Longev AI Nasıl Öğrenir: Kurallar, Veriler ve Tahmin Doğrulaması
Longev AI'ın çekirdeği, konuğun kişisel baz değerlerine dayalı açıklanabilir klinik kurallardır. Platform «etki → tepki» çiftlerini toplar ve tahmin hatasını şeffaf biçimde ölçer.
Bu sayfa kimler içindir. Teknik denetim uzmanları, doktorlar ve yatırımcılar — «bu makine öğrenimi mi yoksa katı kurallar mı?» diye soran herkes içindir. Yanıt dürüsttür ve doğrudan portal üzerinden doğrulanabilir.
Çekirdek kurallara dayanır ve bu bilinçli bir tercihtir. Her tavsiye tanımlanmış bir eşik değerden türetilir ve tek bir cümleyle açıklanabilir; ücretli prosedürleri yalnızca doktor değiştirebilir. Tıbbi bir süreçte kimse bir kara kutunun altına imza atmaz.
Kişiselleştirme kişisel baz değerdir. Uyarı bayrakları «toplum ortalamasına» göre değil, konuğun konaklaması boyunca kendi ortalamasına göre değerlendirilir: bütün hafta 54 olduğu bilinmediği sürece 62'lik bir dinlenme nabzı hiçbir şey ifade etmez.
İki veri seti. Kararlar günlüğü — «konuğun değerleri → doktorun ne yaptığı»; sonuçlar günlüğü — «dünkü prosedürler ve yük → saatin sabah kaydettiği veriler». Her ikisi de tasarım gereği anonimdir ve JSONL satırları halinde dışa aktarılabilir.
Tahmin denetim altındadır. Platform; yarının dinlenme nabzını, HRV'sini, Body Battery ve uyku puanını üç ayrı modelle tahmin eder ve her modelin ortalama hatasını kuru bir vaat olarak değil, bir tablo halinde gösterir.
Sınır. Wellness & Lifestyle Intelligence — bir tıbbi cihaz değil, yaşam tarzı desteğidir; son söz daima doktora aittir. Güncellenme: 25.08.2026.
Kara kutu değil, kurallar — ve nedenleri
Longev AI deterministik bir motor olarak çalışır: aynı eşik değerler altındaki aynı gece, aynı çizelgeyi üretir. Bu, platformun kabul etmekten çekindiği bir kısıtlama değil, üç gerekçesi olan bir mühendislik kararıdır.
Birincisi doktor imzasıdır. Sabah çizelgesi imzalanır ve üzerindeki her satır «neden» sorusuna yanıt vermelidir: «ortalama 61 olan dinlenme nabzınız 68 çıktı — ağır prosedürü değiştirmenizi öneriyoruz». Motor, bir sayıyla açıklanamayan hiçbir tavsiyeyi yazdırmaz.
İkincisi yasal çerçevedir. Şeffaf olmayan bir modele dayanarak tıbbi reçeteleri kendiliğinden değiştiren bir sistem, tıbbi cihaz statüsüne ve Avrupa Yapay Zeka Yasası'nın (EU AI Act) yüksek risk kategorisine doğru kayar. Platform bilinçli olarak yaşam tarzı desteği seviyesinde kalır: önerir, açıklar ve doktoru bekler (yasal çerçeve).
Üçüncüsü soğuk başlangıçtır. Verisi olmayan eğitilebilir bir model kurallardan daha kötüdür: sisteme dün katılan bir otelde öğrenebileceği hiçbir veri yoktur. Kurallar ilk konuktan itibaren çalışır; platform ise modeller için gereken verileri daha ilk sabahtan itibaren biriktirmeye başlar — bu konuya aşağıda değinilmiştir.
Toplum normu yerine kişisel baz değer
Motorun neredeyse her eşik değeri konuğu kendisiyle karşılaştırır. Baz değer, konuğun kendi konaklamasının ortalamasıdır: giriş günleri haklı olarak bu hesaba katılmaz ve ölçülen gün sayısı ikiden az olduğu sürece kişisel baz değer uyarı bayrakları hiçbir şekilde devreye girmez — tek bir geceyle karşılaştırma yapmak, yazı tura atıp sonucu raporlamak gibi olurdu. Doktor bu güvenlik sınırını 5 güne kadar çıkarabilir.
