Obecną falę zainteresowania AI zawdzięczamy głównie dużym modelom językowym (z ang. large language models – LLM), o których zrobiło się głośno po pojawieniu się ChatGPT w 2022 r. Potrafi on programować, tłumaczyć teksty na dowolny język, planować podróże, generować grafiki, rozwiązywać równania matematyczne czy streszczać fabuły książek. W swojej erudycji jest jednak tylko tak mądry, jak mądre są ogólnodostępne treści w Internecie, które wcześniej „przeczytał”. Przy zadaniach dla bardziej zaawansowanych zarówno ten, jak i inne LLM-y zaczynają robić uniki albo odpływają w halucynacje. To jeden z powodów, dla których eksperci spodziewają się, że niebawem szczyt możliwości AI wyznaczać będzie już nie funkcjonalność chatbotów do wszystkiego, a to, co potrafią wyspecjalizowane narzędzia, w których sztuczna inteligencja bazuje na pracy naukowców. – Jako kraj próbujemy dołączyć do wyścigu AI, budując własne LLM-y. To cenne inicjatywy, jednak w tej konkurencji dysponujemy ograniczonymi zasobami, które nie pozwalają na bezpośrednią rywalizację z takimi potęgami, jak USA czy Chiny. Możemy za to z powodzeniem tworzyć wyspecjalizowanych agentów AI, w oparciu o badania dziedzinowe prowadzone na naszych uczelniach i pozyskiwane w baniach dane – zauważa dr hab. inż. Marcin Luckner, kierownik prac deweloperskich w projekcie Xlungs z Politechniki Warszawskiej. 

Deloitte w opublikowanym na koniec 2024 r. raporcie „The State of Generative AI in the Enterprise” stwierdza, że tempo rozwoju generatywnej AI zbliża się do „ograniczenia prędkości” ze względu na bariery technologiczne i instytucjonalne. Jednocześnie raport zwraca uwagę, że szybko przybywa agentów AI, czyli małych systemów wyspecjalizowanych w autonomicznym wykonywaniu serii konkretnych zadań. – Przykładem wyspecjalizowanego podejścia jest nasz projekt Xlungs. Narzędzie zbudowane przy współpracy radiologów i inżynierów w celu analizy obrazów tomografii komputerowej płuc wyuczone zostało tylko przy użyciu danych medycznych, więc nie może rozpoznawać twarzy czy generować dowolnych rysunków. To, do czego zostało jednak stworzone, a więc segmentacja organów i rozpoznawanie występujących na nich anomalii, wykonuje lepiej niż ogólny model – ocenia dr hab. inż. Marcin Luckner.

Zdrowie kluczowym obszarem dla specjalistycznej AI

Pod koniec 2023 r. badacze z Long Island University w USA poprosili ChatGPT o rozwiązanie 39 zagadnień medycznych opartych na prawdziwych sytuacjach, z którymi stykają się pracownicy ochrony zdrowia,. Następnie diagnozy AI zweryfikowali uniwersyteccy naukowcy. Stwierdzili, że tylko w 10 przypadkach GPT rozwiązało zadanie prawidłowo, zaś odpowiedzi na pozostałe zagadnienia były niepełne, niedokładne lub były próbą ominięcia pytania. Wyniki mogą niepokoić w związku z pojawieniem się zjawiska „autodiagnozowania się” za pomocą LLM-ów, które stało się kontynuacją „dr. Google”, czyli wpisywania objawów w wyszukiwarkę, by uzyskać „poradę” czy „diagnozę”. Jednocześnie przybywa doniesień, że z pomocy AI korzystają również lekarze.

Przykład eksperckiej medycznej AI z Politechniki Warszawskiej

Platforma Xlungs, która należy do grona narzędzi wyspecjalizowanych w jednym wycinku wiedzy, powstała w oparciu o zupełnie inną filozofię trenowania AI. Naukowcy z zespołu Politechniki Warszawskiej nawiązali współpracę z Dziecięcym Szpitalem Klinicznym w Warszawie i Polską Grupą Raka Płuca (PGRP), w ramach której uzyskali dostęp do ok. 40 tys. płyt CD z tomografii komputerowej polskich pacjentów z lat 2010-2018, m.in. z badań przesiewowych w kierunku raka płuca. Wykorzystali je do przeprowadzenia treningu AI, tworząc model oparty na największej na świecie – 40 TB – bazie zdjęć klatki piersiowej. Zespół MI².AI pracował nad jego stworzeniem przez trzy lata, a zaangażowane do tego zadania procesory potrzebowały ponad 180 tys. godzin obliczeń. Realizacja projektu była możliwa dzięki finansowaniu przez NCBR w ramach konkursu INFOSTRATEG I. – Nie skreślałbym zupełnie możliwości wykorzystania ogólnych LLM-ów w ochronie zdrowia, ale prawdziwym wsparciem lekarzy w niedalekiej przyszłości będą małe i dedykowane rozwiązania oparte na wiedzy znacznie głębszej niż można pozyskać z Internetu. Narzędzia takie mają dodatkowe zalety – są na tyle małe, że można je uruchomić na istniejących serwerach szpitali lub dostawców usług. Nie wymaga to budowania nowych centrów danych za kilka miliardów dolarów ani nowych elektrowni, które je zasilą – zauważa Przemysław Biecek, kierownik projektu i lider zespołu MI2.AI.