Przet\u0142umaczony z oryginalnego \u017ar\u00f3d\u0142a NHS Confederation dost\u0119pnego TUTAJ.\u00a0<\/span><\/span><\/a><\/p>\nSzybki rozw\u00f3j sztucznej inteligencji (AI) w 2023 r. sprawi\u0142, \u017ce znalaz\u0142a si\u0119 ona w centrum uwagi, wywo\u0142uj\u0105c coraz wi\u0119cej pyta\u0144 o to, w jaki spos\u00f3b mo\u017cna j\u0105 wykorzysta\u0107 do wspierania systemu opieki zdrowotnej. Dobrze wdro\u017cona i w odpowiednich kontekstach sztuczna inteligencja mo\u017ce potencjalnie pom\u00f3c systemowi opieki zdrowotnej w przezwyci\u0119\u017ceniu szeregu wyzwa\u0144.<\/span><\/p>\nPoniewa\u017c dziedzina sztucznej inteligencji ewoluuje w szybkim tempie, niniejszy elementarz zosta\u0142 opracowany w celu wsparcia organizacji opieki zdrowotnej w poruszaniu si\u0119 w szumie. Przeznaczony dla cz\u0142onk\u00f3w zarz\u0105du i szerszych zespo\u0142\u00f3w, demistyfikuje j\u0119zyk sztucznej inteligencji i pokazuje, w jaki spos\u00f3b organizacje i systemy z niej korzystaj\u0105 – i w jakim celu. Poniewa\u017c coraz wi\u0119cej organizacji bada potencja\u0142 sztucznej inteligencji, niniejszy elementarz sugeruje r\u00f3wnie\u017c, w jaki spos\u00f3b mo\u017cna wykorzysta\u0107 wczesne rozmowy z dostawcami, aby rozwa\u017cy\u0107, czy rozwi\u0105zanie AI jest tym, czego potrzebujesz.<\/span><\/p>\nNale\u017cy pami\u0119ta\u0107, \u017ce nie wszystkie definicje maj\u0105 powi\u0105zany przyk\u0142ad, poniewa\u017c w wielu przypadkach przyk\u0142ad by\u0142by powt\u00f3rzeniem definicji.\u00a0<\/span><\/p>\n <\/p>\n
Podstawowe poj\u0119cia<\/strong><\/span><\/p>\n\n- Automatyzacja\/robotyczna automatyzacja proces\u00f3w (RPA)<\/b> – wykorzystanie specjalistycznego oprogramowania i technologii do wykonywania powtarzalnych zada\u0144, zgodnie z zestawem instrukcji i przep\u0142yw\u00f3w pracy okre\u015blonych przez ludzi. Zadania te zazwyczaj pozostaj\u0105 sp\u00f3jne w czasie i obejmuj\u0105 takie dzia\u0142ania, jak wysy\u0142anie przypomnie\u0144 o spotkaniach, powiadomie\u0144 o nieodebranych spotkaniach, a nawet paragon\u00f3w po zakupach online. Je\u015bli zadanie nie jest wyra\u017anie okre\u015blone w instrukcjach, maszyna nie mo\u017ce go wykona\u0107.\u00a0<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> W opiece zdrowotnej automatyzacja obejmuje monitorowanie pacjent\u00f3w, zarz\u0105dzanie lekami i zadania administracyjne w szpitalach i klinikach.<\/span><\/p>\n\n- Algorytm <\/b>– zestaw dobrze zdefiniowanych regu\u0142 lub proces\u00f3w u\u017cywanych przez system sztucznej inteligencji do wykonywania zada\u0144, takich jak odkrywanie nowych spostrze\u017ce\u0144, identyfikowanie wzorc\u00f3w, przewidywanie wynik\u00f3w i rozwi\u0105zywanie problem\u00f3w.<\/span><\/li>\n
