Напридумывали разных ИОЛ и теперь их надо как-то сравнивать. Обычно как это происходит: пациент жалуется на ореолы, блики, засветы вокруг фар и фонарей, врач это фиксирует, а дальше начинаются какие-то интерпретации. Клево, конечно, но научности тут не так много, поскольку слишком многое зависит от восприятия, адаптации и даже от того, как человек вообще описывает дискомфорт. Поэтому испанцы такие: "А давайте сначала измерим эти засветы объективно, на стенде и в цифрах" - и сделали стенд.
В работе ИОЛ ставили в модель глаза, использовали точечный источник света, собирали серию снимков в HDR и считали радиус ореолов с их яркостью. Получилось довольно наглядно:
🔻 у монофокальных ИОЛ ореол около 0,4°,
🔻 у недифракционных EDOF примерно 0,45-0,63°,
🔻 у дифракционных трифокальных уже 0,84-1,22°, и он не только больше, но и ярче.
То есть сама оптическая схема действительно оставляет разный световой след, и это уже не разговор на уровне ощущений, а измеряемый факт.
Интересно еще сравнить с тем, что в клинике получают в плане ощущений пациентами. Мета-анализ сравнений трифокальных и гибридных EDOF показал, что трифокалы чаще связаны с ореолами, хотя при этом обычно дают лучший результат вблизи. В то же время большой обзор Cochrane предлагает не драматизировать, потому что по субъективным жалобам разница между группами не всегда выглядит убедительно, потому что стенд измеряет оптику, а пациент живет уже на стыке оптики, нейроадаптации и условий освещения (вот в чем проблема оценки со стороны пользователей линз).
Такое бы еще для разных алгоритмов лазерной коррекции замутить, а может использовать моделирование на роговичных ОКТ, о которых я писал тут, хз. Знаю некоторые приборы моделируют рассеивание точки, но это немного не то, как минимум в этой функции нет сравнения алгоритмов.
Короче в чем прикол работы: она не переворачивает клинику и не создает вау, она дает ЛИНЕЙКУ. Раньше мы в основном слушали, что человек говорит про свет ночью, а с этой штукенцией теперь появляется шанс сначала понять, что именно делает сама линза, а уже потом спорить, насколько это почувствует конкретный пациент.
#ИОЛ #Демчинский
В работе ИОЛ ставили в модель глаза, использовали точечный источник света, собирали серию снимков в HDR и считали радиус ореолов с их яркостью. Получилось довольно наглядно:
То есть сама оптическая схема действительно оставляет разный световой след, и это уже не разговор на уровне ощущений, а измеряемый факт.
Интересно еще сравнить с тем, что в клинике получают в плане ощущений пациентами. Мета-анализ сравнений трифокальных и гибридных EDOF показал, что трифокалы чаще связаны с ореолами, хотя при этом обычно дают лучший результат вблизи. В то же время большой обзор Cochrane предлагает не драматизировать, потому что по субъективным жалобам разница между группами не всегда выглядит убедительно, потому что стенд измеряет оптику, а пациент живет уже на стыке оптики, нейроадаптации и условий освещения (вот в чем проблема оценки со стороны пользователей линз).
Такое бы еще для разных алгоритмов лазерной коррекции замутить, а может использовать моделирование на роговичных ОКТ, о которых я писал тут, хз. Знаю некоторые приборы моделируют рассеивание точки, но это немного не то, как минимум в этой функции нет сравнения алгоритмов.
Короче в чем прикол работы: она не переворачивает клинику и не создает вау, она дает ЛИНЕЙКУ. Раньше мы в основном слушали, что человек говорит про свет ночью, а с этой штукенцией теперь появляется шанс сначала понять, что именно делает сама линза, а уже потом спорить, насколько это почувствует конкретный пациент.
#ИОЛ #Демчинский
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥13❤6🏆1
Полезный ИИ начинается там, где кончается автопилот
Самый опасный момент при работе с языковой моделью выглядит буднично: ты не споришь с ответом, ты просто перестаёшь его проверять. И вот это уже не спор из серии «тупеем ли мы от нейросетей», а нормальная прикладная задача для HCI (взаимодействие человека и компьютера).
В продолжение этой и этой тем рисуется понятный тезис: польза от больших языковых моделей вполне измерима, но как ее можно замерить? Разберем чуток. Вот в исследовании MIT доступ к ChatGPT ускорял выполнение профессиональных письменных задач и повышал качество текста, то есть проблема не в самом факте использования. Работа (кстати первый журнал, в котором я увидел интегрированный инструмент AI summary) показала неприятную, но важную и полезную деталь: развёрнутые объяснения повышают доверие и к правильным, и к неправильным ответам, тогда как ссылки на источники и внутренние несостыковки децл возвращают пользователя к реальности.
Новый препринт интересен тем, что ищет ошибку не в финале, а ранние следы по ходу работы с моделью. Авторы наблюдали за 77 участниками, подмешивали в ответы модели правдоподобную дезинформацию и анализировали журналы действий: клики, прокрутку, паузы, копирование, возвраты к окну модели. Получилось так, что высокий риск избыточной зависимости чаще был связан с быстрым копированием без правок, пропуском чтения исходного задания и постоянными возвратами к ответу модели вместо проверки материала. Это была бы сильная идея для интерфейсов всяких там ChatGPT и подобных: не ждать провала, а замечать момент, когда человек уже едет на автопилоте и давать какую-то недельную статистику, например. Это как минимум был бы мощный самоконтроль.
