Что на дашборде у врача? Показывает Webiomed

В последнее время популярность и проникновение искусственного интеллекта (ИИ) и машинного обучения (machine learning, ML) в различные бизнес-процессы активно растет.

Однако использованию ИИ в бизнес-процессах сопутствует довольно значимый стоп-фактор: чтобы эффективно пользоваться ML-алгоритмами для решения задач, требуется быть специалистом в сфере ML и ИИ. Эту проблему сейчас пытаются решить различными способами. Например, в Корнелльском университете в США разрабатывается платформа с подходом «трансферного обучения» (transfer learning), позволяющим использовать алгоритмы ML людям без специальных навыков. А дата-сайентист из KPMG Germany Филип Фоллет (Philip Vollet), в свою очередь, говорит о новом заметном тренде — развитии сегмента интерфейсов для машинного обучения (MLGUI, machine learning graphical user interface).

ICT.Moscow попытался разобраться, стоит ли сфера ИИ на пороге переломного момента, когда благодаря подобным специализированным интерфейсам ML действительно станет общедоступным инструментом и не будет требовать глубоких профильных знаний. Этот вопрос ICT.Moscow обсудил с ведущим автором научной статьи о «трансферном обучении» из Корнелльского университета Свати Мишрой, с российскими ML-разработчиками из Яндекса, Сбербанка, консалтинговой компании GlowByte и др. А разработчики, чьи решения сертифицированы для применения в системе здравоохранения России (в сфере, где ИИ является наиболее востребованным), рассказали о своей специфике применения и работы с ML-интерфейсами.

«Здравоохранение —важная область. Проведение крупномасштабных испытаний новых лекарств и вакцин, безусловно, может быть ускорено с помощью машинного обучения с участием человека. Соответственно, необходимо сделать ИИ доступным для профессионалов в этих областях», — говорит Свати Мишра из Корнелльского университета.

Однако необходимо принимать во внимание и тот факт, что в медицине принимаются критически важные решения, от которых могут зависеть жизни. Соответственно, понятность и прозрачность работы алгоритмов машинного обучения играют важную роль. Как это работает на примере  Webiomed поведал Владимир Борисов, руководитель направления разработки прогнозных моделей этого сервиса:

«С нашим сервисом работают врачи, поэтому без понятного графического интерфейса тут не обойтись. Его отсутствие — однозначно стоп-фактор, без которого внедрение моделей было бы невозможно. Мы не пользуемся готовыми дашбордами, у нас собственный веб-интерфейс. Его сложнее поддерживать, но зато он более гибкий, если нужно добавить какой-то нестандартный функционал. Самое главное — чтобы врач мог без труда понять, что происходит и какие значения что значат».

Владимир Борисов показал несколько примеров интерфейса системы Webiomed, с которым работают врачи.


Страница оценки обезличенного пациента по его анализам. То, что видят врачи при работе с системой. Источник: Webiomed

 

Пример страницы для работы с моделями распознавания текста. Источник: Webiomed