- Sztuczna inteligencja (AI) <\/b>– zdolno\u015b\u0107 systemu komputerowego do na\u015bladowania ludzkich funkcji poznawczych, takich jak uczenie si\u0119, rozwi\u0105zywanie problem\u00f3w, interpretowanie informacji wizualnych, rozumienie i reagowanie na j\u0119zyk m\u00f3wiony lub pisany. Sztuczna inteligencja wykorzystuje matematyk\u0119, logik\u0119 i wzorce wyuczone na podstawie danych do symulowania ludzkiego rozumowania oraz podejmowania decyzji i rekomendacji.\u00a0<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> W opiece zdrowotnej sztuczna inteligencja mo\u017ce by\u0107 wykorzystywana do usprawniania proces\u00f3w diagnostycznych, personalizowania plan\u00f3w leczenia i efektywnego zarz\u0105dzania danymi medycznymi.<\/span><\/p>\n\n- Dane (Data) <\/b>– wszelkie informacje, kt\u00f3re mog\u0105 by\u0107 przetwarzane lub analizowane w celu uzyskania wgl\u0105du. Dane mog\u0105 mie\u0107 posta\u0107 liczb i statystyk, tekstu, symboli lub multimedi\u00f3w, takich jak obrazy, filmy, d\u017awi\u0119ki i mapy.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> W kontek\u015bcie opieki zdrowotnej dane mog\u0105 obejmowa\u0107 rejestry pacjent\u00f3w, badania kliniczne i wyniki monitorowania stanu zdrowia w czasie rzeczywistym.<\/span><\/p>\n\n- Uczenie maszynowe (Machine Learning – ML)<\/b> – podzbi\u00f3r sztucznej inteligencji, kt\u00f3ry umo\u017cliwia maszynom automatyczne uczenie si\u0119 i doskonalenie na podstawie do\u015bwiadczenia bez wyra\u017anego programowania. Wykorzystuj\u0105c ustalone procesy do analizy du\u017cych ilo\u015bci danych, systemy ML mog\u0105 identyfikowa\u0107 wzorce, pomaga\u0107 w podejmowaniu decyzji i poprawia\u0107 swoj\u0105 wydajno\u015b\u0107 przy niewielkiej lub zerowej interwencji cz\u0142owieka.\u00a0<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> W opiece zdrowotnej aplikacje ML obejmuj\u0105 przewidywanie post\u0119pu choroby, analiz\u0119 obraz\u00f3w medycznych i optymalizacj\u0119 klinicznych przep\u0142yw\u00f3w pracy.<\/span><\/p>\n\n- Model<\/b> – prosta reprezentacja aspektu \u015bwiata rzeczywistego. Jest to program, kt\u00f3ry zosta\u0142 przeszkolony na zestawie danych w celu rozpoznawania pewnych wzorc\u00f3w lub podejmowania pewnych decyzji bez dalszej interwencji cz\u0142owieka.<\/span><\/li>\n
- Prompt (in\u017cynieria)<\/b> – prompt to pytanie, polecenie lub stwierdzenie wprowadzone do modelu sztucznej inteligencji w celu zainicjowania odpowiedzi lub dzia\u0142ania, u\u0142atwiaj\u0105ce interakcj\u0119 mi\u0119dzy cz\u0142owiekiem a sztuczn\u0105 inteligencj\u0105 w celu wygenerowania zamierzonego wyniku.<\/span><\/li>\n<\/ul>\n
\n
Interpretacja modeli<\/strong><\/span><\/p>\n\n- Dok\u0142adno\u015b\u0107 (Accuracy) <\/b>– dok\u0142adno\u015b\u0107 to metryka w uczeniu maszynowym, kt\u00f3ra mierzy, jak cz\u0119sto model poprawnie przewiduje wynik. Jest to u\u0142amek przewidywa\u0144, kt\u00f3re model zrealizowa\u0142 prawid\u0142owo, wskazuj\u0105cy na og\u00f3ln\u0105 trafno\u015b\u0107 jego prognoz. Dok\u0142adno\u015b\u0107 pokazuje, jak cz\u0119sto model klasyfikacyjny uczenia maszynowego daje poprawne odpowiedzi w uj\u0119ciu ca\u0142o\u015bciowym. Metryka ta jest szczeg\u00f3lnie u\u017cyteczna, gdy klasy s\u0105 zr\u00f3wnowa\u017cone (tj. liczba instancji w ka\u017cdej klasie jest mniej wi\u0119cej taka sama). Jednak mo\u017ce by\u0107 myl\u0105ca w przypadku niezr\u00f3wnowa\u017conych klas. Idealnie, dok\u0142adno\u015b\u0107 powinna by\u0107 jak najbli\u017csza 100%, jednak cz\u0119sto akceptowane s\u0105 warto\u015bci w zakresie 70-90%. Wa\u017cne jest, aby pami\u0119ta\u0107, \u017ce dok\u0142adno\u015b\u0107 na poziomie 50% oznacza, \u017ce po\u0142owa przypadk\u00f3w jest klasyfikowana jako pozytywne, a po\u0142owa jako negatywne, co w praktyce odpowiada losowej klasyfikacji.<\/span><\/li>\n