Но продавать это как готовый «боевой детектор» я бы не стал, поскольку авторы сами пишут, что выборка мала для надёжной предсказательной модели, лабораторный дизайн ограничивает переносимость результата, а открытый репозиторий пока не выглядит как полностью воспроизводимый промышленный набор.
Короче говоря, зачем эта работа сдалась на практике. Если ты замечаешь у себя или в продукте связку "быстрое копирование ответа, почти без редактуры, без чтения постановки задачи, с постоянным возвращением к окну модели" - это не про «эффективность», а сигнал, что модель уже думает вместо тебя. Полезный режим другой: сначала сам формулируешь задачу и критерий проверки, потом просишь ответ с источниками, затем переносишь в текст только куски, которые можешь проверить и переписать своими словами.
А еще важный тезис заключается в том, что это не про борьбу с моделью, а способ сделать так, чтобы она усиливала мышление, вместо того, чтобы тихо его подменять.
#LLM #образование #Демчинский
Самый опасный момент при работе с языковой моделью выглядит буднично: ты не споришь с ответом, ты просто перестаёшь его проверять. И вот это уже не спор из серии «тупеем ли мы от нейросетей», а нормальная прикладная задача для HCI (взаимодействие человека и компьютера).
В продолжение этой и этой тем рисуется понятный тезис: польза от больших языковых моделей вполне измерима, но как ее можно замерить? Разберем чуток. Вот в исследовании MIT доступ к ChatGPT ускорял выполнение профессиональных письменных задач и повышал качество текста, то есть проблема не в самом факте использования. Работа (кстати первый журнал, в котором я увидел интегрированный инструмент AI summary) показала неприятную, но важную и полезную деталь: развёрнутые объяснения повышают доверие и к правильным, и к неправильным ответам, тогда как ссылки на источники и внутренние несостыковки децл возвращают пользователя к реальности.
Новый препринт интересен тем, что ищет ошибку не в финале, а ранние следы по ходу работы с моделью. Авторы наблюдали за 77 участниками, подмешивали в ответы модели правдоподобную дезинформацию и анализировали журналы действий: клики, прокрутку, паузы, копирование, возвраты к окну модели. Получилось так, что высокий риск избыточной зависимости чаще был связан с быстрым копированием без правок, пропуском чтения исходного задания и постоянными возвратами к ответу модели вместо проверки материала. Это была бы сильная идея для интерфейсов всяких там ChatGPT и подобных: не ждать провала, а замечать момент, когда человек уже едет на автопилоте и давать какую-то недельную статистику, например. Это как минимум был бы мощный самоконтроль.
Но продавать это как готовый «боевой детектор» я бы не стал, поскольку авторы сами пишут, что выборка мала для надёжной предсказательной модели, лабораторный дизайн ограничивает переносимость результата, а открытый репозиторий пока не выглядит как полностью воспроизводимый промышленный набор.
Короче говоря, зачем эта работа сдалась на практике. Если ты замечаешь у себя или в продукте связку "быстрое копирование ответа, почти без редактуры, без чтения постановки задачи, с постоянным возвращением к окну модели" - это не про «эффективность», а сигнал, что модель уже думает вместо тебя. Полезный режим другой: сначала сам формулируешь задачу и критерий проверки, потом просишь ответ с источниками, затем переносишь в текст только куски, которые можешь проверить и переписать своими словами.
А еще важный тезис заключается в том, что это не про борьбу с моделью, а способ сделать так, чтобы она усиливала мышление, вместо того, чтобы тихо его подменять.
#LLM #образование #Демчинский
❤🔥7❤6🏆2
Создан первый ручной OCT с ультрашироким полем зрения, предназначенный для диагностики ретинопатии недоношенных.
Пост расписывать не буду, потому что тут в новости все есть: https://www.ohsu.edu/casey-eye-institute/rop-eye-exam-revolution-how-ai-and-ultra-widefield-oct-are-changing-diagnosis
#OCT #ОКТ
Пост расписывать не буду, потому что тут в новости все есть: https://www.ohsu.edu/casey-eye-institute/rop-eye-exam-revolution-how-ai-and-ultra-widefield-oct-are-changing-diagnosis
#OCT #ОКТ
❤16🔥4
Бельгийцы из ReVision Implant получили FDA breakthrough device designation на свой Occular
Смотрим под лупой: что известно о материалах, чипах и хирургии, и где заканчивается красивая презентация и начинается инженерная правда.
http://aspectum.tech/tpost/hli2aauxm1-belgiitsi-iz-revision-implant-poluchili
Смотрим под лупой: что известно о материалах, чипах и хирургии, и где заканчивается красивая презентация и начинается инженерная правда.
http://aspectum.tech/tpost/hli2aauxm1-belgiitsi-iz-revision-implant-poluchili
❤12
У роговицы странная биография. Помимо донорской ткани, офтальмология уже дошла и до свиного коллагена, и до зубной кератопротезы. Теперь в кадре рыбья чешуя, но важен не экзотический материал, а дыра, которую этим всем пытаются закрыть: обычная кератопластика при низком риске часто успешна, однако глобальный дефицит донорской ткани никуда не делся.
