Start z polskim AI. Od pomysłu do wdrożenia #Proassist

Start z polskim AI to cykl rozmów, którego celem jest przedstawienie doświadczeń związanych z polskimi modelami językowymi AI oraz praktykami firm i instytucji we wdrażaniu tych rozwiązań. Zapraszamy do rozmowy z Maciejem Wyleciałem, Team Leaderem AI/ML w firmie Proassist.

Mają Państwo w swojej ofercie produkt o nazwie Rejestratorka Paulina. Skąd zrodził się pomysł na stworzenie tego rozwiązania? Jakie potrzeby biznesowe i wyzwania klientów chcieli Państwo rozwiązać, projektując właśnie tę rejestratorkę?

Sam pomysł zrodził się z bardzo praktycznego problemu, który na co dzień obserwujemy w placówkach medycznych. Jako ProAssist tworzymy oprogramowanie dla gabinetów i przychodni, obsługujemy m.in. rejestrację wizyt, dokumentację medyczną czy wystawianie recept. Prowadzimy również własną usługę rejestracji telefonicznej, dzięki czemu dobrze znamy wyzwania, z jakimi mierzą się placówki.

Zauważyliśmy, że pacjenci chcą bardzo szybko uzyskać informacje albo umówić wizytę, natomiast rejestracja jest często przeciążona telefonami z powtarzalnymi pytaniami. Jednocześnie rejestratorki muszą obsługiwać wiele kanałów kontaktu i nierzadko kilka placówek jednocześnie. Pytania dotyczą bardzo różnych tematów – od godzin otwarcia, przez dostępność lekarzy, aż po kwestie organizacyjne.

Dlatego postanowiliśmy stworzyć rozwiązanie, które zwiększy dostępność placówki, nie obniżając przy tym jakości obsługi. Początkowo skupiliśmy się wyłącznie na rejestracji i udzielaniu podstawowych informacji. Szybko jednak okazało się, że pacjent potrzebuje czegoś więcej niż prostego formularza czy chatbota odpowiadającego na pytania z FAQ.

Pacjent chce prowadzić rozmowę. Chce dopytać o konkretnego lekarza, usługę, dostępne terminy, ceny, zasady przygotowania do wizyty, lokalizację placówki czy choćby o to, gdzie można zaparkować. To z pozoru proste pytania, ale właśnie one najczęściej pojawiają się w codziennym kontakcie z pacjentami i najlepiej wychodzą podczas wdrożeń oraz pilotaży.

Dlatego Paulina od samego początku była projektowana jako cyfrowa rejestratorka. Dziś jednak coraz częściej mówimy o niej jako o asystentce obsługi pacjenta, ponieważ jej rola znacznie wykracza poza samo umawianie wizyt.

Jej głównym zadaniem jest odciążenie personelu od powtarzalnych czynności i umożliwienie pacjentom kontaktu w dogodnym dla nich momencie. Paulina jest dostępna 24 godziny na dobę, 7 dni w tygodniu, wystarczy wejść na stronę internetową placówki i można uzyskać potrzebne informacje lub załatwić swoją sprawę, bez konieczności czekania na godziny pracy rejestracji.

Rejestratorka jest głównie oparta na modelu Bielik. Co przesądziło w wyborze akurat tego modelu zamiast innych rynkowych rozwiązań?

W naszym przypadku kluczowe było to, że obsługujemy przede wszystkim polskich pacjentów i polskie placówki medyczne. To bardzo specyficzny kontekst językowy. W rejestracji medycznej język nie jest neutralny – pacjenci piszą skrótowo, potocznie, często popełniają błędy, używają nazw usług, nazwisk lekarzy, specjalizacji czy lokalnych określeń. Do tego dochodzą pytania, które rzadko są formułowane w sposób „książkowy”.

