Najpierw problem, potem technologia
AI tworzy wartość dopiero wtedy, gdy jest osadzone w rzeczywistym procesie placówki
Sztuczna inteligencja może wspierać analizowanie rosnącej liczby danych, przewidywanie zdarzeń, ograniczanie pracy ręcznej i szybsze przekazywanie istotnych informacji. Sam model nie jest jednak działającym rozwiązaniem.
Potrzebuje właściwie przygotowanych danych, możliwej do zweryfikowania metody badawczej, integracji z istniejącymi systemami i interfejsu zrozumiałego dla użytkownika. Granice jego zastosowania muszą być jawne, a człowiek powinien zachować kontrolę nad decyzjami.
Nie tworzymy AI dla samej technologii. Tworzymy rozwiązania odpowiadające na rzeczywiste potrzeby placówek ochrony zdrowia.
Kiedy projekt AI staje się projektem B+R?
Badania i rozwój zaczynają się tam, gdzie istnieje istotna niepewność: dane mogą nie pozwolić osiągnąć oczekiwanego wyniku, standardowe metody mogą być niewystarczające, trzeba porównać kilka podejść albo eksperymentalny rezultat przekształcić w system gotowy do zastosowania.
- wymaganej jakości nie można założyć z góry;
- metodę trzeba opracować lub istotnie zmodyfikować;
- alternatywne modele i sposoby walidacji wymagają porównania;
- rozwiązanie musi działać w warunkach nieodzwierciedlonych przez gotowe produkty.
Sześć pytań przed wyborem modelu
- Jaki problem chcemy rozwiązać?
- Co będzie mierzalnym rezultatem?
- Jakie dane są dostępne?
- Czego jeszcze nie wiemy?
- Jak zweryfikujemy hipotezę?
- Jak wynik badań zostanie wykorzystany w praktyce?
AI i modele
Dobieramy metodę do problemu, a nie problem do metody
Porównujemy podejścia statystyczne, klasyczne metody analityczne i modele uczenia maszynowego. Większa złożoność musi być uzasadniona poprawą jakości, stabilności, interpretowalności lub użyteczności w docelowym procesie.
Uczenie maszynowe i modele predykcyjne
Prognozowanie zapotrzebowania, klasyfikacja zdarzeń, identyfikowanie ryzyka, wykrywanie anomalii, priorytetyzacja i rekomendacje z uzasadnieniem.
Analiza szeregów czasowych
Trendy, sezonowość, cykliczność, gwałtowne zmiany, zależności opóźnione oraz różnice pomiędzy placówkami i jednostkami organizacyjnymi.
Klasyfikacja i priorytetyzacja zdarzeń
Ocena, czy zdarzenie wymaga reakcji, dobór priorytetu i odbiorcy oraz wsparcie ponawiania, łączenia lub kontrolowanej eskalacji komunikatów.
Przetwarzanie języka naturalnego
Wydobywanie informacji z dokumentów, klasyfikowanie korespondencji, rozpoznawanie zobowiązań i terminów, analiza umów oraz przypisywanie wiadomości do właściwej sprawy.
Uczenie federacyjne
Rozwijanie wspólnych modeli przy pozostawieniu danych źródłowych w placówkach, z badaniem różnic jakości danych, bezpieczeństwa aktualizacji, wersjonowania i ryzyk prywatności.
Wyjaśnialność i interpretacja
Pokazywanie danych mających wpływ na wynik, wykrytego ryzyka, pewności modelu, okresu pochodzenia danych, możliwych alternatyw i sytuacji obniżających wiarygodność.
Fundament każdego projektu AI
Największym wyzwaniem często nie jest algorytm, lecz dane
Zanim rozpocznie się kosztowne trenowanie modeli, sprawdzamy, czy dostępne informacje pozwalają wiarygodnie odpowiedzieć na pytanie badawcze.
Oceniamy jakość i znaczenie danych
- kompletność i aktualność;
- spójność pomiędzy systemami;
- duplikaty i wartości odstające;
- zmiany sposobu rejestrowania;
- identyfikatory, jednostki i słowniki;
- proporcje klas i przypadki rzadkie;
- błędy systematyczne i obciążenia danych;
- ryzyko nauczenia przypadkowych zależności.