В статье группы из Университета Гранады из чешуи нескольких видов рыб сделали прозрачные каркасы для роговицы; лучше всего выглядел вариант из карпа. У него были подходящие оптические и механические свойства, он поддерживал рост лимбальных эпителиальных клеток, а у кроликов после внутристромальной имплантации не показал явных признаков отторжения, воспаления или неоваскуляризации.
Важно и другое - это не первая альтернатива донорской роговице. Зубная кератопротеза остается вариантом для самых тяжелых, "сухих" и разрушенных глаз и умеет держаться годами, но цена у нее жесткая - многоэтапная операция, частые осложнения и пожизненное наблюдение. Коллагеновый же имплант из свиной кожи выглядит без серьезных нежелательных явлений, с улучшением зрения. У нас в стране тоже делают коллагеновые импланты, короче поле не пустое.
Короче говоря эту новость я бы не списывал, но и не продавал как чудо. Сигнал здесь не в слове "рыба", а в другом: если такой каркас окажется стабилен и прозрачен уже в человеческом глазу, офтальмология получит не сенсацию, а редкую роскошь - дешевый и масштабируемый запасной путь там, где донорская роговица заканчивается. И это круто.
#Кератопротез #Роговица #Донор #Демчинский
В статье группы из Университета Гранады из чешуи нескольких видов рыб сделали прозрачные каркасы для роговицы; лучше всего выглядел вариант из карпа. У него были подходящие оптические и механические свойства, он поддерживал рост лимбальных эпителиальных клеток, а у кроликов после внутристромальной имплантации не показал явных признаков отторжения, воспаления или неоваскуляризации.
Важно и другое - это не первая альтернатива донорской роговице. Зубная кератопротеза остается вариантом для самых тяжелых, "сухих" и разрушенных глаз и умеет держаться годами, но цена у нее жесткая - многоэтапная операция, частые осложнения и пожизненное наблюдение. Коллагеновый же имплант из свиной кожи выглядит без серьезных нежелательных явлений, с улучшением зрения. У нас в стране тоже делают коллагеновые импланты, короче поле не пустое.
Короче говоря эту новость я бы не списывал, но и не продавал как чудо. Сигнал здесь не в слове "рыба", а в другом: если такой каркас окажется стабилен и прозрачен уже в человеческом глазу, офтальмология получит не сенсацию, а редкую роскошь - дешевый и масштабируемый запасной путь там, где донорская роговица заканчивается. И это круто.
#Кератопротез #Роговица #Донор #Демчинский
❤10👍9🏆3🤔1
Forwarded from Алёна Белогурова | Авторский канал
А мы тем временем принимаем регистрации на наш весенний Хакатон.
Если вы хотите в кросс-функциональных командах создать что-то ИИшное и нужное в медицине , то велком !
Из секретных новостей :
1. Питчинг проектов будет проходить вживую (!!) оффлайн в Сеченовке.
2. Сразу после питчинга будет награждение.
3. Подарки чумовые. Деньги, сертификаты, диагностики зрения, разнообразные мерчи, образовательные штуки и многое другое.
А самое главное - опыт.
4. Мы пригласим ребят из прошлого хакатона рассказать про жизнь из проектов после.
Если ты хочешь большего, чем просто быть среднестатистическим врачом - тогда тебе к нам 🫠🫶🏻🤗
Если вы хотите в кросс-функциональных командах создать что-то ИИшное и нужное в медицине , то велком !
Из секретных новостей :
1. Питчинг проектов будет проходить вживую (!!) оффлайн в Сеченовке.
2. Сразу после питчинга будет награждение.
3. Подарки чумовые. Деньги, сертификаты, диагностики зрения, разнообразные мерчи, образовательные штуки и многое другое.
А самое главное - опыт.
4. Мы пригласим ребят из прошлого хакатона рассказать про жизнь из проектов после.
Если ты хочешь большего, чем просто быть среднестатистическим врачом - тогда тебе к нам 🫠🫶🏻🤗
aspectum.tech
Хакатон "Медицина будущего 2.0. Неделя больших языковых моделей", 13-19 апреля, Онлайн
🔥6❤4⚡3❤🔥1👏1
Послеобраз, тот самый бледный след после просмотра сварки в этой вот работе превратили не в оптический феномен, а в точный инструмент 😃
Логика красивая, типа глаза делают быстрые саккады несколько раз в секунду, изображение на сетчатке постоянно сдвигается, но мир не распадается на дрожащие фрагменты. Значит, мозг очень быстро предсказывает последствия каждого движения глаза и склеивает сцену в устойчивую картинку. Именно эту задачу зрительной стабильности нейронаука разбирает уже много лет и кажется у меня уже была на обзоре похожая статья.
Эксперимент получился почти образцовым - участники сидели в полной темноте, сначала получали послеобраз от яркой вспышки, а потом переводили взгляд на новую точку, в то время как ученые копченые с помощью коротких световых проб и трекинга глаз измеряли, где человек субъективно видит этот след. Итог ощутимый: воспринимаемый сдвиг послеобраза почти всегда совпадал с реальным движением глаза, в среднем где-то на 94%. То есть система работает поразительно точно, просто с маленькой и устойчивой недооценкой.
