Что нужно, чтобы подготовить фармацевтические данные для ИИ

Марчин Дубель, руководитель технологического отдела Appsilon, побеседовал с архитектором ИИ Якубом Васалой о том, что на самом деле нужно, чтобы сделать фармацевтические данные пригодными для использования ИИ. Речь идёт не о демо-версии, где вы указываете модели на папку и надеетесь на лучшее, а о работе, которая происходит до того, как всё это окупится. Они обсуждают, почему так много проектов ИИ застревают на ранних этапах (обычно отсутствует основа данных), как векторные базы данных и семантический поиск позволяют искать информацию в куче документов за считанные секунды, и почему предоставление агенту доступа ко всем вашим файлам обычно приводит к обратному результату. Они также затрагивают вопрос о том, почему оценка и наблюдаемость должны быть частью системы с самого первого дня, а не чем-то, что добавляется после того, как пользователи начинают жаловаться на поломки. Один совет, который стоит позаимствовать: прежде чем писать какой-либо код, спросите людей, на какие вопросы они действительно хотят получить ответы от системы. Это обычно показывает, какая работа должна быть проделана в первую очередь. Если вы работаете с фармацевтическими данными, занимаетесь разработкой платформ или вы тот человек, которого все постоянно просят «добавить немного ИИ», то здесь вы найдёте что-то полезное для себя. Упомянутые в беседе: Саммит по валидированному ИИ для фармацевтической отрасли: https://www.appsilon.com/validated-ai... Передовые шаблоны для экономичной и быстрой разработки с использованием Copilot, Claude Code или Codex: https://www.appsilon.com/post/advance... Подробнее об Appsilon: https://www.appsilon.com #PharmaAI #ClinicalData #RAG #DataEngineering