Nesen iegādājos Jawbone UP un šīs ir īsas pārdomas par “quantified self” tēmu, pirms es ķeros klāt pie pašas ierīces apraksta.

Man vienmēr ir interesējis, kā ikdienas norises izteikt skaitļos, līknēs un statistikas grafikos. Tieši tāpēc sensenos laikos, kad izvirzīju mērķi noskriet pusmaratonu, es sāku lietot Nike+, lai redzētu datus par skrējieniem. Tagad esmu nolēmis iepazīties ar skaitļiem, kas kaut kādā mērā raksturo manu pārējo ikdienu.

Pēdējos pāris gados tehnoloģiju pasaulē aktivizējusies jauna nozare – tirgū tiek piedāvātas aizvien “gudrākas” ierīces, kas ievāc datus par tās nēsātājiem. Sākās tas jau diezgan sen ar soļu skaitītājiem. Dati bija vienkārši – soļu skaits dienas gaitā. Visbiežāk šie dati bija redzami tikai pašu ierīču primitīvajos kalkulatora tipa ekrānos. Arī mūsdienās aizvien centrālais uzsvars ir soļu skaitīšana, taču tam klāt nāk virkne citu papildus datu.

Mūsdienu gudrās ierīces mēģina aprēķināt ikdienā patērēto kaloriju skaitu, tās prot atpazīt, kad nēsātājs iet pa kāpnēm, tās mēra, cik ilgs ir mūsu miegs, cik no šī miega ir “dziļais” miegs un cik “seklais.” Jaunākās paaudzes ierīces sola sekot līdzi arī sirds darbībai un nesen manīju baumas, ka tiks mērīts cukura līmenis asinīs (runa ir par pilnīgi automātisku mērījumu bez papildus darbības no nēsātāja puses). Tuvākajos gados telefonos sola iebūvēt temperatūras, atmosfēras spiediena, gaisa mitruma un citas mērierīces.

Katra no minētajām funkcijām nav nekas īpaši jauns vai neredzēts. Tas, kas šo tendenci padara interesantu ir spēja visus datus iegūt ar neticami mazas ierīces palīdzību. Turklāt dati tiek ievākti visu laiku kamēr vien ierīce tiek nēsāta un mērījumus iespējams redzēt vai nu uzreiz vai ar nelielu laika nobīdi.

Nākamais vilnis ir specializētas ierīces, kas neizskaidrojamā kārtā arī ievāc datus par lietotāju, piemēram gudrā dakšiņa, kas seko līdzi ēšanas gaitai un signalizē, ja tiek ēsts pārāk ātri un bez pienācīgas košļāšanas. Gudrā zobu birste, kas ievāc datus par zobu tīrīšanas paradumiem un gudrie svari, kas, katrā svēršanās reizē, saglabā datus un caur wifi tos nosūta uz mākoni.

Cilvēks ātri vien kļūst par staigājošu mini-laboratoriju, kuras centrālais pētījuma objekts ir viņš pats. Arī tiem, kas šādu pētīšanu nemaz negribētu veikt, nākas saskarties ar to, ka “mobilais telefons” zina visu par īpašnieka gaitām. (Pēdiņas lietoju, jo mobilie telefoni šobrīd gandrīz vairs neeksistē, ir tikai miniatūri datori, kuriem viena no funkcijām ir balss sakari) Ja šodien tehnoloģiju sekotāji paši pērk un izvēlas nēsāt gudrās datu ierīces, tad jau tuvā nākotnē visi minētie sensori būs (vai jau ir) iebūvēti ierīcē, kuru ikdienā lietojam visbiežāk un kuru mēs izvēlamies saukt par mobilo telefonu. Kāpēc mēs telefonus vispār saucam par mobilajiem, jo kad gan tu pēdējo reizi redzēji telefonu, kas nebūtu mobils?