Интересно, что эффект не сводится к простой зрительной подсказке после движения. По данным статьи, ни постсаккадическая обратная связь, ни адаптация самих саккад не убирали этот сдвиг. Ето хорошо ложится на идею эфферентной копии, типа внутренней копии моторной команды, по которой мозг заранее рассчитывает как должна измениться сцена. Послеобраз здесь особенно ценен потому, что он остается фиксированным на сетчатке и тем самым буквально подсвечивает механизм прогноза.
Как это может быть полезно для офтальмологов?
#Мозг #Исследование #Демчинский
Логика красивая, типа глаза делают быстрые саккады несколько раз в секунду, изображение на сетчатке постоянно сдвигается, но мир не распадается на дрожащие фрагменты. Значит, мозг очень быстро предсказывает последствия каждого движения глаза и склеивает сцену в устойчивую картинку. Именно эту задачу зрительной стабильности нейронаука разбирает уже много лет и кажется у меня уже была на обзоре похожая статья.
Эксперимент получился почти образцовым - участники сидели в полной темноте, сначала получали послеобраз от яркой вспышки, а потом переводили взгляд на новую точку, в то время как ученые копченые с помощью коротких световых проб и трекинга глаз измеряли, где человек субъективно видит этот след. Итог ощутимый: воспринимаемый сдвиг послеобраза почти всегда совпадал с реальным движением глаза, в среднем где-то на 94%. То есть система работает поразительно точно, просто с маленькой и устойчивой недооценкой.
Интересно, что эффект не сводится к простой зрительной подсказке после движения. По данным статьи, ни постсаккадическая обратная связь, ни адаптация самих саккад не убирали этот сдвиг. Ето хорошо ложится на идею эфферентной копии, типа внутренней копии моторной команды, по которой мозг заранее рассчитывает как должна измениться сцена. Послеобраз здесь особенно ценен потому, что он остается фиксированным на сетчатке и тем самым буквально подсвечивает механизм прогноза.
Как это может быть полезно для офтальмологов?
#Мозг #Исследование #Демчинский
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10💯2🍾2
Сочи, кэмп с-левел онли, никаких тупых барьеров и спорт https://southhub.ru/snowbase/. В офтальмологии тоже надо такое замутить как-нибудь с Aspectum 🙃
Рассказывал про бионику айти гигантам и какое в ней имеет значение LLM и "классический" ИИ, хотя казалось бы.
Рассказывал про бионику айти гигантам и какое в ней имеет значение LLM и "классический" ИИ, хотя казалось бы.
Please open Telegram to view this post
VIEW IN TELEGRAM
1👍10🔥7💘3
Я начал делиться своими знаниями и опытом в области больших языковых моделей на коммерческой основе. В реальности это получается лучше, чем можно было бы представить, потому что можно сократить 1-2 года самостоятельного изучения технологии в один или несколько часов, в зависимости от амбиций и ваших задач.
Мой фактически ежедневный опыт применения LLM в области медицины убедительно широк: от самообразования до инноваицонного предпринимательства. Поэтому отвечаю на самые разные вопросы применения LLM: везде, где есть буквы и цифры модели можно применить, но с разной степенью пользы.
Текущий оффер 10К за час консультации. Запись через личные сообщения @lidemka, определяем время и разбираем ваши вопросы (исключение: мои авторские промпты для медицинской визуализации).
Мой фактически ежедневный опыт применения LLM в области медицины убедительно широк: от самообразования до инноваицонного предпринимательства. Поэтому отвечаю на самые разные вопросы применения LLM: везде, где есть буквы и цифры модели можно применить, но с разной степенью пользы.
Текущий оффер 10К за час консультации. Запись через личные сообщения @lidemka, определяем время и разбираем ваши вопросы (исключение: мои авторские промпты для медицинской визуализации).
8❤13🔥9👾4👍3👌1
Клинический ИИ без магии
На arXiv вышел препринт про открытую офтальмологическую мультимодальную большую языковую модель (MLLM) на 2 млрд параметров: 86 965 пар “изображение-текст” из 26 569 статей, 26 929 размеченных примеров по 12 состояниям глаз и 913 клинических кейсов для более длинных сценариев. Веса и оценочный набор действительно опубликованы: VOLMO-2B, VOLMO-Evaluation-Data. На этом можно было бы и закончить в принципе, потому что я еще такого не видел, хорошо бы сравнить эту модель со своим глазным подорожником, короче крутая работа :)
Ну ладно, она все равно требует ревизии и комментариев, потому что авторы сами указывают на некоторые ограничения, о которых следует знать. Это пока научка, а не одобренный клинический софт - нужны дополнительные проверки в реальной практике, потому что, например, на скрининге модель показывает точность в 87%, а этого маловато.
Ценность этой работы не в заменяющем врача алгоритме, а в том, что это редкий для медицины открытый объект для репликации. VOLMO показывает переход из привычного всем “поверьте авторам” в “скачайте и проверьте”, а это дорогого стоит.