Kalp atım hızı değişkenliğinin (HRV — kalp atımları arasındaki duraklamaların ne kadar düzensiz olduğu) ikinci bir güvenilir kaynağı vardır: Garmin içindeki Firstbeat algoritmasının yaklaşık üç haftada öğrendiği konuğun kendi aralığı. Konuğu bizim iki günlük baz değerimizden daha uzun süredir tanıyan saat «aralığın altında» diyorsa, hazırlık bileşeni yeşil görünemez — saatin kararı bizim aritmetiğimizden daha önceliklidir ve bu durum tek bir yön için geçerlidir.
Aynı sayılardan günün hazırlık puanı oluşturulur — 0 ile 100 arasında tek bir sayı; Oura yüzüğündeki Readiness ve WHOOP bilekliğindeki Recovery'nin Garmin verileriyle ve otel doktorunun belirlediği kurallarla çalışan karşılığıdır: Body Battery 30 puan, HRV ve uyku 25'er puan, dinlenme nabzı ve dünkü yük ise 10'ar puan ağırlığa sahiptir. Verisi olmayan bir bileşenin yerine yapay bir ortalama konmaz — bileşen devre dışı kalır, ağırlıklar yeniden dengelenir ve toplam ağırlığın yarısından azında veri varsa durum alanı için hiçbir değerlendirme yapılmaz.
Doktorun sabah çizelgesi: bileşenlerine göre ayrılmış 100 üzerinden 49 hazırlık puanı — her satır kendi sayısını, kendi baz değerini ve kendi gerekçesini taşır×
Motorun katmanları
Katman
Ne yapar
Nerede açıklanır
Girdi
Garmin saati ve tartısından gelen 25 gösterge, anket, doktor planlamaları, beslenme günlüğü
Otel yönetim sistemi (PMS), Garmin Health API bağlantısı kurup nabız ve uyku verilerini alabilir. Ancak bir eğitim setini oluşturan iki unsurdan yoksundur: doktor reçeteleri ve beslenme kayıtları. Bu nedenle platform iki ayrı veri seti biriktirir ve her ikisi de yalnızca biyometri, reçeteler ve beslenmenin tek bir döngüde buluştuğu yerde var olabilir.
Karar günlüğü — «misafirin değerleri → doktorun yaptığı işlem». Paneldeki her klinik işlem, misafirin o andaki anonim bir anlık görüntüsüyle birlikte kaydedilir: yaş, cinsiyet, konaklama günü, gece değerleri, kişisel ortalamalar, işaretler. Bu günlük şimdiden bir öneri sistemi olarak çalışır: doktor, benzer değerlerde otelin daha önce nasıl bir yol izlediğini görür.
Sonuç günlüğü — «etki → tepki». Ölçüm yapılan her sabah platform otomatik olarak bir eşleşme kaydeder: önceki günün prosedürleri ve yükü (saat 20:00'den sonraki akşam yemeği ve içme kürü bardakları dahil) ile saatin sabah kaydettiği veriler yan yana gelir: kişisel temel değere kıyasla dinlenme nabzı ve HRV, uyku, Body Battery, hazırlık durumu, işaretler.
Anonimlik ve silme. Satırlarda ne isim ne de doğum tarihi yer alır; sağlık verileri onayının geri çekilmesi misafire ait tüm eşleşmeleri de siler — veri seti bu sayede eksilmez, aksine daha dürüst kalır. Dışa aktarma, yönetici panelinden JSONL satırları olarak yapılır.
Gözlemdir, nedensellik değil. Biriken eşleşmeler üzerinden panel «etken var / etken yok» ortalamalarını gösterir: bir önceki gün yapılan termal prosedürler, ağır bir prosedür, temel değerin %50 üzerinde kardiyak yük, geç akşam yemeği. Karşılaştırma yalnızca her iki tarafta en az 5 eşleşme olduğunda yazdırılır ve bir gözlem olarak etiketlenir: tek bir sabahın çok fazla değişkeni olduğundan, ortalamalar arasındaki fark tek başına bir neden olarak adlandırılamaz.
Tahmin testi: Vaatler yerine hata payı
«Platform giderek daha doğru sonuçlar veriyor» ifadesini bir denetimin rakamlarla görmek istemesi en doğal hakkıdır. Bunun için yönetici panelinde bir tahmin testi bulunur: biriken tüm geçmiş üzerinden platform geriye dönük olarak her sabahı tahmin eder — dinlenme nabzı, HRV, Body Battery ve uyku puanı — ve ortalama mutlak hatayı (MAE) hesaplar: tahminin ortalama kaç birim saptığını gösterir.
