a kellemetlen igazságot is: rövid előzmények esetén a naiv «mint tegnap» modell gyakran felülmúlja a korrekciókat — és ez helyes eredmény, nem pedig hiba. A jövőbeli modellek mércéjét ugyanez a táblázat állítja fel: egy modell akkor kerülhet a végleges rendszerbe, ha a szálloda adatain stabilan felülmúlja a naiv modellt, nem pedig akkor, ha csupán jól hangzik.
Ütemterv
Jelenleg. Szabályok a vendég saját bázisértékeire építve; a döntési és kimeneti naplók maguktól bővülnek; az előrejelzési hiba egyetlen gombnyomással mérhető.
Később. Prediktív modellek a kimeneti napló alapján – amint elegendő adatpár gyűlik össze ahhoz, hogy megbízhatóan felülmúlják a fenti táblázat egyszerű alapértékét. Addig nincsenek «okos» hívószavak a kirakatban.
Mindig. Az automatikus felírás kizárólag olyan tervezet, amelyet az orvos ír alá: így működik már most a reggeli feljegyzés, és így működnek majd a döntési naplóra épülő kezelési javaslatok is.
Gyakori kérdések és válaszok
Ez gépi tanulás vagy merev szabályrendszer? A rendszer magját a vendég saját bázisértékeire épülő, átlátható szabályok alkotják. Tanulásra képes elemek már most is működnek – ilyen a terhelési együttható az előrejelzésben és a hasonló esetek keresése a döntési naplóban –, a teljes értékű modellek pedig a kimeneti naplóra épülnek majd, és minőségüket már most méri a hibatáblázat.
Miért nem neurális hálózat? Mert az adatlapot orvos írja alá, a magyarázhatóság pedig klinikai követelmény, nem ízlés dolga; mert az EU AI Act szigorúbban kezeli az átláthatatlan egészségügyi ajánlásokat, mint az egyértelmű szabályokat; és mert az adatok nélküli modellek rosszabbak a szabályoknál, a platform pedig jelenleg még gyűjti az adatokat.
Mi akadályozza meg egy hagyományos PMS-t abban, hogy ezt lemásolja? A Garmin Health API átadja a biometriai adatokat, de az orvosi kezelési terveket és az étkezési bejegyzéseket nem. A «hatás → válaszreakció» adatpár csak ott áll össze, ahol mindhárom adatfolyam egyetlen zárt láncban él – és ez az adatkészlet a szállodánál marad.
Hol tekinthető meg mindez? A vezérlőpulton: «Beállítások» → «Asszisztens» – mindkét napló kártyái, a tényezők megfigyelései, az előrejelzés-ellenőrző gomb és a JSONL-exportálás (adminisztrátori felület).
Állít a platform ok-okozati összefüggést? Nem. A «tényezővel / tényező nélkül» átlagok megfigyelésként vannak megjelölve; az ok-okozati következtetésekhez olyan adatmennyiség és kutatási módszertan szükséges, amellyel egyetlen szálloda önmagában nem rendelkezik – és egy őszinte felület ezt nyíltan ki is mondja.