На arXiv вышел препринт про открытую офтальмологическую мультимодальную большую языковую модель (MLLM) на 2 млрд параметров: 86 965 пар “изображение-текст” из 26 569 статей, 26 929 размеченных примеров по 12 состояниям глаз и 913 клинических кейсов для более длинных сценариев. Веса и оценочный набор действительно опубликованы: VOLMO-2B, VOLMO-Evaluation-Data. На этом можно было бы и закончить в принципе, потому что я еще такого не видел, хорошо бы сравнить эту модель со своим глазным подорожником, короче крутая работа :)
Ну ладно, она все равно требует ревизии и комментариев, потому что авторы сами указывают на некоторые ограничения, о которых следует знать. Это пока научка, а не одобренный клинический софт - нужны дополнительные проверки в реальной практике, потому что, например, на скрининге модель показывает точность в 87%, а этого маловато.
Ценность этой работы не в заменяющем врача алгоритме, а в том, что это редкий для медицины открытый объект для репликации. VOLMO показывает переход из привычного всем “поверьте авторам” в “скачайте и проверьте”, а это дорогого стоит.
🔥5👍3🆒3
Ваш V1 не так уж прост
В нейро есть одна красивая теория, согласно которой мозг не просто видит, а заранее угадывает входящий сигнал. В новом исследовании появляется местами неудобные ответы, типа угадывает, но по-разному в разных зонах зрения и вот это действительно интересно. Авторы взяли 7-тесловую фМРТ восьми людей на массиве из 73 000 естественных изображений и сравнили ответы V1-V4 зон зрительной коры с тем, насколько хорошо генеративная модель дорисовывала скрытый фрагмент сцены по окружению.
Короче, в центре взгляда ранняя кора V1 сильнее чувствительна к низкоуровневой непредсказуемости, а более поздние зоны - к все более абстрактной. Но рядом с центром взгляда, где сигнал грубее, эффект становился сильнее, и даже V1 смещался к высокоуровневым прогнозам. Если проще, то прежний спор, где одни видели иерархию предсказаний, а другие - почти сплошную высокоуровневую ошибку даже в V1, может оказаться спором о разных режимах зрения, а не о победителе. Чем-то напоминает мне школы аккомодации, которые друг с другом спорили во времена моего академического обучения...
Слабая сторона работы пока что в том, что всего восемь участников и используется косвенная гемодинамическая мера активности фМРТ. Тут еще прибавить сверху неданюю работу про фМРТ, в которой мы неправильно ее интерпретируем, но я в эти дебри уже не влезу.
В общем удобные теории учебников все чаще сыпятся о реальность, в которых мозг для зрения это не коробка передач, а одна кнопка "как предсказать мир", и это прекрасно. Остается ждать прямых нейрофизиологических подтверждений или опровержений, но текущий эксперимент мне нравится с точки зрения зрительного протезирования, потому что он объясняет некоторые феномены, которые уже описаны в работах, где импланты ставили.
#Мозг #ELVISV #Демчинский
В нейро есть одна красивая теория, согласно которой мозг не просто видит, а заранее угадывает входящий сигнал. В новом исследовании появляется местами неудобные ответы, типа угадывает, но по-разному в разных зонах зрения и вот это действительно интересно. Авторы взяли 7-тесловую фМРТ восьми людей на массиве из 73 000 естественных изображений и сравнили ответы V1-V4 зон зрительной коры с тем, насколько хорошо генеративная модель дорисовывала скрытый фрагмент сцены по окружению.
Короче, в центре взгляда ранняя кора V1 сильнее чувствительна к низкоуровневой непредсказуемости, а более поздние зоны - к все более абстрактной. Но рядом с центром взгляда, где сигнал грубее, эффект становился сильнее, и даже V1 смещался к высокоуровневым прогнозам. Если проще, то прежний спор, где одни видели иерархию предсказаний, а другие - почти сплошную высокоуровневую ошибку даже в V1, может оказаться спором о разных режимах зрения, а не о победителе. Чем-то напоминает мне школы аккомодации, которые друг с другом спорили во времена моего академического обучения...
Слабая сторона работы пока что в том, что всего восемь участников и используется косвенная гемодинамическая мера активности фМРТ. Тут еще прибавить сверху неданюю работу про фМРТ, в которой мы неправильно ее интерпретируем, но я в эти дебри уже не влезу.
В общем удобные теории учебников все чаще сыпятся о реальность, в которых мозг для зрения это не коробка передач, а одна кнопка "как предсказать мир", и это прекрасно. Остается ждать прямых нейрофизиологических подтверждений или опровержений, но текущий эксперимент мне нравится с точки зрения зрительного протезирования, потому что он объясняет некоторые феномены, которые уже описаны в работах, где импланты ставили.
#Мозг #ELVISV #Демчинский
🔥6🏆1
Forwarded from Концерн ИИ Z-union | Блог основателей
Слышали новость про первую автономную клинику без врачей? 🤖
Основатель сервиса Spotify запустил в Европе (https://www.nekohealth.com/gb/en) такую клинику. Все на базе автономных ИИ-систем/ИИ-агентов и систем поддержки принятия врачебных решений. В основе - целая сеть диагностических систем и цифровых ИИ-решений.
Честно?
Мы грезим этой идеей. И целимся на схожие бизнес модели и процессы, но уже здесь - в России. По сути это физическое воплощение всего нашего медицинского направления - Z-med. Мы по мозаикам создаем свою автономную клинику по своему спектру нозологий. И чтобы лучше понимать все медицинские процессы и получить качественную обратную связь на имеющийся спектр ИИ-решений в медицинском секторе - мы разрабатываем и проводим свои образовательные программы. Практико-ориентированные программы.
