Cara Longev AI belajar: aturan, data, dan uji prakiraan
Inti Longev AI adalah aturan klinis yang dapat dijelaskan di atas garis dasar pribadi tamu; platform mengumpulkan pasangan «paparan → respons» dan mengukur kesalahan prakiraannya secara terbuka.
Untuk siapa halaman ini. Uji tuntas teknis, dokter, dan investor — siapa pun yang bertanya: «apakah ini pembelajaran mesin atau aturan baku?» Jawabannya jujur dan dapat diverifikasi langsung melalui portal.
Intinya adalah aturan, dan ini sebuah pilihan. Setiap rekomendasi diturunkan dari ambang batas yang jelas dan dapat dijelaskan dalam satu kalimat; prosedur berbayar hanya boleh diubah oleh dokter. Dalam ranah medis, tidak ada yang menandatangani kotak hitam.
Personalisasi berbasis data dasar pribadi. Penanda dihitung bukan dari «norma populasi», melainkan dari rata-rata tamu itu sendiri selama masa inap: denyut nadi istirahat 62 tidak berarti apa-apa sampai Anda tahu bahwa rata-ratanya 54 sepanjang minggu.
Dua kumpulan data. Jurnal keputusan — «angka tamu → apa tindakan dokter»; jurnal hasil — «prosedur dan beban kemarin → apa yang dicatat jam tangan pagi ini». Keduanya anonim secara struktural dan dapat diekspor sebagai baris JSONL.
Prakiraan yang diaudit. Platform memprakirakan denyut nadi istirahat, HRV, Body Battery, dan skor tidur untuk hari esok menggunakan tiga model, serta menampilkan rata-rata kesalahan tiap model dalam bentuk tabel, bukan sekadar janji.
Batasan. Wellness & Lifestyle Intelligence — pendukung gaya hidup, bukan perangkat medis; keputusan akhir selalu berada di tangan dokter. Diperbarui 25.08.2026.
Aturan, bukan kotak hitam — dan alasannya
Longev AI dirancang sebagai mesin deterministik: malam yang sama dengan ambang batas yang sama akan menghasilkan lembar rekomendasi yang sama persis. Ini bukanlah keterbatasan yang enggan diakui platform, melainkan keputusan rekayasa teknis dengan tiga alasan.
Pertama, tanda tangan dokter. Lembar pagi ditandatangani oleh dokter, dan setiap baris di dalamnya wajib menjawab pertanyaan «mengapa»: «denyut nadi istirahat 68 dibandingkan rata-rata Anda 61 — kami menyarankan untuk mengganti prosedur yang berat». Rekomendasi yang tidak dapat dijelaskan dengan angka tidak akan pernah dicetak oleh mesin.
Kedua, kerangka regulasi. Sistem yang secara mandiri mengubah resep medis berdasarkan model yang tidak transparan akan bergeser menjadi perangkat medis dan tergolong sistem berisiko tinggi menurut regulasi kecerdasan buatan Eropa (EU AI Act). Platform ini secara sadar tetap berfungsi sebagai pendukung gaya hidup: mengusulkan, menjelaskan, dan menunggu keputusan dokter (kerangka hukum).
Ketiga, kondisi awal tanpa data. Model yang dapat dilatih tanpa data bekerja lebih buruk daripada aturan: tidak ada materi pembelajaran di hotel yang baru bergabung kemarin. Aturan langsung bekerja sejak tamu pertama, sementara data untuk model masa depan mulai dikumpulkan sejak pagi pertama — penjelasannya ada di bawah.
Data dasar pribadi alih-alih norma populasi
Hampir setiap ambang batas pada mesin membandingkan data tamu dengan dirinya sendiri. Data dasarnya adalah rata-rata masa inapnya sendiri: hari kedatangan yang tidak penuh secara jujur tidak dimasukkan, dan sebelum ada minimal dua hari pengukuran, penanda data dasar tidak akan dimunculkan sama sekali — perbandingan hanya dengan satu malam sama saja seperti melempar koin yang dicetak sebagai kesimpulan. Dokter dapat menaikkan batas pengaman ini hingga 5 hari.