- Stronniczo\u015b\u0107 (Bias)<\/b> – stronniczo\u015b\u0107 wyst\u0119puje, gdy system sztucznej inteligencji generuje wyniki, kt\u00f3re s\u0105 systematycznie uprzedzone z powodu b\u0142\u0119dnych za\u0142o\u017ce\u0144 w procesie uczenia maszynowego. To uprzedzenie mo\u017ce odzwierciedla\u0107 i utrwala\u0107 ludzkie uprzedzenia i nier\u00f3wno\u015bci spo\u0142eczne obecne w pocz\u0105tkowych danych szkoleniowych, samym algorytmie lub generowanych przez niego prognozach.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> Pulsoksymetry s\u0105 mniej dok\u0142adne dla os\u00f3b o ciemniejszym odcieniu sk\u00f3ry, co oznacza, \u017ce sztuczna inteligencja zastosowana do tego urz\u0105dzenia mo\u017ce niedoszacowa\u0107 raka sk\u00f3ry u os\u00f3b o ciemniejszej sk\u00f3rze z powodu mniejszej ilo\u015bci danych.<\/span><\/p>\n\n- Wyja\u015bnialno\u015b\u0107 (Explainability) <\/b>– miara tego, jak zrozumia\u0142e lub wyt\u0142umaczalne dla ludzi s\u0105 decyzje podejmowane przez system sztucznej inteligencji.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> System sztucznej inteligencji mo\u017ce przewidzie\u0107, kt\u00f3rzy pacjenci najbardziej potrzebuj\u0105 operacji, ale powinien by\u0107 w stanie wyja\u015bni\u0107, dlaczego nada\u0142 priorytet pacjentom w okre\u015blony spos\u00f3b.<\/span><\/p>\n\n- Wyt\u0142umaczalna sztuczna inteligencja (XAI) –<\/b> gdzie ludzie mog\u0105 zrozumie\u0107, w jaki spos\u00f3b uzyskano wyniki modelu sztucznej inteligencji.<\/span><\/li>\n
- Dryf modelu (Model drift) <\/b>– dryf modelu to pogorszenie si\u0119 dok\u0142adno\u015bci predykcyjnej modelu uczenia maszynowego w czasie, spowodowane zmianami w rzeczywistych warunkach lub nowymi danymi wej\u015bciowymi, kt\u00f3re r\u00f3\u017cni\u0105 si\u0119 od danych u\u017cytych podczas trenowania modelu.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> Gdy zostaje uruchomiona nowa trasa autobusowa do szpitala, co sprawia, \u017ce model przewiduj\u0105cy absencje pacjent\u00f3w staje si\u0119 mniej dok\u0142adny, poniewa\u017c wzorce frekwencji pacjent\u00f3w zmieniaj\u0105 si\u0119 w por\u00f3wnaniu do tych, kt\u00f3re wyst\u0119powa\u0142y w momencie trenowania modelu (przed wprowadzeniem nowej trasy).<\/span><\/p>\n\n- Precyzja (Precision) <\/b>– precyzja to odsetek pozytywnych przewidywa\u0144 modelu, kt\u00f3re okaza\u0142y si\u0119 poprawne. Na przyk\u0142ad, je\u015bli model przewiduje 100 przypadk\u00f3w jako pozytywne, a 70 z nich faktycznie jest pozytywnych, precyzja wynosi 70%. Precyzja pokazuje, jak cz\u0119sto model uczenia maszynowego trafnie przewiduje docelow\u0105 klas\u0119.<\/span><\/li>\n
- Skalowalno\u015b\u0107 (Scalability)<\/b> – skalowalno\u015b\u0107 w kontek\u015bcie uczenia maszynowego odnosi si\u0119 do zdolno\u015bci systemu do obs\u0142ugi rosn\u0105cych ilo\u015bci danych i zasob\u00f3w obliczeniowych bez pogorszenia wydajno\u015bci lub precyzji. Oznacza to, \u017ce system potrafi przetwarza\u0107 du\u017ce zbiory danych, wci\u0105\u017c dostarczaj\u0105c dok\u0142adne wyniki w rozs\u0105dnym czasie.<\/span><\/li>\n
