Zapytanie dopasowuje się do dokumentu słowo po słowie. Co wyszukiwanie z późną interakcją zmienia w placówce medycznej

18.11.2026 · 2 min czytania

Klasyczne wyszukiwanie semantyczne sprowadza cały dokument do jednego wektora w przestrzeni matematycznej. Jedno zdanie, jeden punkt, jeden kierunek. Wygodne i szybkie, ale dokumenty tracą szczegóły po drodze. Zapytasz o "lewostronne upośledzenie funkcji skurczowej z towarzyszącą niewydolnością nerek" i system porówna to z jednym wektorem dokumentu, który może opisywać coś zupełnie innego, tylko podobnym tonem.

Modele z późną interakcją działają inaczej. Zamiast jednego wektora na dokument, tworzą oddzielny wektor dla każdego tokenu, czyli każdego słowa lub jego fragmentu. Zapytanie dostaje tę samą strukturę. Dopasowanie następuje dopiero w chwili wyszukiwania: każdy token w zapytaniu szuka swojego najlepszego odpowiednika wśród tokenów dokumentu. Wynik to suma tych najlepszych trafień. Interakcja jest "późna", bo nie zachodzi przy indeksowaniu, lecz właśnie przy pytaniu. Biblioteka Sentence Transformers obsługuje tę architekturę wprost, bez pisania własnego kodu od zera.

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

Medycyna operuje precyzyjnym słownictwem. "Nadciśnienie tętnicze pierwotne" to inny byt niż "wtórne nadciśnienie w przebiegu choroby nerek". Nefropatia cukrzycowa a nefropatia IgA. Metoprolol a metformina. Pojedynczy wektor gubi te różnice, bo uśrednia znaczenie całego dokumentu. Model z późną interakcją je rozpoznaje, bo każdy termin w zapytaniu szuka swojego powiązania w tekście osobno.

W praktyce ma to znaczenie w kilku miejscach. Lekarz wpisuje wieloczłonowe rozpoznanie i oczekuje trafień do konkretnych epikryz, a nie dokumentów o "podobnym klimacie". Farmaceuta szuka interakcji dla konkretnego zestawu leków. Rejestracja przeszukuje dokumentację procedur. We wszystkich tych przypadkach jakość wyniku zależy od tego, czy model rozumie każdy człon zapytania osobno, czy całość razem jako jeden punkt w przestrzeni.

Koszt tej dokładności jest realny. Więcej miejsca na indeks (wektory dla każdego tokenu zamiast jednego na dokument) i więcej obliczeń przy każdym zapytaniu. Przy bazie kilku tysięcy dokumentów to nie problem. Przy milionach rekordów warto zaplanować infrastrukturę zawczasu, bo czas odpowiedzi rośnie wprost z liczbą porównań. Istnieją techniki wstępnego filtrowania, które to łagodzą, ale to osobny temat projektowy.

Gotowe, wstępnie wytrenowane modele z późną interakcją można uruchomić lokalnie. Dla polskiej placówki to ważne: dane pacjentów zostają na serwerze, żadne zapytania nie wychodzą do zewnętrznych usług. Model przetwarza pytanie i szuka w lokalnej bazie dokumentów. Sentence Transformers dostarcza tę możliwość dziś, bez długiego projektu wdrożeniowego.

Jeśli Wasza placówka ma już jakiś system wyszukiwania w dokumentacji, warto sprawdzić, na czym się opiera. Użytkownicy rzadko wiedzą, dlaczego system "nie trafia". Po prostu przestają go używać. Różnica między jednym wektorem a tokenowym dopasowaniem bywa większa niż się wydaje. Chcecie to ocenić na Waszych danych? Zapraszamy na bezpłatny audyt.

Chcecie wiedzieć, co z tego da się użyć u Was? Bezpłatny audyt potrzeb, bez zobowiązań. Umówcie audyt

Opracowanie: zespół redAi z wykorzystaniem narzędzi AI.

Więcej aktualności