Jeżeli jakość danych nie pozwala na wiarygodne badania, wskazujemy to przed zaangażowaniem zasobów w trenowanie modeli. Określamy wtedy, co trzeba najpierw poprawić, uzupełnić lub zacząć mierzyć.
Od eksperymentu do produktu
Model musi stać się częścią niezawodnego przepływu informacji
Komponent AI nie może pozostać odizolowanym eksperymentem ani demonstratorem. Potrzebuje aktualnych danych, właściwego interfejsu, kontrolowanych działań oraz inżynierii zapewniającej bezpieczne funkcjonowanie i utrzymanie.
Integracja gotowa do pracy produkcyjnej
- obsługa niedostępności systemów źródłowych;
- kolejkowanie i ponawianie operacji;
- monitorowanie przepływu i diagnostyka błędów;
- kontrola uprawnień i rejestrowanie zdarzeń;
- wersjonowanie interfejsów;
- bezpieczna wymiana z systemami zewnętrznymi.
Przekształcenie wyników badań w produkt
- stabilne potoki danych i interfejs użytkownika;
- autoryzacja i obsługa wyjątków;
- testy bezpieczeństwa i testy akceptacyjne;
- zarządzanie wersjami modeli i aplikacji;
- mechanizmy wycofania i kontrolowanego wydania;
- monitorowanie jakości po uruchomieniu i dokumentacja.
problem→hipoteza→dane→eksperyment→prototyp→pilotaż→wdrożenie→rozwój
Odpowiedzialne AI
Użyteczne modele potrzebują granic, nadzoru człowieka i monitorowania
Oceniamy nie tylko to, czy model działa średnio dobrze, lecz także gdzie może zawieść i jaki byłby skutek błędu w rzeczywistym procesie.
Człowiek zachowuje kontrolę
Podział odpowiedzialności między systemem i użytkownikiem musi być jawny. W procesach mogących wpływać na opiekę nad pacjentem ostateczna ocena należy do uprawnionej osoby.
Jedna metryka nie wystarcza
Badamy czułość, swoistość, precyzję, wyniki fałszywie dodatnie i ujemne, jakość dla poszczególnych grup oraz wpływ błędu na pracę.
Zakres stosowania jest określony
Gdy dane wejściowe istotnie różnią się od danych badawczych, wynik może wymagać dodatkowej ostrożności lub odrzucenia zamiast automatycznego użycia.
Modele są monitorowane
Po wdrożeniu kontrolujemy jakość danych, rozkład wyników, częstotliwość alertów, akceptację rekomendacji, przypadki niezgodności i spadek jakości.
Nasze rozwiązania mają wspierać personel i zarządzających. Nie zdejmują odpowiedzialności zawodowej i nie mogą ukrywać niepewności za pozornie jednoznaczną rekomendacją.
AI i B+R w praktyce
Dwa projekty, dwa różne wyzwania informacyjne
MedAlert odpowiada na problem szumu informacyjnego i adresowania komunikatów w szpitalu. Pharma Flow powstaje, aby wspierać wyprzedzające zarządzanie gospodarką lekową w aptece szpitalnej.
Status: zakończone B+R · przygotowanie do wdrożeń
MedAlert
Inteligentna selekcja i adresacja informacji mogących wymagać uwagi personelu medycznego.
- wykrywanie i kategoryzacja zdarzeń;
- dobór priorytetu oraz właściwego odbiorcy;
- sposób prezentacji komunikatu i ścieżki eskalacji.
Status: projekt B+R w realizacji
Pharma Flow
Planowane rozwiązanie będzie wykorzystywać AI i uczenie federacyjne do wspierania gospodarki lekowej w aptekach szpitalnych.
- będzie prognozować zapotrzebowanie i wspierać optymalizację zapasów;
- będzie identyfikować ryzyko niedoborów i zapasy nadmierne;
- będzie wspierać monitoring kontraktów, komunikację z dostawcami i zamówienia interwencyjne.
