Як навчається Longev AI: правила, дані та перевірка прогнозу
Ядро Longev AI — це зрозумілі клінічні правила поверх особистої бази гостя. Поверх них платформа накопичує пари «вплив → відгук» і відкрито вимірює похибку власного прогнозу.
Для кого ця сторінка. Для технічного аудиту, лікаря та інвестора — для всіх, хто запитує: «це машинне навчання чи жорсткі правила?» Відповідь чесна та перевіряється в самому порталі.
Ядро — правила, і це свідомий вибір. Кожна рекомендація випливає з визначеного порога та пояснюється однією фразою; платні процедури змінює лише лікар. У медичному контурі «чорну скриньку» ніхто не підписує.
Персоналізація — особиста база. Позначки розраховуються не від «норми популяції», а від власного середнього значення гостя за заїзд: пульс спокою 62 нічого не означає, поки невідомо, що весь тиждень було 54.
Два набори даних. Журнал рішень — «показники гостя → що зробив лікар»; журнал наслідків — «процедури й навантаження вчора → що годинник зафіксував уранці». Обидва анонімні за своєю структурою та експортуються рядками JSONL.
Прогноз під контролем. Платформа прогнозує завтрашні пульс спокою, варіабельність, Body Battery та оцінку сну трьома моделями й виводить середню похибку кожної — таблицею, а не обіцянками.
Межа. Wellness & Lifestyle Intelligence — це підтримка способу життя, а не медичний виріб; останнє слово завжди за лікарем. Оновлено 25.08.2026.
Правила, а не «чорна скринька» — і чому саме так
Longev AI влаштований як детермінований рушій: одна й та сама ніч за однакових порогів дає той самий аркуш. Це не обмеження, якого платформа соромиться, а інженерне рішення, зумовлене трьома причинами.
Перша — підпис лікаря. Ранковий аркуш підписується, і кожен його рядок зобов'язаний відповідати на запитання «чому»: «пульс спокою 68 проти вашого середнього 61 — пропонуємо замінити важку процедуру». Рекомендацію, яку неможливо пояснити числом, рушій не друкує.
Друга — регуляторні межі. Система, яка сама змінює медичні призначення за непрозорою моделлю, зсувається в бік медичного виробу та систем високого ризику за регламентом ЄС про штучний інтелект (EU AI Act). Платформа свідомо залишається підтримкою способу життя: пропонує, пояснює та очікує на рішення лікаря (правові межі).
Третя — холодний старт. Модель, що навчається, без даних гірша за правила: їй нема на чому вчитися в готелі, який підключився лише вчора. Правила працюють із першого гостя, а дані для моделей платформа починає накопичувати з першого ж ранку — про це нижче.
Особиста база замість норми популяції
Майже кожен поріг рушія порівнює показники гостя з ним самим. База — це середнє значення за його власний заїзд: неповні дні приїзду до неї чесно не входять, а поки виміряних днів менше двох, позначки особистої бази взагалі не з'являються — порівняння з однією ніччю було б підкиданням монети, надрукованим як висновок. Лікар може підвищити цей захист до 5 днів.
У варіабельності серцевого ритму (ВСР — наскільки нерівномірні паузи між ударами серця) є друге джерело правди: власний коридор гостя, який алгоритм Firstbeat усередині Garmin вивчає близько трьох тижнів. Якщо годинник, що знає гостя довше за нашу дводенну базу, показує «нижче коридору», компонент готовності не може бути зеленим — вердикт годинника сильніший за нашу арифметику, і суворо в один бік.
З тих самих чисел складається готовність дня — одне число від 0 до 100, аналог Readiness у персня Oura та Recovery у браслета WHOOP, але на даних Garmin і за правилами, які налаштовує лікар готелю: Body Battery важить 30 пунктів, ВСР і сон — по 25, пульс спокою та вчорашнє навантаження — по 10. Компонент без даних не підміняється «середнім по лікарні» — він просто випадає, ваги нормуються, а коли даних менше половини загальної ваги, результат чесно не виводиться.
Ранковий аркуш лікаря: готовність 49 зі 100 з розбором за складовими — кожен рядок містить своє число, власну базу та свою причину×
Шари рушія
Шар
Що робить
Де описано
Вхід
25 показників годинника й ваг Garmin, анкета, призначення лікаря, щоденник харчування
Готельна система управління (PMS) може підключити Garmin Health API й отримувати пульс та сон. Але в неї немає двох речей, з яких складається навчальна вибірка: призначень лікаря та відміток харчування. Тому платформа накопичує два набори даних, і обидва існують лише там, де біометрія, призначення та харчування живуть в одному контурі.