- Czu\u0142o\u015b\u0107 (Sensitivity, recall)<\/b> – czu\u0142o\u015b\u0107 to odsetek faktycznych przypadk\u00f3w pozytywnej klasy, kt\u00f3re model poprawnie zidentyfikowa\u0142. Na przyk\u0142ad, je\u015bli w zbiorze danych jest 100 pozytywnych przypadk\u00f3w, a model poprawnie rozpoznaje 60 z nich, czu\u0142o\u015b\u0107 wynosi 60%. Czu\u0142o\u015b\u0107 mierzy zdolno\u015b\u0107 modelu uczenia maszynowego do identyfikacji wszystkich obiekt\u00f3w nale\u017c\u0105cych do docelowej klasy.<\/span><\/li>\n
- Swoisto\u015b\u0107 (Specificity) <\/b>– swoisto\u015b\u0107 wskazuje na zdolno\u015b\u0107 modelu do poprawnego przewidywania prawdziwych negatywnych przypadk\u00f3w dla ka\u017cdej kategorii. Innymi s\u0142owy, swoisto\u015b\u0107 ocenia, jak dobrze model poprawnie identyfikuje przypadki, kt\u00f3re nie nale\u017c\u0105 do docelowej klasy.<\/span><\/li>\n
- Szkolenie modelu<\/b> – szkolenie modelu w uczeniu maszynowym to proces, w kt\u00f3rym algorytm uczy si\u0119 dokonywa\u0107 prognoz lub podejmowa\u0107 decyzje na podstawie danych.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> W opiece zdrowotnej cz\u0119sto polega to na szkoleniu modelu z wykorzystaniem danych klinicznych, aby poprawi\u0107 dok\u0142adno\u015b\u0107 diagnoz i skuteczno\u015b\u0107 leczenia.<\/span><\/p>\n\n
Typy danych<\/strong><\/span><\/p>\n\n- Big data<\/b> – big data to niezwykle du\u017ce i szybko rosn\u0105ce zbiory r\u00f3\u017cnorodnych typ\u00f3w danych, obejmuj\u0105ce zar\u00f3wno dane strukturalne, jak i niestrukturalne, kt\u00f3re s\u0105 na tyle skomplikowane, \u017ce tradycyjne oprogramowanie do przetwarzania danych nie jest w stanie ich obs\u0142u\u017cy\u0107.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad: <\/span>W opiece zdrowotnej big data mo\u017ce obejmowa\u0107 przetwarzanie wielu \u017ar\u00f3de\u0142 danych strukturalnych i niestrukturalnych, takich jak dane genetyczne, historia medyczna i czynniki zwi\u0105zane ze stylem \u017cycia, aby wspiera\u0107 medycyn\u0119 spersonalizowan\u0105.<\/span><\/p>\n\n- Dane strukturalne <\/b>– dane strukturalne to dane zorganizowane i sformatowane w okre\u015blony spos\u00f3b, co sprawia, \u017ce s\u0105 \u0142atwe do odczytania i zrozumienia zar\u00f3wno dla ludzi, jak i maszyn. Umo\u017cliwia to natychmiastowe rozpoznanie typu danych, z kt\u00f3rymi mamy do czynienia.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> Elektroniczna karta zdrowia pacjenta (EHR), kt\u00f3ra zawiera pola na imi\u0119, wiek, ci\u015bnienie krwi i kody diagnozy, jest przyk\u0142adem danych strukturalnych.<\/span><\/p>\n\n- \n
\n- Dane syntetyczne<\/b> – dane syntetyczne to dane generowane sztucznie przez algorytmy komputerowe lub symulacje, zaprojektowane tak, aby na\u015bladowa\u0107 wzorce i cechy danych z rzeczywistego \u015bwiata. Cz\u0119sto s\u0105 one stosowane jako alternatywa dla rzeczywistych danych.<\/span><\/li>\n
- Dane testowe <\/b>– dane testowe to ostateczna kontrola na niewidocznych zbiorach danych, maj\u0105ca na celu potwierdzenie, \u017ce algorytm uczenia maszynowego zosta\u0142 skutecznie przeszkolony oraz weryfikacj\u0119, czy model potrafi dokonywa\u0107 dok\u0142adnych prognoz.<\/span><\/li>\n