Variabilitas denyut jantung (HRV — seberapa tidak teraturnya jeda antar-detak jantung) memiliki sumber rujukan kedua: rentang dasar milik tamu sendiri, yang dipelajari algoritme Firstbeat di dalam Garmin selama sekitar tiga minggu. Ketika jam tangan, yang telah mengenal tamu lebih lama daripada data dasar dua hari kami, menunjukkan «di bawah rentang», komponen kesiapan tidak akan bisa berwarna hijau — penilaian jam tangan lebih diutamakan daripada perhitungan kami, dan berlaku tepat ke satu arah.
Dari angka-angka tersebut, disusun skor kesiapan harian — satu angka dari 0 hingga 100, serupa dengan Readiness pada cincin Oura dan Recovery pada gelang WHOOP, tetapi berbasis data Garmin dan mengikuti aturan yang disesuaikan oleh dokter hotel: Body Battery berbobot 30 poin, HRV dan tidur masing-masing 25 poin, serta denyut nadi istirahat dan beban kemarin masing-masing 10 poin. Komponen tanpa data tidak digantikan dengan «rata-rata umum» — komponen tersebut diabaikan, bobot dinormalkan kembali, dan jika data yang tersedia kurang dari setengah total bobot, kesimpulan zona tidak akan dikeluarkan sama sekali.
Lembar pagi dokter: kesiapan 49 dari 100 dengan rincian komponen — setiap baris memuat angkanya sendiri, data dasarnya, dan alasannya×
Lapisan-lapisan mesin
Lapisan
Fungsi
Lokasi pembahasan
Input
25 metrik dari jam tangan dan timbangan Garmin, kuesioner awal, resep dokter, buku harian nutrisi
Sistem manajemen properti hotel (PMS) dapat terhubung ke Garmin Health API untuk menerima data denyut nadi dan tidur. Namun, PMS tidak memiliki dua hal yang membentuk data latih: resep dokter dan catatan nutrisi. Oleh karena itu, platform mengumpulkan dua kumpulan data, yang keduanya hanya ada jika biometrik, resep dokter, dan nutrisi berada dalam satu ekosistem terpadu.
Jurnal keputusan — «angka tamu → tindakan dokter». Setiap tindakan pada panel dicatat bersama ringkasan data anonim tamu saat itu: usia, jenis kelamin, hari kunjungan, angka malam hari, rata-rata pribadi, dan penanda. Fitur ini sudah berfungsi sebagai saran: dokter dapat melihat tindakan apa yang diambil hotel pada kondisi angka serupa sebelumnya.
Jurnal hasil — «paparan → respons». Setiap pagi yang terukur, platform secara otomatis mencatat sepasang data: prosedur dan beban hari sebelumnya (termasuk makan malam setelah pukul 20:00 serta porsi kur minum) bersanding dengan data yang direkam jam tangan pada pagi hari — denyut nadi istirahat dan HRV terhadap baseline pribadi, tidur, Body Battery, kesiapan, dan penanda.
Anonimitas dan penghapusan data. Baris data tidak memuat nama maupun tanggal lahir; penarikan persetujuan data kesehatan akan menghapus pasangan data tamu tersebut — hal ini membuat kumpulan data lebih jujur, bukan lebih miskin. Ekspor dilakukan dalam baris JSONL dari panel admin.
Observasi, bukan kausalitas. Berdasarkan pasangan data yang terkumpul, panel menampilkan rata-rata «dengan faktor / tanpa faktor»: prosedur termal pada hari sebelumnya, prosedur berat, beban 50% di atas baseline, atau makan malam larut. Perbandingan hanya ditampilkan jika terdapat minimal 5 pasangan data di setiap sisi dan diberi label observasi: kondisi satu pagi memiliki terlalu banyak faktor penyebab sehingga perbedaan rata-rata tidak dapat langsung dianggap sebagai sebab-akibat.
Uji prakiraan: evaluasi galat alih-alih janji
Klaim bahwa «platform menjadi makin akurat» berhak dibuktikan dengan angka dalam audit. Untuk itu, panel admin menyediakan pemeriksaan prakiraan: berdasarkan seluruh riwayat yang terkumpul, platform membuat prediksi retrospektif untuk setiap pagi — denyut nadi istirahat, HRV, Body Battery, dan skor tidur — lalu menghitung rata-rata kesalahan absolut (MAE): berapa unit rata-rata melesetnya prakiraan tersebut.
