Jak uczy się Longev AI: zasady, dane i weryfikacja prognoz
Sercem Longev AI są przejrzyste reguły kliniczne oparte na indywidualnej bazie gościa. Na tej podstawie platforma gromadzi pary «bodziec → reakcja» i otwarcie mierzy błąd własnych prognoz.
Dla kogo jest ta strona. Dla audytu technicznego, lekarzy i inwestorów — każdego, kto pyta: «czy to uczenie maszynowe, czy sztywne reguły?». Odpowiedź jest rzetelna i można ją zweryfikować w samym portalu.
Fundamentem są reguły — i to świadomy wybór. Każda rekomendacja wynika z określonego progu i daje się wyjaśnić jednym zdaniem; płatne zabiegi modyfikuje wyłącznie lekarz. W procedurach medycznych nikt nie podpisuje się pod czarną skrzynką.
Personalizacja to własna baza odniesienia. Alerty nie bazują na «normie populacyjnej», lecz na średniej gościa z danego pobytu: tętno spoczynkowe 62 nic nie mówi, dopóki nie wiemy, że przez cały tydzień wynosiło 54.
Dwa zbiory danych. Dziennik decyzji — «pomiary gościa → działanie lekarza»; dziennik wyników — «wczorajsze zabiegi i obciążenie → poranny odczyt z zegarka». Oba są domyślnie anonimowe i można je wyeksportować w formacie JSONL.
Prognoza pod kontrolą. Platforma prognozuje jutrzejsze tętno spoczynkowe, HRV, Body Battery i ocenę snu za pomocą trzech modeli, wyświetlając średni błąd każdego z nich w formie tabeli, a nie obietnic.
Granica. Wellness & Lifestyle Intelligence to wsparcie stylu życia, a nie wyrób medyczny; ostateczna decyzja zawsze należy do lekarza. Zaktualizowano 25.08.2026.
Reguły zamiast czarnej skrzynki — i dlaczego tak jest
Longev AI działa jako silnik deterministyczny: te same dane z nocy przy tych samych progach dają dokładnie taki sam raport. Nie jest to ograniczenie, które platforma próbuje ukryć, lecz świadoma decyzja inżynieryjna wynikająca z trzech powodów.
Po pierwsze — podpis lekarza. Poranny raport jest autoryzowany przez lekarza, a każda pozycja musi odpowiadać na pytanie «dlaczego»: «tętno spoczynkowe 68 przy średniej 61 — proponujemy zamianę obciążającego zabiegu». Zalecenie, którego nie da się uzasadnić konkretną liczbą, w ogóle nie trafia do wydruku.
Po drugie — ramy prawne. System, który samodzielnie zmieniałby zalecenia medyczne w oparciu o nieprzejrzysty model, kwalifikowałby się jako wyrób medyczny oraz system wysokiego ryzyka w rozumieniu unijnego aktu o sztucznej inteligencji (EU AI Act). Platforma świadomie pozostaje narzędziem wspierającym styl życia: sugeruje, wyjaśnia i czeka na decyzję lekarza (ramy prawne).
Po trzecie — problem zimnego startu. Model uczący się bez danych jest gorszy od reguł: nie ma na czym trenować w hotelu, który dołączył wczoraj. Reguły działają od pierwszego gościa, a dane pod przyszłe modele platforma gromadzi już od pierwszego poranka — szczegóły opisujemy poniżej.
Indywidualna baza zamiast normy populacyjnej
Niemal każdy próg w algorytmie odnosi się bezpośrednio do samego gościa. Bazę stanowi średnia z jego własnego pobytu: niepełny dzień przyjazdu jest z niej wykluczony, a dopóki nie zostaną zarejestrowane co najmniej dwa dni, flagi bazy indywidualnej w ogóle się nie aktywują — wnioskowanie na podstawie jednej nocy byłoby rzutem monetą podanym jako diagnoza. Lekarz może wydłużyć ten okres ochronny do 5 dni.