- Dane treningowe <\/b>– dane treningowe to dane u\u017cywane do szkolenia modeli uczenia maszynowego. Starannie wyselekcjonowane zbiory danych treningowych s\u0105 podawane algorytmom uczenia maszynowego, aby nauczy\u0107 je, jak dokonywa\u0107 prognoz lub realizowa\u0107 okre\u015blone zadania.<\/span><\/li>\n<\/ul>\n<\/li>\n<\/ul>\n
\n- Dane niestrukturalne – <\/b>dane niestrukturalne to dane, kt\u00f3re nie maj\u0105 z g\u00f3ry okre\u015blonej struktury ani organizacji. W przeciwie\u0144stwie do danych strukturalnych, kt\u00f3re s\u0105 uporz\u0105dkowane w rz\u0119dy i kolumny w bazie danych, dane niestrukturalne stanowi\u0105 nieuporz\u0105dkowany i obszerny zbi\u00f3r informacji.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> W opiece zdrowotnej dane niestrukturalne cz\u0119sto obejmuj\u0105 notatki medyczne, nagrania audio interakcji z pacjentami oraz obrazy z r\u00f3\u017cnych procedur diagnostycznych.<\/span><\/p>\n\n- Dane walidacyjne<\/b> – dane walidacyjne to dane, kt\u00f3re nie s\u0105 uwzgl\u0119dnione w zbiorze treningowym modelu, co pozwala naukowcom zajmuj\u0105cym si\u0119 danymi oceni\u0107, jak dobrze (przy u\u017cyciu metryk takich jak dok\u0142adno\u015b\u0107, precyzja, czu\u0142o\u015b\u0107 i swoisto\u015b\u0107) model dokonuje prognoz na podstawie nowych danych, kt\u00f3rych model nie widzia\u0142 podczas szkolenia.<\/span><\/li>\n<\/ul>\n
\n
Typy uczenia maszynowego<\/strong><\/span><\/p>\n\n- (Sztuczna) sie\u0107 neuronowa <\/b>– sie\u0107 neuronowa to rodzaj programu uczenia maszynowego, kt\u00f3ry podejmuje decyzje w spos\u00f3b podobny do ludzkiego m\u00f3zgu. Przetwarza dane za pomoc\u0105 po\u0142\u0105czonych jednostek zwanych neuronami, kt\u00f3re wsp\u00f3\u0142pracuj\u0105, aby identyfikowa\u0107 wzorce, ocenia\u0107 opcje, wyci\u0105ga\u0107 wnioski oraz uczy\u0107 si\u0119 i poprawia\u0107 z czasem. Ta metoda, inspirowana dzia\u0142aniem biologicznych neuron\u00f3w, uczy komputery radzenia sobie ze z\u0142o\u017conymi problemami, na\u015bladuj\u0105c warstwow\u0105 struktur\u0119 m\u00f3zgu.<\/span><\/li>\n
- Uczenie ze wzmocnieniem (Reinforcement learning)<\/b> – uczenie ze wzmocnieniem to podzbi\u00f3r uczenia maszynowego, kt\u00f3ry umo\u017cliwia systemowi opartemu na sztucznej inteligencji uczenie si\u0119 poprzez pr\u00f3b\u0119 i b\u0142\u0105d, korzystaj\u0105c z informacji zwrotnej z podejmowanych dzia\u0142a\u0144.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad: <\/span>Jest to szczeg\u00f3lnie przydatne w medycynie spersonalizowanej, gdzie systemy ucz\u0105 si\u0119 optymalizowa\u0107 leczenie na podstawie indywidualnych reakcji pacjent\u00f3w.<\/span><\/p>\n\n- Uczenie p\u00f3\u0142nadzorowane (Semi-supervised learning)<\/b> – uczenie p\u00f3\u0142nadzorowane to rodzaj uczenia maszynowego, kt\u00f3ry znajduje si\u0119 pomi\u0119dzy uczeniem nadzorowanym a nienadzorowanym. Jest to metoda, kt\u00f3ra wykorzystuje ma\u0142\u0105 ilo\u015b\u0107 danych z etykietami i du\u017c\u0105 ilo\u015b\u0107 danych bez etykiet do szkolenia modelu.