Bu hesaplama ileriye dönük adım yöntemiyle (walk-forward) — «yalnızca ileriye giderek» yapılır: bir sabahın tahmini yalnızca o günden önceki günlerden yola çıkılarak oluşturulur; yük katsayısı bile sadece o ana kadar gerçekleşmiş eşleşmeler üzerinden öğrenmeye devam eder. Geleceğe bakıp sonucu uydurmak yapısı gereği imkansızdır.
Model
Nasıl tahmin eder
Tabloda neden yer alır
«Dünkü gibi»
yarınki değer bugünküyle aynı olacaktır
temel eşik: bu eşiği geçemeyen bir yapının model olarak adlandırılma hakkı yoktur
«Kişisel temel değer»
misafirin konaklama boyunca ortalaması — sabah listesinde basılan değerin aynısı
tek başına kişiselleştirmenin sağladığı değeri gösterir
«Temel değer + yük»
dünkü aşırı yük düzeltmeli kişisel temel değer; katsayı 8 birikmiş eşleşmeden sonra devreye girer
eğitilebilir ilk unsur — katkısı ayrıca görülebilir
Tablo, istenmeyen sonuçları da bilerek gösterecek şekilde tasarlanmıştır: kısa bir geçmişte basit «dünkü gibi» yaklaşımı genellikle düzeltmelerden daha iyi sonuç verir — ve bu bir arıza değil, doğru bir sonuçtur. Gelecek modeller için çıta yine bu tabloyla belirlenir: bir model, kulağa hoş geldiğinde değil, otel verilerinde temel yaklaşımı istikrarlı şekilde geride bıraktığında ürüne dahil edilir.
Yol haritası
Şimdi. Misafirin kendi baz çizgisi üzerindeki kurallar; karar ve sonuç günlükleri kendiliğinden birikir; tahmin hatası tek bir butonla ölçülür.
Daha sonra. Sonuç günlüğüne dayalı tahmine dayalı modeller — yukarıdaki tablodaki temel eşiği istikrarlı biçimde aşacak kadar veri çifti toplandığında devreye girecek. O zamana kadar vitrinde hiçbir «akıllı» süslü söz yer almaz.
Her zaman. Otomatik reçeteleme yalnızca doktorun imzaladığı bir taslak olarak kalır: sabah notu şu anda bu şekilde çalışıyor, karar günlüğünden beslenen reçete önerisi de aynı şekilde çalışacak.
Sıkça sorulan sorular
Bu makine öğrenimi mi yoksa katı kurallar mı? Sistemin temeli, misafirin kendi baz çizgisi üzerine kurulu açıklanabilir kurallardır. Eğitilebilir unsurlar zaten mevcuttur — tahmindeki yük katsayısı ve karar günlüğündeki benzer vaka araması gibi. Eksiksiz modeller sonuç günlüğüyle birlikte gelecek ve kaliteleri şimdiden hata tablosuyla ölçülmektedir.
Neden yapay sinir ağı değil? Çünkü reçeteyi doktor imzalar ve açıklanabilirlik bir tercih değil, klinik bir zorunluluktur; EU AI Act şeffaf olmayan sağlık önerilerine kurallara kıyasla çok daha sıkı yaklaşır; ayrıca verisiz modeller kurallardan daha kötüdür ve platform verileri henüz biriktirmektedir.
Sıradan bir PMS'in bunu kopyalamasını ne engelliyor? Garmin Health API biyometrik verileri iletir ancak doktor reçetelerini ve beslenme kayıtlarını iletmez. «Müdahale → tepki» çifti yalnızca her üç akışın tek bir döngüde buluştuğu yerde toplanır ve bu veri seti otelde kalır.
Tüm bunları nerede görebilirsiniz? Panelde: «Ayarlar» → «Asistan» — her iki günlüğün kartları, faktör gözlemleri, tahmin doğrulama butonu ve JSONL dışa aktarımı (yönetici ekranı).
Platform nedensellik iddia ediyor mu? Hayır. «Faktörlü / faktörsüz» ortalamalar gözlem olarak etiketlenmiştir; nedensel çıkarımlar tek bir otelin sahip olamayacağı veri hacimleri ve araştırma tasarımı gerektirir — dürüst bir sayfa bunu açıkça belirtir.