Сама свежая.вот https://alrii.ru/med_ai
Я сам там лично (Роберт Васильев) и целая масса наших партнеров и коллег - спикеры программы. Это действующие основатели компаний-разработчиков ИИ-систем с полученными регистрационными удостоверениями, это действующие регуляторы рынка с федерального Минздрава и Росздравнадзора и тд.
По сути, готовя этот курс и его проводя - мы проводим разведку боем, чтобы реализовать свою глобальную цель. Создать специализированных сертифицированных медицинских ассистентов по разным заболеваниям, которые в комбинации будут из себя представлять автономную клинику на базе ИИ. Приглашаем вас быть причастным к этому. Своим словом, временем и содействием
Делимся небольшим роликом о текущей практико-образовательной сессии-программе
Основатель сервиса Spotify запустил в Европе (https://www.nekohealth.com/gb/en) такую клинику. Все на базе автономных ИИ-систем/ИИ-агентов и систем поддержки принятия врачебных решений. В основе - целая сеть диагностических систем и цифровых ИИ-решений.
Честно?
Мы грезим этой идеей. И целимся на схожие бизнес модели и процессы, но уже здесь - в России. По сути это физическое воплощение всего нашего медицинского направления - Z-med. Мы по мозаикам создаем свою автономную клинику по своему спектру нозологий. И чтобы лучше понимать все медицинские процессы и получить качественную обратную связь на имеющийся спектр ИИ-решений в медицинском секторе - мы разрабатываем и проводим свои образовательные программы. Практико-ориентированные программы.
Сама свежая.вот https://alrii.ru/med_ai
Я сам там лично (Роберт Васильев) и целая масса наших партнеров и коллег - спикеры программы. Это действующие основатели компаний-разработчиков ИИ-систем с полученными регистрационными удостоверениями, это действующие регуляторы рынка с федерального Минздрава и Росздравнадзора и тд.
По сути, готовя этот курс и его проводя - мы проводим разведку боем, чтобы реализовать свою глобальную цель. Создать специализированных сертифицированных медицинских ассистентов по разным заболеваниям, которые в комбинации будут из себя представлять автономную клинику на базе ИИ. Приглашаем вас быть причастным к этому. Своим словом, временем и содействием
Делимся небольшим роликом о текущей практико-образовательной сессии-программе
zmed.z-union.ru
Анализ медицинских и лабораторных данных ИИ | Z-union
Разрабатываем, обучаем и внедряем медицинский ИИ
1🔥4❤3🏆2
Forwarded from Всеволод Викулин | AI разбор
Учёные создали AI, который экономит страховщикам 2,42 секунды. И тут я не выдержал
Разговоров про ИИ много — выхлопа мало. И все уже начинают от этого уставать. Gartner прогнозирует, что более 40% проектов с ИИ-агентами закроются к 2027 году — из-за раздутых ожиданий и банального непонимания, нужен ли там вообще агент.
На днях я наткнулся на статью, гдебританские ученые создали «умного» чат-бота для страховых агентов. Он экономит 2.5 секунды на запрос. Две. Секунды. С половиной. Авторы называют это «трансформацией страховой индустрии». У меня накипело. Давайте сейчас разберёмся, кто виноват и что делать.
AI-помощник в каждый дом
Все просто обожают внедрять AI-помощников. Есть человек, он что-то делает, а ему ещё AI помогает. Допустим даже, что человек рад этой помощи. Но делает человек. AI может суммаризовать встречу, подсказать текст письма, поискать в интернете. Но делает человек. Эта схема очень удобная, потому что не растит риски. Человек сам отвечает за свое делание. Ошибся — сам дурак, AI не при делах.
Если AI помогает непрерывно во всём рабочем потоке — это может быть полезно. Но чаще всего делают решение для какой-нибудь микро-пуська-задачи. Вот в той самой статье про помощника страховщика бот решал задачу — поиск информации — и ускорял её на 2,4 секунды. Пусть у страховщика даже сотня таких поисков в день — это плюс 4 минуты. Его лучшие 4 минуты за рабочий день!
Я знаю один успешный кейс связки агента и человека: разработка. Он успешный потому, что человек и агент работают в одном интерфейсе непрерывно, делают всю работу вместе. Разработчик не скидывает агенту одну микро-задачу — они пишут код бок о бок, весь день, на каждом этапе. AI видит контекст, понимает, что происходит, и помогает не на 2 секунды, а постоянно. Только так работает.
Нужно поднимать ставки
Важно понять. Основная польза агента — не в качестве одного конкретного ответа. Как бы качественно ты ни суммаризовал совещания, эффект будет ограниченным. Настоящая ценность агента — в принятии решений. И чем больше решений агент принимает сам, тем больше операционной нагрузки он снимает с человека.
Это сразу поднимает ставки. Агент начинает отвечать за часть бизнес-процесса. Естественно, он может ошибиться. Но мы и не перепроверяем каждое его действие человеком — мы вводим правила контроля. Всё как с людьми: вы же не проверяете каждое решение сотрудника, но при этом контролируете, как он справляется.
Как контролировать агентов
Самое главное: не пытайтесь оптимизировать сразу все важные бизнес-процессы. Не получится, и вы только расстроитесь. Возьмите один — самый простой, самый понятный — и полностью перестройте его на AI-агентах. Так вы снимете главный риск: откусить больше, чем можете прожевать.