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> To podej\u015bcie jest korzystne w przypadku danych pacjent\u00f3w, gdzie uzyskanie w pe\u0142ni oznaczonych zbior\u00f3w danych mo\u017ce by\u0107 kosztowne lub niepraktyczne.<\/span><\/p>\n\n- Uczenie nadzorowane (Supervised learning) <\/b>– uczenie nadzorowane to kategoria uczenia maszynowego, w kt\u00f3rej do szkolenia algorytm\u00f3w wykorzystuje si\u0119 zbiory danych z etykietami (ka\u017cde wej\u015bcie ma znany wynik), aby przewidywa\u0107 wyniki lub rozpoznawa\u0107 wzorce. Analizuj\u0105c te zbiory danych, komputer uczy si\u0119 przewidywa\u0107 wynik na podstawie nowych danych wej\u015bciowych. Jest to jak nauczanie komputera przez pokazywanie mu wielu przyk\u0142ad\u00f3w i pozwalanie mu zrozumie\u0107, jak robi\u0107 rzeczy poprawnie.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad: <\/span>W opiece zdrowotnej ta metoda jest szeroko stosowana w diagnostyce, na przyk\u0142ad do identyfikacji chor\u00f3b na podstawie danych z obrazowania medycznego.<\/span><\/p>\n\n- Uczenie nienadzorowane (Unsupervised learning)<\/b> – uczenie nienadzorowane to rodzaj uczenia maszynowego, kt\u00f3re nie wymaga danych z etykietami ani ludzkiego nadzoru. Dzia\u0142a na danych bez etykiet, aby odkrywa\u0107 wzorce i spostrze\u017cenia w zbiorze danych. Algorytmy badaj\u0105 zbi\u00f3r danych bez wyra\u017anych instrukcji, aby niezale\u017cnie znale\u017a\u0107 nieznane relacje lub spostrze\u017cenia. To jak pozwolenie komputerowi na eksploracj\u0119 zbioru danych, przy jednoczesnym umo\u017cliwieniu mu samodzielnego odkrywania wzorc\u00f3w i struktur.<\/span><\/li>\n<\/ul>\n
\n
Typy modeli<\/strong><\/span><\/p>\n\n- Model g\u0142\u0119bokiego uczenia (Deep learning model) <\/b>– model g\u0142\u0119bokiego uczenia to forma uczenia maszynowego, kt\u00f3ra wykorzystuje sztuczne sieci neuronowe, inspirowane ludzkim m\u00f3zgiem, do nauki z ogromnych ilo\u015bci danych (w tym danych z etykietami i bez etykiet, danych strukturalnych i niestrukturalnych). Te sieci umo\u017cliwiaj\u0105 systemom cyfrowym nauk\u0119 i podejmowanie decyzji automatycznie i niezale\u017cnie, bez ludzkiej interwencji.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> Modele te s\u0105 coraz cz\u0119\u015bciej stosowane w obszarach takich jak patologia, radiologia i genetyka.<\/span><\/p>\n\n- \n
\n- Model fundamentowy (Foundation model) <\/b>– model fundamentowy to model uczenia maszynowego, kt\u00f3ry zosta\u0142 przeszkolony na ogromnej ilo\u015bci danych, dzi\u0119ki czemu mo\u017cna go \u0142atwo dostosowa\u0107 do szerokiego zakresu zastosowa\u0144. Typowym przyk\u0142adem modelu fundamentowego s\u0105 du\u017ce modele j\u0119zykowe, kt\u00f3re zasilaj\u0105 chatboty, takie jak ChatGPT.<\/span><\/li>\n
- Cz\u0142owiek w p\u0119tli (Human-in-the-loop)<\/b> – cz\u0142owiek w p\u0119tli to system, kt\u00f3ry sk\u0142ada si\u0119 z komponentu ludzkiego i komponentu AI, w kt\u00f3rym cz\u0142owiek mo\u017ce w znacz\u0105cy spos\u00f3b interweniowa\u0107, na przyk\u0142ad poprzez szkolenie, dostrajanie lub testowanie algorytmu systemu, aby uzyska\u0107 bardziej u\u017cyteczne wyniki. To spos\u00f3b \u0142\u0105czenia inteligencji ludzkiej i maszynowej, kt\u00f3ry pomaga zrekompensowa\u0107 niedoci\u0105gni\u0119cia obu.<\/span><\/li>\n<\/ul>\n<\/li>\n<\/ul>\n