Dlatego uniwersalne modele językowe, trenowane na wielu językach i bardzo szerokim zakresie zastosowań, nie zawsze radzą sobie z takim kontekstem wystarczająco dobrze. Są projektowane do wielu zadań jednocześnie, a ich dostrojenie do bardzo konkretnego przypadku użycia – zwłaszcza modeli udostępnianych przez API,nie jest ani proste, ani elastyczne.

Nam zależało na modelu, który dobrze rozumie język polski, jego fleksję, odmianę, kontekst kulturowy i naturalny sposób, w jaki pacjenci zadają pytania.
Dlatego Bielik okazał się dla nas bardzo interesującym wyborem. Jest rozwijany z myślą o języku polskim i lokalnych zastosowaniach, a jednocześnie daje możliwość pracy w pełni kontrolowanym środowisku. W naszym przypadku cały system działa on-premise, co ma duże znaczenie zarówno z perspektywy bezpieczeństwa, jak i możliwości dalszego rozwoju rozwiązania.

Jednocześnie model językowy nie jest u nas jedynym elementem całego systemu. To tylko jeden z komponentów większej architektury. Łączymy go z mechanizmami RAG, autorskim systemem analizy intencji użytkownika, bazą wiedzy dotyczącą konkretnych placówek oraz dodatkowymi mechanizmami kontroli i bezpieczeństwa.
To właśnie połączenie tych elementów pozwala osiągnąć jakość odpowiedzi, której, naszym zdaniem – nie udałoby się uzyskać, opierając się wyłącznie na zewnętrznym API, nawet przy wykorzystaniu dodatkowych narzędzi czy kolejnych komponentów.

A jak wyglądał ten proces budowy tego rozwiązania i wdrożenia od strony technologicznej? Czy były jakieś wyzwania, które to był najtrudniejszy?

Podczas budowy naszego rozwiązania nie polegało to na prostym podłączeniu modelu językowego i pozwoleniu mu na generowanie odpowiedzi czy wykorzystaniu wyłącznie mechanizmu RAG. W branży medycznej byłoby to po prostu zbyt ryzykowne. Od samego początku projektowaliśmy cały system warstwowo.
Jedną z tych warstw są modele językowe. Co istotne, nie korzystamy z jednego modelu, ale z kilku wersji opartych na Bieliku. Ze względu na charakter rozwiązania nie mogę wchodzić w szczegóły techniczne, natomiast wszystkie wykorzystywane przez nas modele bazują właśnie na Bieliku.

Kolejne warstwy odpowiadają za wyszukiwanie informacji, analizę intencji pacjenta, obsługę procesu rejestracji, zarządzanie kontekstem rozmowy oraz mechanizmy bezpieczeństwa i kontroli odpowiedzi.

Dzięki temu Paulina nie jest jedynie rozmownym chatbotem. To system, który rozumie cel prowadzonej rozmowy, potrafi przeprowadzić pacjenta przez konkretny proces i jednocześnie wie, w jakich granicach powinien działać oraz jakich odpowiedzi może udzielić.

Największym wyzwaniem było połączenie technologii z rzeczywistymi procesami funkcjonującymi w placówkach medycznych. Każda z nich działa trochę inaczej – ma własne zasady rejestracji, wyjątki, ofertę usług, zespół lekarzy, grafiki oraz informacje organizacyjne przekazywane pacjentom przed wizytą. Różnią się również sposobem komunikacji z pacjentami.

Drugim dużym wyzwaniem było nauczenie systemu pracy z prawdziwym językiem pacjentów. W praktyce rozmowy są bardzo dynamiczne, pacjenci piszą skrótowo, chaotycznie, często zmieniają temat i zadają dodatkowe pytania w trakcie rejestracji. Zdarza się, że w jednym procesie umawiania wizyty dopytują jednocześnie o lekarza, cenę, przygotowanie do badania czy kwestie organizacyjne. System musi płynnie prowadzić taką rozmowę, nie tracąc jej kontekstu.