Помимо этого, есть методы локального контроля:
- метрики качества и observability, чтобы наблюдать, что всё ок (см. пост)
- guardrails — проверка ответов другой моделью (см. кейс)
- human-in-the-loop — подключение человека в определённых случаях (см. статью).
- контроль доступов, чтобы агент не лез куда не надо (см. статью)
Взяли один бизнес-процесс, перестроили его, обвешались системами контроля — работает. Выдохнули, пошли делать следующий. Вся инфраструктура при этом полностью переиспользуется.
Резюме
Есть два мира:
Первый — пластмассовый мир AI-пилотов. В нём миллион внедрений, каждое оптимизирует что-то нерискованное, всё красиво отрисовано на слайдах, но никто не может честно сказать, что понимает, зачем это нужно.
Второй — мир риска, пота и реальных денег. В нём мы берём реально важный для компании процесс, перестраиваем его и обвешиваем контролем, чтобы быть уверенными, что всё работает. Вытираем пот, собираем деньги и идём оптимизировать следующий. Шаг за шагом.
Я выбрал второй мир. Предлагаю вам присоединиться ко мне — работы там ещё очень много.
Разговоров про ИИ много — выхлопа мало. И все уже начинают от этого уставать. Gartner прогнозирует, что более 40% проектов с ИИ-агентами закроются к 2027 году — из-за раздутых ожиданий и банального непонимания, нужен ли там вообще агент.
На днях я наткнулся на статью, где
AI-помощник в каждый дом
Все просто обожают внедрять AI-помощников. Есть человек, он что-то делает, а ему ещё AI помогает. Допустим даже, что человек рад этой помощи. Но делает человек. AI может суммаризовать встречу, подсказать текст письма, поискать в интернете. Но делает человек. Эта схема очень удобная, потому что не растит риски. Человек сам отвечает за свое делание. Ошибся — сам дурак, AI не при делах.
Если AI помогает непрерывно во всём рабочем потоке — это может быть полезно. Но чаще всего делают решение для какой-нибудь микро-пуська-задачи. Вот в той самой статье про помощника страховщика бот решал задачу — поиск информации — и ускорял её на 2,4 секунды. Пусть у страховщика даже сотня таких поисков в день — это плюс 4 минуты. Его лучшие 4 минуты за рабочий день!
Я знаю один успешный кейс связки агента и человека: разработка. Он успешный потому, что человек и агент работают в одном интерфейсе непрерывно, делают всю работу вместе. Разработчик не скидывает агенту одну микро-задачу — они пишут код бок о бок, весь день, на каждом этапе. AI видит контекст, понимает, что происходит, и помогает не на 2 секунды, а постоянно. Только так работает.
Нужно поднимать ставки
Важно понять. Основная польза агента — не в качестве одного конкретного ответа. Как бы качественно ты ни суммаризовал совещания, эффект будет ограниченным. Настоящая ценность агента — в принятии решений. И чем больше решений агент принимает сам, тем больше операционной нагрузки он снимает с человека.
Это сразу поднимает ставки. Агент начинает отвечать за часть бизнес-процесса. Естественно, он может ошибиться. Но мы и не перепроверяем каждое его действие человеком — мы вводим правила контроля. Всё как с людьми: вы же не проверяете каждое решение сотрудника, но при этом контролируете, как он справляется.
Как контролировать агентов
Самое главное: не пытайтесь оптимизировать сразу все важные бизнес-процессы. Не получится, и вы только расстроитесь. Возьмите один — самый простой, самый понятный — и полностью перестройте его на AI-агентах. Так вы снимете главный риск: откусить больше, чем можете прожевать.
Помимо этого, есть методы локального контроля:
- метрики качества и observability, чтобы наблюдать, что всё ок (см. пост)
- guardrails — проверка ответов другой моделью (см. кейс)
- human-in-the-loop — подключение человека в определённых случаях (см. статью).
- контроль доступов, чтобы агент не лез куда не надо (см. статью)
Взяли один бизнес-процесс, перестроили его, обвешались системами контроля — работает. Выдохнули, пошли делать следующий. Вся инфраструктура при этом полностью переиспользуется.
Резюме
Есть два мира:
Первый — пластмассовый мир AI-пилотов. В нём миллион внедрений, каждое оптимизирует что-то нерискованное, всё красиво отрисовано на слайдах, но никто не может честно сказать, что понимает, зачем это нужно.
Второй — мир риска, пота и реальных денег. В нём мы берём реально важный для компании процесс, перестраиваем его и обвешиваем контролем, чтобы быть уверенными, что всё работает. Вытираем пот, собираем деньги и идём оптимизировать следующий. Шаг за шагом.
Я выбрал второй мир. Предлагаю вам присоединиться ко мне — работы там ещё очень много.
❤8👍3🏆1
Forwarded from Архитектор Данных
Анонс!
Уже очень скоро в очередном выпуске «Разговоров на Архитекторском» нас снова ждут уникальная тема и уникальный гости!
На SnowBase можно встретить удивительных людей из неожиданных (для себя) отраслей человеческой мысли. Вот и мне повезло познакомиться с такой интересной темой как нейроимпланты. Ее-то мы и обсудим на 4-м выпуске «Разговоров»!