Situācija šobrīd

Ilgi nedomājot mēģināju apkopot kādus datus zina manas ierīces un web servisi:

• kur es atrodos, kur es dzīvoju, kur uzturos visbiežāk, kur retāk
• kur ceļoju, kur atpūšos, kur lidoju, kur fotografēju
• kādi ir mani pārvietošanās paradumi
• kur es ēdu
• ko es ēdu
• cik daudz kafijas es patērēju ikdienā
• kur es braucu ar velo
• cik es sveru
• cik ilgi es guļu, kad eju gulēt, kad mostos
• cik daudz soļus es ikdienā veicu
• kādu mūziku un cik bieži es klausos
• kādas filmas skatos
• kādas interneta lapas es lietoju, cik bieži, kurās dienās
• kādi ir mani interneta pirkumi
• cik bieži sūtu epastus un kam
• ar kuriem cilvēkiem kontaktējos visvairāk, kādos laikos tas notiek
• un tā tālāk

Noteikti ir vismaz viena vai vairākas informācijas grupas, kuras pat neesmu iedomājies. Lielākā daļa no šī saraksta ir tikai informācijas drumslas. Tās nav apkopotas vienotā datu bāzē un neviens algoritms nav aprīkots ar piekļuvi pie visiem šiem datiem. Kas notiktu, ja pie šī visa pievienotu vēl kādus 10 parametrus un ļoti jaudīgas digitālās smadzenes? Vai algoritms spētu veikt nozīmīgus secinājumus un prognozes? Jau šobrīd esmu internetā manījis vairākas kompānijas, kas strādā pie rīkiem, kas spēj apkopot nelielu daļu no minētajiem datiem, meklēt korelācijas un dot vismaz primitīvus apgalvojumus balstoties uz ievākto statistiku. (piemēri: exist.io, quantimo.do, tictrac.com droši vien ir vēl labāki piemēri, bet šiem tieši nesen biju uzdūries)

Prātā iešāvās pavisam vienkāršs piemērs – Jawbone UP Coffee eksperiments, kas mēģina analizēt un prognozēt ķermeņa reakciju tiem, kas ikdienā patērē kafiju. Regulāri aizmirstu to lietot un dati ir ļoti neprecīzi, bet varētu, piemēram, redzēt, ka dienās, kad dzeru kafiju vairāk kā parasti es guļu par 30 minūtēm mazāk, vai arī mans miegs nav tik kvalitatīvs kā parasti.

Kāpēc tas ir nepieciešams?

Personīgi man šādi dati interesē, lai saprastu, kādas pēdas aiz sevi atstāju. Jau esmu uzzinājis un padomājis mazliet vairāk par savu miegu, bet konkrētāk centīšos pieminēt Jawbone UP rakstā.

Es varu iedomāties, kā šāda informācijas kaudze varētu satraukt sazvērestību teoriju cienītājus, bet pagaidām es uz šo visu skatos diezgan mierīgi. Jā, visi dati dzīvo kaut kur mākonī, bet lai tak dzīvo veseli.

Viens no iemesliem, kuru saistībā ar gudrajām ierīcēm mēdz piesaukt visbiežāk ir spēja sagādāt medicīniski nozīmīgus datus. Piemēram, ārsts var dot norādījumus par dzīvesveida izmaiņām, kas nepieciešamas, lai ātrāk tiktu pie veselības – neēst saldumus, nepārpūlēt sirdi, atrasties svaigā gaisā, soļot vismaz 1 stundu dienā utt.. Redzēju jau gatavas aplikācijas, kas strādā tandēmā – es kā lietotājs daru savas ikdienas lietas, bet ārstam pienāk atskaites par to vai sekoju dotajiem norādījumiem vai nē. Aplikācija spēj nosūtīt atskaites par sirdsdarbību un dažādiem citiem parametriem. Tas ļautu ārstam konstatēt bīstamas novirzes un laicīgi iejaukties pirms izveidojusies kritiska situācija.

Konkrētāk par manis izvēlēto un lietoto Jawbone UP gudro aproci pastāstīšu kādā no nākamajiem ierakstiem.

Tālākai uzziņai:

• http://en.wikipedia.org/wiki/Quantified_Self
• http://quantifiedself.com/
• http://lockerproject.org/
• https://www.fitbit.com/apps (garajā sarakstā ir aplikācijas, kas izmanto fitbit ievāktos datus un tos mēģina apstrādāt kontekstā ar kādiem citiem datiem)

Pirmajā attēlā redzamie dati ir no foursquare.com.