Zmienność rytmu zatokowego (HRV — czyli to, jak nieregularne są odstępy między uderzeniami serca) ma drugie źródło odniesienia: indywidualny zakres normy wyliczany przez algorytm Firstbeat w zegarku Garmin przez około trzy tygodnie. Jeśli zegarek, który zna gościa dłużej niż nasza dwudniowa baza, wskazuje «poniżej zakresu», wskaźnik gotowości nie może być zielony — werdykt zegarka ma pierwszeństwo przed naszymi obliczeniami, i to wyłącznie w tę jedną stronę.
Z tych samych danych wyliczana jest dzienna gotowość — pojedynczy wynik od 0 do 100, odpowiednik Readiness w pierścieniu Oura czy Recovery w opasce WHOOP, lecz oparty na danych Garmin i regułach ustalanych przez lekarza hotelowego: Body Battery stanowi 30 punktów, HRV i sen po 25, a tętno spoczynkowe i wczorajsze obciążenie po 10. Brakujący wskaźnik nie jest zastępowany «średnią ogólną» — zostaje pominięty, wagi są przeliczane, a gdy brakuje ponad połowy wag, ocena nie jest w ogóle wystawiana.
Poranny raport lekarski: gotowość 49 na 100 z rozbiciem na składowe — każda linijka zawiera własną wartość, bazę odniesienia i uzasadnienie×
Warstwy silnika
Warstwa
Działanie
Gdzie opisano
Dane wejściowe
25 wskaźników z zegarka i wagi Garmin, ankieta wstępna, zalecenia lekarskie, dziennik żywieniowy
Hotelowy system zarządzania (PMS) może podłączyć Garmin Health API i pobierać tętno oraz sen. Brakuje mu jednak dwóch rzeczy, z których składa się zbiór uczący: zleceń lekarskich i wpisów o posiłkach. Dlatego platforma gromadzi dwa zbiory danych i oba istnieją tylko tam, gdzie biometria, zlecenia oraz żywienie funkcjonują w jednym obiegu.
Dziennik decyzji — «parametry gościa → co zrobił lekarz». Każde działanie w panelu jest zapisywane wraz z anonimowym obrazem stanu gościa w danej chwili: wiekiem, płcią, dniem pobytu, wartościami nocnymi, własnymi średnimi i flagami. Już teraz działa to jako podpowiedź: lekarz widzi, jak hotel postępował przy zbliżonych wynikach.
Dziennik wyników — «działanie → reakcja». Każdego zmierzonego poranka platforma sama zapisuje parę danych: zabiegi i obciążenie z poprzedniego dnia (w tym kolację po 20:00 oraz porcje kuracji pitnej) zestawione z tym, co zegarek zarejestrował rano — tętnem spoczynkowym i HRV względem własnej bazy, snem, Body Battery, gotowością i flagami.
Anonimowość i usuwanie danych. Wiersze nie zawierają imienia ani daty urodzenia; wycofanie zgody na przetwarzanie danych zdrowotnych usuwa również pary powiązane z gościem — dzięki temu zbiór danych jest rzetelniejszy, a nie uboższy. Eksport odbywa się w formacie JSONL z panelu administratora.
Obserwacja, nie przyczynowość. Na podstawie zebranych par panel pokazuje średnie «z czynnikiem / bez»: zabiegi rozgrzewające poprzedniego dnia, wymagający zabieg, obciążenie o 50% powyżej normy bazowej, późna kolacja. Porównanie jest wyświetlane dopiero od 5 par z każdej strony i oznaczone jako obserwacja: na dany poranek wpływa zbyt wiele czynników, by różnicę średnich uznać za bezpośrednią przyczynę.
Test prognozy: błąd zamiast obietnic
Zdanie «platforma staje się dokładniejsza» audyt ma prawo zobaczyć w liczbach. W tym celu panel administratora zawiera test prognozy: na podstawie całej zgromadzonej historii platforma wstecznie przewiduje każdy poranek — tętno spoczynkowe, HRV, Body Battery i ocenę snu — oraz oblicza średni błąd bezwzględny (MAE): o ile jednostek prognoza średnio się myli.