Dzisiaj rozwijamy Paulinę znacznie szerzej niż jako chatbot. Staje się ona kompleksową platformą do obsługi pacjenta. Już wkrótce rozwiązanie zostanie rozszerzone o voicebota działającego w kanałach telefonicznych GSM. Całość będzie funkcjonowała w środowisku on-premise i zostanie uzupełniona o własne komponenty rozpoznawania mowy (ASR) oraz syntezy mowy (TTS). Dzięki temu stworzymy jeden spójny framework, który będzie wspierał obsługę pacjenta niezależnie od kanału kontaktu, zarówno tekstowego, jak i głosowego.

Chciałbym teraz poruszyć kwestię bezpieczeństwa, bo w branży medycznej jest to jeden z najważniejszych aspektów. W jaki sposób zadbali Państwo o bezpieczeństwo danych pacjentów i zgodność rozwiązania z wymaganiami, jakie stawiają placówki medyczne oraz obowiązujące przepisy? Na jakie kwestie zwracali Państwo szczególną uwagę podczas projektowania i wdrażania tego systemu?

Bezpieczeństwo od samego początku było jednym z fundamentów tego projektu. Branża medyczna wymaga zupełnie innego podejścia niż wdrożenia AI w takich obszarach jak marketing, e-commerce czy standardowa obsługa klienta. Pracujemy z danymi wrażliwymi, dlatego od początku założyliśmy, że musimy mieć pełną kontrolę nad tym, gdzie dane są przetwarzane, kto ma do nich dostęp oraz w jaki sposób modele mogą z nich korzystać.

Z tego względu cały system został zaprojektowany do działania w kontrolowanej infrastrukturze on-premise. Nie opieramy kluczowych procesów na przesyłaniu danych do publicznych usług ani zewnętrznych API, co jest częstym rozwiązaniem w wielu chatbotach dostępnych na rynku. Wszystkie operacje realizowane są w naszym własnym środowisku, dzięki czemu zachowujemy pełną kontrolę nad przetwarzaniem danych.

Równie ważna była dla nas zasada minimalizacji zakresu działania systemu. Paulina nie zastępuje lekarza, nie stawia diagnoz i nie udziela porad medycznych. Jej rolą jest wspieranie obsługi administracyjnej pacjenta. Tam, gdzie potrzebna jest wiedza i ocena specjalisty, decyzję zawsze podejmuje personel medyczny.
Dużą wagę przykładamy również do kontroli generowanych odpowiedzi. System korzysta wyłącznie z wiedzy konkretnej placówki i działa w jasno zdefiniowanych granicach. Oznacza to, że nie ma ryzyka, że pacjent otrzyma informacje dotyczące innej placówki, innych lekarzy czy usług, mimo że obsługujemy setki podmiotów medycznych.

Każda odpowiedź jest ograniczona do zweryfikowanych informacji dostępnych dla danej placówki. Jeżeli pytanie wykracza poza zakres bezpiecznej obsługi administracyjnej lub wymaga indywidualnej oceny medycznej, system prosi o doprecyzowanie pytania albo kieruje pacjenta do bezpośredniego kontaktu z personelem. Dzięki temu zachowujemy równowagę między wygodą korzystania z AI a bezpieczeństwem i odpowiedzialnością, które w ochronie zdrowia są absolutnie kluczowe.

Kontynuując temat, chciałbym zapytać o wartość biznesową tego rozwiązania. Jakie efekty obserwują Państwo po jego wdrożeniu? Czy są obszary, w których korzyści okazały się większe, niż pierwotnie zakładali Państwo na etapie projektowania i wdrażania systemu?

Przede wszystkim najważniejszym efektem jest zwiększenie dostępności placówki medycznej. Pacjent nie musi czekać na połączenie telefoniczne ani przeszukiwać wielu zakładek strony internetowej w poszukiwaniu potrzebnych informacji. Z naszego doświadczenia wiemy, że często takich informacji po prostu tam nie ma albo są trudne do znalezienia. Wystarczy więc zadać pytanie, uzyskać odpowiedź i – jeśli celem jest umówienie wizyty – płynnie przejść przez cały proces rejestracji we własnym tempie.

