Dwa i pół biliona tokenów i otwarta fabryka danych. Co to zmienia w polskim AI medycznym

Przez lata największą barierą w budowaniu specjalistycznych modeli językowych był brak danych. Szczególnie dla języków innych niż angielski. Niedawno opublikowany projekt pokazuje, że tę barierę można przełamać systematycznie: zespół badawczy zbudował otwarty, odtwarzalny pipeline do zbierania i przetwarzania tekstów w kilkudziesięciu językach indyjskich. Wynik: ponad dwa i pół biliona tokenów treningowych, zbudowanych od zera za pomocą metod, które każdy może skopiować i uruchomić dla własnego języka.

To nie jest kolejny zamknięty model od dużego gracza. Pipeline jest publiczny, kroki są opisane, a podejście skalowalne. Oznacza to coś istotnego: metodologia trafia do społeczności, nie tylko gotowy produkt.

Co to oznacza dla polskich placówek medycznych (szpitale, przychodnie, apteki, gabinety)

Polska dokumentacja medyczna od lat pozostaje poza zasięgiem dużych modeli AI. Nie dlatego, że polszczyzna jest trudna, ale dlatego, że nikt nie zebrał wystarczającej ilości dobrej jakości polskich tekstów klinicznych w formie przydatnej do trenowania. Ten projekt pokazuje, że da się to zrobić inaczej niż dotychczas, bez miliardów dolarów i bez zamkniętych korporacyjnych zasobów.

• Szpitale i sieci przychodni mogą myśleć o wspólnych zbiorach danych. Nie ma technicznej przeszkody, żeby kilka placówek połączyło zanonimizowane wyciągi z historii chorób, wyniki badań opisowych i dokumentację pielęgniarską w jeden zbiór do trenowania modelu dopasowanego do polskich realiów klinicznych. Otwarty pipeline pokazuje, jak to procesować na dużą skalę.
• Dla aptek i gabinetów POZ. Najbardziej przydatne byłyby modele wyuczone na polskiej dokumentacji recepturowej, kartach pacjenta i pismach do NFZ. Takie dane istnieją, lecz są rozproszone. Metodologia z tego projektu sugeruje, że ich agregacja i przetworzenie jest technicznie wykonalna nawet bez dużego zaplecza obliczeniowego.
• Mniejsza zależność od zamkniętych dostawców. Jeśli placówka ma własne dane i otwarte narzędzia do ich przetworzenia, przestaje być skazana na komercyjne modele ogólne, które nie znają polskiej specyfiki rozliczeń z NFZ, ICD-10 po polsku ani regionalnych formatów skierowań.

Jest jedno zastrzeżenie. Sama metodologia nie rozwiązuje problemu zgód pacjentów, anonimizacji i regulacji RODO. To nadal najtrudniejsza warstwa. Dane są, pipeline jest otwarty, ale zanim legalnie trafią do trenowania, trzeba przejść przez prawnika, inspektora ochrony danych i dyrektora medycznego. W Polsce ten proces potrafi trwać dłużej niż samo trenowanie modelu.

Kierunek jest jednak czytelny: otwarte narzędzia do budowania zbiorów danych dla konkretnych języków dojrzewają szybciej niż przepisy. Placówki, które już teraz budują kulturę właściwego gromadzenia i oznaczania danych klinicznych, będą miały przewagę, gdy formalności zostaną uproszczone. Albo gdy zdecydują się sięgnąć po zewnętrzne wsparcie w tym procesie.

Jeśli zastanawiasz się, jakie dane Twoja placówka już dziś mogłaby wykorzystać do budowania własnych narzędzi AI, zapraszamy na bezpłatny audyt. Sprawdzimy razem, od czego warto zacząć.