Penghitungan dilakukan secara walk-forward — «hanya bergerak maju»: prakiraan untuk suatu pagi dibangun murni dari hari-hari sebelumnya, bahkan koefisien beban terus dilatih hanya dari pasangan data yang sudah terjadi hingga saat itu. Secara desain, melihat data masa depan untuk menyesuaikan hasil sama sekali tidak dimungkinkan.
Model
Cara memprediksi
Tujuan dalam tabel
«Seperti kemarin»
besok nilainya sama dengan hari ini
tolok ukur dasar: model yang tidak dapat mengalahkannya tidak layak disebut model
«Baseline pribadi»
rata-rata tamu selama kunjungan — nilai yang sama dengan yang tercetak di lembar pagi
menunjukkan nilai murni dari personalisasi itu sendiri
«Baseline + beban»
baseline pribadi dengan penyesuaian beban berlebih kemarin; koefisien mulai aktif setelah 8 pasangan data terkumpul
elemen pertama yang dapat dilatih — kontribusinya terlihat secara terpisah
Tabel ini sengaja dirancang untuk menampilkan fakta apa adanya: dengan riwayat data yang singkat, model dasar «seperti kemarin» kerap mengungguli model dengan penyesuaian — dan ini adalah hasil yang wajar, bukan kesalahan sistem. Standar bagi model-model mendatang ditetapkan oleh tabel yang sama: model baru akan diterapkan dalam sistem jika terbukti secara konsisten mengalahkan model dasar pada data hotel, bukan sekadar terdengar meyakinkan.
Peta jalan
Sekarang. Aturan yang bekerja di atas data dasar pribadi; jurnal keputusan dan hasil terisi otomatis; kesalahan prakiraan diukur dengan satu tombol.
Berikutnya. Model prediktif berbasis jurnal hasil — setelah jumlah pasangannya cukup untuk secara konsisten melampaui tolok ukur sederhana pada tabel di atas. Sebelum itu tercapai, tidak ada istilah «pintar» yang dipajang.
Selalu. Peresepan otomatis hanya berupa draf yang ditandatangani dokter: seperti inilah catatan pagi bekerja sekarang, dan begini pula saran peresepan dari jurnal keputusan akan berjalan.
Tanya jawab
Apakah ini machine learning atau aturan baku? Intinya adalah aturan yang dapat dijelaskan di atas data dasar tamu. Elemen yang dapat dilatih sudah ada — koefisien beban dalam prakiraan dan pencarian kasus serupa di jurnal keputusan — sementara model lengkap akan diterapkan pada jurnal hasil, yang kualitasnya saat ini sudah diukur melalui tabel kesalahan.
Mengapa bukan jaringan saraf tiruan? Karena lembar tindakan ditandatangani oleh dokter, dan kejelasan alasan adalah syarat klinis, bukan preferensi; karena regulasi EU AI Act mengawasi rekomendasi kesehatan yang tidak transparan jauh lebih ketat daripada aturan berbasis logika; serta karena model tanpa data memadai bekerja lebih buruk daripada aturan, sementara platform masih terus mengumpulkan data.
Apa yang membuat PMS biasa tidak bisa menirunya? Garmin Health API dapat memberikan data biometrik, tetapi tidak dengan resep dokter maupun catatan nutrisi. Pasangan «paparan → respons» hanya terbentuk ketika ketiga aliran data tersebut berada dalam satu sistem terpadu — dan dataset ini tetap menjadi milik hotel.
Di mana semua ini bisa dilihat? Di dasbor: «Pengaturan» → «Asisten» — kartu dari kedua jurnal, observasi faktor, tombol pemeriksaan prakiraan, dan ekspor JSONL (layar admin).
Apakah platform ini mengklaim hubungan sebab-akibat? Tidak. Rata-rata «dengan faktor / tanpa faktor» ditandai sebagai hasil observasi; kesimpulan kausal memerlukan volume data dan desain penelitian yang tidak dimiliki oleh satu hotel saja — dan halaman ini menyatakannya secara terbuka apa adanya.