Jest to obliczane metodą walk-forward — «idąc wyłącznie do przodu»: prognoza na dany poranek opiera się wyłącznie na dniach poprzednich, a współczynnik obciążenia doucza się tylko na parach, które do tego momentu już nastąpiły. Podejrzenie przyszłości i dopasowanie wyniku jest tu konstrukcyjnie niemożliwe.
Model
Sposób prognozowania
Dlaczego w tabeli
«Jak wczoraj»
jutro będzie taka sama wartość jak dzisiaj
naiwny punkt odniesienia: model, który go nie przewyższa, nie ma prawa nazywać się modelem
«Baza własna»
średnia gościa z całego pobytu — dokładnie ta, którą drukuje arkusz poranny
pokazuje realną wartość samej personalizacji
«Baza + obciążenie»
baza własna z korektą o wczorajsze przeciążenie; współczynnik włącza się po zebraniu 8 par danych
pierwszy element uczący się — a jego wpływ widać osobno
Tabela celowo pokazuje niewygodne fakty: przy krótkiej historii naiwne «jak wczoraj» często wygrywa z korektami — i jest to prawidłowy wynik, a nie błąd. Poprzeczkę dla przyszłych modeli wyznacza ta sama tabela: model trafia do systemu, gdy stabilnie przewyższa model naiwny na danych hotelu, a nie wtedy, gdy dobrze brzmi w teorii.
Plan rozwoju
Teraz. Reguły oparte na osobistej bazie gościa; dzienniki decyzji i wyników rosną automatycznie; błąd prognozy mierzy się jednym przyciskiem.
W przyszłości. Modele predykcyjne oparte na dzienniku wyników — gdy par będzie wystarczająco dużo, by stabilnie pokonywać naiwny próg z powyższej tabeli. Do tego czasu: zero «inteligentnych» haseł na pokaz.
Zawsze. Automatyczne planowanie wyłącznie jako wersja robocza podpisywana przez lekarza: tak działa już poranna notatka i tak będą działać podpowiedzi zabiegów z dziennika decyzji.
Pytania i odpowiedzi
Czy to uczenie maszynowe, czy sztywne reguły? Rdzeniem są zrozumiałe reguły oparte na osobistej bazie gościa. Elementy uczące się już istnieją — współczynnik obciążenia w prognozie i wyszukiwanie podobnych przypadków w dzienniku decyzji — a pełne modele powstaną na bazie dziennika wyników i ich jakość już teraz mierzy tabela błędów.
Dlaczego nie sieć neuronowa? Ponieważ plan podpisuje lekarz, a wyjaśnialność to wymóg kliniczny, nie kwestia gustu; rozporządzenie EU AI Act podchodzi do nieprzejrzystych zaleceń zdrowotnych znacznie surowiej niż do reguł; a modele bez wystarczających danych są gorsze od reguł — dane platforma wciąż gromadzi.
Co stoi na przeszkodzie, by zwykły PMS to powtórzył? Garmin Health API przekaże dane biometryczne, ale nie zalecenia lekarza ani wpisy o posiłkach. Para «bodziec → reakcja» powstaje tylko tam, gdzie wszystkie trzy strumienie danych działają w jednym obiegu — i ten zbiór danych pozostaje własnością hotelu.
Gdzie można to wszystko zobaczyć? W panelu: Ustawienia → Asystent — karty obu dzienników, obserwacje czynników, przycisk sprawdzania prognozy i eksport JSONL (ekran administratora).
Czy platforma stwierdza związki przyczynowo-skutkowe? Nie. Średnie «z czynnikiem / bez czynnika» są oznaczone jako obserwacja; wnioski przyczynowo-skutkowe wymagają próby i metodologii badawczej, którymi pojedynczy hotel nie dysponuje — i ta strona mówi o tym wprost.