\n- Du\u017cy model j\u0119zykowy (Large language model, LLM) <\/b>– du\u017cy model j\u0119zykowy to model uczenia maszynowego zdolny do wykonywania r\u00f3\u017cnych zada\u0144 zwi\u0105zanych z przetwarzaniem j\u0119zyka naturalnego. Do tych zada\u0144 nale\u017cy generowanie i klasyfikowanie tekst\u00f3w oraz obraz\u00f3w, odpowiadanie na pytania w spos\u00f3b konwersacyjny, t\u0142umaczenie mi\u0119dzy j\u0119zykami, przewidywanie i podsumowywanie tre\u015bci. Wykorzystuje algorytmy g\u0142\u0119bokiego uczenia oraz ogromne zbiory danych, aby osi\u0105gn\u0105\u0107 te mo\u017cliwo\u015bci.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> W opiece zdrowotnej modele te wspieraj\u0105 podejmowanie decyzji klinicznych oraz interakcj\u0119 z pacjentami.<\/span><\/p>\n\n- Model multimodalny (Multimodal model)<\/b> – model multimodalny to model uczenia maszynowego, kt\u00f3ry przetwarza i \u0142\u0105czy r\u00f3\u017cne typy danych, takie jak obrazy, filmy i tekst, aby dokonywa\u0107 bardziej precyzyjnych ocen, wyci\u0105ga\u0107 wnikliwe wnioski lub formu\u0142owa\u0107 dok\u0142adne prognozy dotycz\u0105ce problem\u00f3w ze \u015bwiata rzeczywistego.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> Modele multimodalne mog\u0105 uwzgl\u0119dnia\u0107 dane z elektronicznej karty zdrowia, obraz wykonany podczas badania rentgenowskiego oraz pisemny opis radiologa dotycz\u0105cy tego badania, aby wyci\u0105ga\u0107 wnioski na temat diagnoz.<\/span><\/p>\n\n
Zastosowania sztucznej inteligencji (AI)<\/strong><\/span><\/p>\n\n- Halucynacja AI (AI hallucination) <\/b>– halucynacja AI wyst\u0119puje, gdy sztuczna inteligencja, taka jak du\u017cy model j\u0119zykowy, generuje fa\u0142szywe lub wprowadzaj\u0105ce w b\u0142\u0105d informacje, kt\u00f3re wydaj\u0105 si\u0119 faktami, ale w rzeczywisto\u015bci s\u0105 nieprawdziwe lub bezsensowne. Mo\u017ce to by\u0107 spowodowane identyfikowaniem wzorc\u00f3w, kt\u00f3re nie istniej\u0105 w rzeczywisto\u015bci.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad<\/span>: Na przyk\u0142ad, model AI sugeruj\u0105cy niew\u0142a\u015bciwe leki dla pacjenta na podstawie halucynowanych danych.<\/span><\/p>\n\n- Ambient AI<\/b> – ambient AI to rodzaj sztucznej inteligencji, kt\u00f3ra integruje si\u0119 z otoczeniem, aby poprawi\u0107 interakcj\u0119 z lud\u017ami, nie b\u0119d\u0105c przy tym zauwa\u017caln\u0105. Dzia\u0142a w tle, wykorzystuj\u0105c czujniki do rozumienia i przewidywania zachowa\u0144 ludzkich. Ci\u0105gle zbiera dane z tych urz\u0105dze\u0144, aby podejmowa\u0107 decyzje w czasie rzeczywistym.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> W opiece zdrowotnej ambient AI mo\u017ce by\u0107 u\u017cywane do monitorowania stanu pacjent\u00f3w w czasie rzeczywistym, optymalizacji operacji szpitalnych oraz dostarczania spersonalizowanych us\u0142ug zdrowotnych, minimalizuj\u0105c jednocze\u015bnie potrzeb\u0119 bezpo\u015brednich polece\u0144 lub interwencji ze strony ludzi. Zwi\u0119ksza jako\u015b\u0107 opieki nad pacjentami, przewiduj\u0105c ich potrzeby i interweniuj\u0105c proaktywnie, co poprawia wyniki zdrowotne oraz efektywno\u015b\u0107 operacyjn\u0105.