Гости - Директор по Науке Андрей Демчинский и Директор по Развитию Никита Булдаков из компании Нейроимпланты Элвис. Мы конечно же поговорим про интерфейсы человек-компьютер, о том, когда мы сможем управлять дронами и машиной силой мысли. Затронем и такие «житейские» темы как применение современных ИИ в медтехнике.
В Четверг 9-го апреля в 18:00 настраивайте ваши приемники на нашу волну!
В комментариях задавайте вопросы про миры Призрака в Доспехах и Бегущего по Лезвию.
Ссылка для подключения будет в день стрима. Или напишите + в комменты - отправлю лично!
Уже очень скоро в очередном выпуске «Разговоров на Архитекторском» нас снова ждут уникальная тема и уникальный гости!
На SnowBase можно встретить удивительных людей из неожиданных (для себя) отраслей человеческой мысли. Вот и мне повезло познакомиться с такой интересной темой как нейроимпланты. Ее-то мы и обсудим на 4-м выпуске «Разговоров»!
Гости - Директор по Науке Андрей Демчинский и Директор по Развитию Никита Булдаков из компании Нейроимпланты Элвис. Мы конечно же поговорим про интерфейсы человек-компьютер, о том, когда мы сможем управлять дронами и машиной силой мысли. Затронем и такие «житейские» темы как применение современных ИИ в медтехнике.
В Четверг 9-го апреля в 18:00 настраивайте ваши приемники на нашу волну!
В комментариях задавайте вопросы про миры Призрака в Доспехах и Бегущего по Лезвию.
Ссылка для подключения будет в день стрима. Или напишите + в комменты - отправлю лично!
❤9🔥5🏆1
Новый ассистент для старой проблемы
Знаете, меня бывает опечалевает, когда уверенно подменяют корреляты и факторы риска на реальные механизмы. Такие типа люди-GPT, которые уверенно что-то врут, может даже сами не подозревая, а может я тоже так делаю😃
Теперь у вас есть проверялка круче гугла и обычного вопроса в GPT. Она не маскирует пробелы умными словами и не додумывает недостающее звено ради красивого ответа, как это любят делать языковые модели. Если в логике есть дыра, он так и скажет, а если данные слабые, устаревшие или вообще сомнительные, то он и это отметит. Результат меня устраивает🤌
Называется "НУ ПОЧЕМУ?!"😂
https://chatgpt.com/g/g-69d4b2e33bb081919d1acd3bb49e7b10-nu-pochemu
Знаете, меня бывает опечалевает, когда уверенно подменяют корреляты и факторы риска на реальные механизмы. Такие типа люди-GPT, которые уверенно что-то врут, может даже сами не подозревая, а может я тоже так делаю
Теперь у вас есть проверялка круче гугла и обычного вопроса в GPT. Она не маскирует пробелы умными словами и не додумывает недостающее звено ради красивого ответа, как это любят делать языковые модели. Если в логике есть дыра, он так и скажет, а если данные слабые, устаревшие или вообще сомнительные, то он и это отметит. Результат меня устраивает
Называется "НУ ПОЧЕМУ?!"
https://chatgpt.com/g/g-69d4b2e33bb081919d1acd3bb49e7b10-nu-pochemu
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7🔥6❤4
Сильная работа - ученые копченые сделали около 20К органоидов с фоторецепторами, чтобы понять, какие вещества убивают колбочки, а какие помогают им пережить стресс.
Что делали
Моделировали для колбочек “голодание” и проганяли через систему из 2707 соединений с известными мишенями. Выяснилось, что часть веществ для колбочек откровенно токсична, особенно широкий класс HDAC I/II ингибиторов. Но нашлись и защитные ходы: особенно интересно выглядело торможение CK1, которое помогало фоторецепторам выживать.
Знаю, нефига не понятные наборы букв, но важно то, что вторым этапом тему проверяли уже на грызунах и дополнительными ингибиторами, генетическим подавлением мишени, моделью окислительного стресса и дегенерации сетчатки. То есть это уже не просто биологическая картинка, а вполне рабочий намек на путь к нейропротекции.
Короче в чем прикол работы: она не дает готовое лекарство завтра утром, но дает "карту местности". Для офтальмологии это ценно и как поиск терапии, и как ранняя проверка ретинальной токсичности.
#Сетчатка #Исслеования #Фундаменталка #Демчинский
Что делали
Моделировали для колбочек “голодание” и проганяли через систему из 2707 соединений с известными мишенями. Выяснилось, что часть веществ для колбочек откровенно токсична, особенно широкий класс HDAC I/II ингибиторов. Но нашлись и защитные ходы: особенно интересно выглядело торможение CK1, которое помогало фоторецепторам выживать.
Знаю, нефига не понятные наборы букв, но важно то, что вторым этапом тему проверяли уже на грызунах и дополнительными ингибиторами, генетическим подавлением мишени, моделью окислительного стресса и дегенерации сетчатки. То есть это уже не просто биологическая картинка, а вполне рабочий намек на путь к нейропротекции.
Короче в чем прикол работы: она не дает готовое лекарство завтра утром, но дает "карту местности". Для офтальмологии это ценно и как поиск терапии, и как ранняя проверка ретинальной токсичности.
#Сетчатка #Исслеования #Фундаменталка #Демчинский
❤8🔥7🏆1