Журнал рішень — «показники гостя → що зробив лікар». Кожна дія в панелі записується разом з анонімним знімком гостя в цей момент: вік, стать, день перебування, нічні показники, власні середні, прапорці. Уже сьогодні він працює як підказка: лікар бачить, як заклад діяв за схожих показників.
Журнал наслідків — «вплив → відгук». Щоранку після вимірювань платформа сама записує пару: процедури й навантаження минулого дня (включно з вечерею після 20:00 та склянками питного курсу) поруч із тим, що годинник зафіксував уранці, — пульс у спокої та ВСР проти особистої бази, сон, Body Battery, готовність, прапорці.
Анонімність і стирання. У рядках немає ані імені, ані дати народження; відкликання згоди на обробку даних здоров'я видаляє і пари гостя — датасет від цього стає чеснішим, а не біднішим. Експорт — рядками JSONL з панелі керування.
Спостереження, а не причинність. За накопиченими парами панель показує середні «з фактором / без»: теплові процедури напередодні, важка процедура, навантаження на 50 % вище за базове, пізня вечеря. Порівняння показується лише за наявності від 5 пар з кожного боку та позначене як спостереження: в одного ранку забагато причин, щоб називати різницю середніх причинним зв'язком.
Перевірка прогнозу: похибка замість обіцянок
Фразу «платформа стає точнішою» аудит має право попросити показати числом. Для цього в панелі керування є перевірка прогнозу: за всією накопиченою історією платформа ретроспективно прогнозує щоранок — пульс у спокої, ВСР, Body Battery та оцінку сну — і обчислює середню абсолютну похибку (MAE): на скільки одиниць прогноз у середньому хибить.
Обчислюється це walk-forward — «рухаючись лише вперед»: прогноз на ранок будується суто на основі днів до нього, і навіть коефіцієнт навантаження донавчається тільки на парах, які на цей момент уже відбулися. Зазирнути в майбутнє й підігнати відповідь тут неможливо за побудовою.
Модель
Як прогнозує
Навіщо в таблиці
«Як учора»
завтра буде те саме число, що й сьогодні
наївна планка: модель, яка її не перевершує, не має права називатися моделлю
«Особиста база»
середнє гостя за перебування — те саме, що друкує ранковий лист
показує цінність самої персоналізації
«База + навантаження»
особиста база з поправкою на вчорашнє перевантаження; коефіцієнт вмикається після 8 накопичених пар
перший елемент, що навчається, — і його внесок видно окремо
Таблиця навмисно вміє показувати незручне: на короткій історії наївне «як учора» нерідко виграє в поправок — і це правильний результат, а не збій. Планку для майбутніх моделей задано цією ж таблицею: модель потрапляє в продукт, коли стабільно перевершує наївну на даних готелю, а не коли гарно звучить.
Дорожня карта
Зараз. Правила поверх особистої бази; журнали рішень і наслідків наповнюються самі; похибка прогнозу вимірюється за кнопкою.
Далі. Предиктивні моделі на журналі наслідків — коли пар стане достатньо, щоб упевнено перевершувати наївну планку з таблиці вище. Доти — жодних «розумних» слів на вітрині.
Завжди. Автопризначення — лише як чернетка, яку підписує лікар: так уже працює ранкова записка, так працюватиме й підказка призначень із журналу рішень.
Запитання та відповіді
Це машинне навчання чи жорсткі правила? Основа — зрозумілі правила поверх особистої бази гостя. Елементи, що навчаються, уже є — коефіцієнт навантаження в прогнозі та пошук схожих випадків у журналі рішень, — а повноцінні моделі з'являться на журналі наслідків, і їхня якість уже зараз вимірюється таблицею похибок.
Чому не нейромережа? Тому що листок підписує лікар, а прозорість логіки — клінічна вимога, а не справа смаку; регламент EU AI Act ставиться до непрозорих медичних рекомендацій значно суворіше, ніж до правил; і тому що моделі без даних гірші за правила, а дані платформа ще збирає.
Що заважає звичайній PMS повторити це? Garmin Health API передасть біометрію, але не призначення лікаря та не відмітки про харчування. Пара «вплив → реакція» збирається лише там, де всі три потоки живуть в одному контурі, — і цей датасет залишається в готелю.
Де все це подивитися? У панелі: Налаштування → Помічник — картки обох журналів, спостереження за факторами, кнопка перевірки прогнозу та вивантаження JSONL (екран адміністратора).
Чи стверджує платформа причинність? Ні. Середні показники «з фактором / без» підписані як спостереження; причинно-наслідкові висновки вимагають обсягів і дизайну дослідження, яких окремий готель не має, — і чесна сторінка говорить про це прямо.