<\/span><\/p>\n\n- Wizja komputerowa (Computer vision) <\/b>– wizja komputerowa to dziedzina sztucznej inteligencji, kt\u00f3ra uczy komputery interpretowa\u0107 i rozumie\u0107 \u015bwiat wizualny. Maszyny mog\u0105 dok\u0142adnie identyfikowa\u0107 i lokalizowa\u0107 obiekty, a nast\u0119pnie reagowa\u0107 na to, co \u201ewidz\u0105\u201d, wykorzystuj\u0105c obrazy cyfrowe z kamer, filmy i modele g\u0142\u0119bokiego uczenia.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> Wizja komputerowa jest wykorzystywana w narz\u0119dziach, kt\u00f3re automatycznie przeprowadzaj\u0105 przesiewowe badania w kierunku retinopatii cukrzycowej na podstawie obraz\u00f3w siatk\u00f3wki.<\/span><\/p>\n\n- System wsparcia decyzji (Decision support system) <\/b>– system wsparcia decyzji to system oparty na komputerze, kt\u00f3ry pomaga u\u017cytkownikom podejmowa\u0107 decyzje, analizuj\u0105c du\u017c\u0105 ilo\u015b\u0107 danych, dostarczaj\u0105c wgl\u0105d i sugeruj\u0105c mo\u017cliwe kierunki dzia\u0142ania. \u0141\u0105czy dane, modele analityczne i intuicyjne oprogramowanie, aby wspiera\u0107 rozwi\u0105zywanie problem\u00f3w i podejmowanie decyzji.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> W opiece zdrowotnej mo\u017ce to obejmowa\u0107 algorytm uczenia maszynowego, kt\u00f3ry analizuje obrazy radiologiczne, aby dostarczy\u0107 diagnoz\u0119 wspieraj\u0105c\u0105 decyzje lekarza.<\/span><\/p>\n\n- Cyfrowy bli\u017aniak (Digital twin)<\/b> – cyfrowy bli\u017aniak to model komputerowy, kt\u00f3ry symuluje obiekt w rzeczywistym \u015bwiecie, taki jak system biologiczny. Analiza wynik\u00f3w modelu mo\u017ce pom\u00f3c badaczom zrozumie\u0107, jak fizyczny obiekt b\u0119dzie si\u0119 zachowywa\u0142, co wspiera ich w poprawie projektu i\/lub funkcjonowania w rzeczywisto\u015bci.<\/span><\/li>\n
- Generatywna AI (Generative AI, Gen AI) <\/b>– generatywna AI to algorytmy zdolne do tworzenia nowego, oryginalnego contentu, w tym tekst\u00f3w, obraz\u00f3w, d\u017awi\u0119k\u00f3w, symulacji i kodu oprogramowania, w odpowiedzi na zapytania lub pro\u015bby u\u017cytkownik\u00f3w.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad:<\/span> W dziedzinie medycyny generatywna AI jest wykorzystywana do symulacji danych pacjent\u00f3w, opracowywania wirtualnych modeli do szkolenia oraz generowania syntetycznych danych biologicznych do bada\u0144.<\/span><\/p>\n\n- Przetwarzanie j\u0119zyka naturalnego (Natural Language Processing, NLP)<\/b> – przetwarzanie j\u0119zyka naturalnego to dziedzina sztucznej inteligencji, kt\u00f3ra umo\u017cliwia komputerom rozumienie, interpretowanie i generowanie ludzkiego j\u0119zyka. NLP wykorzystuje techniki analizy danych, uczenia maszynowego i modeli statystycznych do analizy tekstu i mowy, aby zidentyfikowa\u0107 wzorce oraz umo\u017cliwi\u0107 interakcj\u0119 mi\u0119dzy lud\u017ami a maszynami.<\/span><\/li>\n<\/ul>\n
Przyk\u0142ad: <\/span>W aplikacjach medycznych przetwarzanie j\u0119zyka naturalnego mo\u017ce by\u0107 u\u017cywane do analizy notatek klinicznych, zrozumienia potrzeb pacjent\u00f3w oraz automatyzacji dokumentacji medycznej.<\/span><\/p>\n