Nauka i inżynieria
Interdyscyplinarny zespół łączy badania z produkcją oprogramowania
Zespół B+R współpracuje bezpośrednio z inżynierami oprogramowania, placówkami i partnerami naukowymi. Tutaj pokazujemy aktualne role i główne kompetencje; pełne biogramy pozostają dostępne na stronie „O nas”.
dr inż. Aldona Rosner
Kierowniczka prac badawczo-rozwojowych
Kieruje pracami B+R, dbając o spójność metodyczną, realizację planu badań i przełożenie wyników na prototyp systemu.
Profil naukowy Aldony Rosner
dr hab. inż. Małgorzata Bach
Ekspertka ds. sztucznej inteligencji, uczenia maszynowego i data science
Projektuje i ocenia metody uczenia maszynowego oraz modele AI wykorzystywane w projektach MedAlert i Pharma Flow.
Profil naukowy Małgorzaty Bach
dr inż. Aleksandra Werner
Ekspertka ds. danych, uczenia maszynowego i architektury badawczej
Łączy kompetencje w zakresie baz danych, architektury danych i uczenia maszynowego z zastosowaniami AI w medycynie.
Profil naukowy Aleksandry Werner
mgr inż. Krzysztof Werner
Badacz i inżynier oprogramowania
Łączy działalność badawczą z prototypowaniem, techniczną walidacją i budową działających komponentów oprogramowania.
Profil naukowy Krzysztofa WerneraWeryfikowalna ścieżka realizacji
Dziewięć etapów od problemu do monitorowanego użycia
Proces pozostaje iteracyjny, ale każdy etap ma jasno określony cel i dostarcza dowodów potrzebnych do podjęcia kolejnej decyzji.
- 01
Poznajemy problem
Rozmawiamy z przyszłymi użytkownikami i analizujemy rzeczywisty proces.
- 02
Oceniamy dane
Sprawdzamy znaczenie, jakość, kompletność i możliwość zgodnego z prawem użycia.
- 03
Formułujemy hipotezy
Definiujemy element niepewności i mierzalne kryteria oceny.
- 04
Projektujemy eksperymenty
Dobieramy metody, zbiory danych i sposób walidacji.
- 05
Porównujemy rozwiązania
Testujemy kilka podejść, a nie tylko jeden wcześniej wybrany algorytm.
- 06
Budujemy prototyp
Łączymy model z interfejsem i reprezentatywnym procesem użytkowym.
- 07
Walidujemy z użytkownikami
Oceniamy wynik, zrozumiałość, ergonomię i wpływ na pracę.
- 08
Integrujemy i wdrażamy
Przekształcamy wynik badań w bezpieczne, utrzymywalne rozwiązanie.
- 09
Monitorujemy
Kontrolujemy dane, zachowanie modelu i rzeczywiste użycie rekomendacji.
Modele współpracy
Możemy przeprowadzić całą ścieżkę albo wybrany jej fragment
Model współpracy zależy od dojrzałości pomysłu, dostępnych danych, partnerów i docelowego środowiska wdrożenia.
Kompleksowy projekt AI
Od koncepcji i oceny danych po prototyp, integrację i wdrożenie.
Partner w projekcie B+R
Udział w konsorcjach z placówkami medycznymi, uczelniami i przedsiębiorstwami.
Wybrane zadanie badawcze lub inżynierskie
Przygotowanie danych, modele AI, środowisko eksperymentalne, prototyp lub integracja.
Audyt pomysłu i danych
Ocena, czy zastosowanie AI jest uzasadnione i czy można rozpocząć wiarygodne badania.
Od prototypu do produktu
Przekształcenie modelu badawczego lub demonstratora w rozwiązanie gotowe do wdrożenia.
Projekty finansowane z UE
Od koncepcji badawczej i części technologicznej wniosku po wdrożenie rezultatów.
Zacznijmy od problemu
Nie musisz przychodzić z gotową specyfikacją modelu AI
Lepszym punktem wyjścia może być ręczny proces analityczny, ryzyko wykrywane zbyt późno, rozproszone dane, opóźniona informacja albo prototyp badawczy, którego nie udało się wdrożyć.
Wspólnie ocenimy, czy właściwą odpowiedzią będzie AI, klasyczna analityka, automatyzacja procesu, integracja systemów czy połączenie kilku podejść.