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).

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.

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

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

Разумненько

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, где британские 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.

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

Фотик для офтальмологов!

Господа офтальмологи, которые пользуются дроидами, представляю вам первый рабочий прототип приложения, которое я собрал для того, чтобы было проще фотографировать различные участки глаза.

Логика очень простая: справа есть готовые настройки с разной яркостью, цветностью и другими штуками, которые можно увидеть в настройках. Нужен срез роговицы - жмякнул кнопочку и тут же настройки выстроились как надо, срез видно четко. Сетчатка - другие настройки. Передний отрезок - еще одни.

Сейчас вы вольны сами настраивать как вашей душе угодно, потом в готовой версии будут только готовые пресеты и никаких настроек. Поэтому попробуйте и я буду ждать от вас обратной связи. Мне надо попасть в офтальмологический кабинет и создать нужные настройки.

Установочный файл смотрите в комментариях.