Z perspektywy placówki oznacza to znaczące odciążenie rejestracji z powtarzalnych pytań i spraw administracyjnych, które zajmują dużo czasu, choć nie wymagają bezpośredniej rozmowy z pracownikiem. Dzięki temu personel może skupić się na bardziej złożonych przypadkach, wymagających indywidualnego podejścia, empatii i kontaktu z pacjentem.

Korzyścią, która okazała się dla nas szczególnie istotna, jest również poprawa jakości pierwszego kontaktu z placówką. To właśnie rejestracja bardzo często decyduje o pierwszym wrażeniu pacjenta. Jeżeli odpowiedź jest szybka, konkretna i dostępna od razu, pacjent ma poczucie, że placówka jest dobrze zorganizowana i łatwo się z nią skontaktować.

Co ciekawe, zauważyliśmy również, że pacjenci chętnie korzystają z takiej formy kontaktu także poza standardowymi godzinami pracy rejestracji. Mogą spokojnie zadać pytanie wieczorem lub w weekend, uzyskać potrzebne informacje i rozpocząć proces rejestracji wtedy, kiedy jest to dla nich najwygodniejsze. To znacząco poprawia komfort korzystania z usług placówki i zwiększa jej dostępność bez konieczności angażowania dodatkowych zasobów kadrowych.

Jak na pojawienie się AI w obsłudze pacjenta zareagowali pracownicy placówek oraz sami pacjenci? Czy wdrożeniu towarzyszyły obawy lub bariery związane z zaufaniem do tej technologii? A może użytkownicy dość szybko zaakceptowali nowe rozwiązanie?

Można powiedzieć, że reakcje były dość naturalne. Przy wdrażaniu AI w medycynie pierwszą reakcją jest zazwyczaj ostrożność i uważam, że to bardzo dobrze. To obszar, w którym zaufanie ma ogromne znaczenie, dlatego każde rozwiązanie musi zostać dokładnie sprawdzone i przetestowane.

Od samego początku nie przedstawialiśmy Pauliny jako technologii, która ma zastąpić człowieka. Wręcz przeciwnie – od początku komunikowaliśmy, że jest to narzędzie wspierające pracę zespołu, którego celem jest odciążenie rejestracji i zwiększenie dostępności placówki. Rejestratorki nadal pełnią swoją rolę, natomiast AI przejmuje powtarzalne pytania i proste procesy administracyjne, dzięki czemu personel może poświęcić więcej czasu sprawom wymagającym indywidualnego podejścia.

Najlepszym sposobem na budowanie zaufania okazało się pokazywanie konkretnych scenariuszy działania. Gdy pracownicy widzą, że system poprawnie odpowiada na najczęściej zadawane pytania, pomaga znaleźć termin wizyty, potrafi wrócić do procesu rejestracji po dodatkowych pytaniach i nie wychodzi poza swoją rolę, zaufanie do rozwiązania bardzo szybko rośnie.

Podobnie jest po stronie pacjentów. Jeżeli otrzymują szybką odpowiedź, nie muszą czekać na połączenie z infolinią i mogą sprawnie przejść przez proces rejestracji, bardzo szybko akceptują taką formę kontaktu. Dla większości użytkowników najważniejsze jest to, że rozwiązanie po prostu działa i realnie ułatwia załatwienie sprawy.
Paradoksalnie największą barierą nie jest dziś samo AI, ale doświadczenia z innymi, słabo działającymi rozwiązaniami. Wielu użytkowników miało już kontakt z chatbotami czy voicebotami opartymi na sztywnych scenariuszach, które dobrze prezentują się podczas demonstracji, ale w rzeczywistych rozmowach szybko zawodzą. To sprawia, że na początku pojawia się pewien sceptycyzm.

Dlatego tak dużą wagę przykładamy do jakości działania systemu w codziennych, realnych sytuacjach. Naszym celem jest, aby pacjent nie miał poczucia rozmowy z technologią, tylko po prostu szybko i skutecznie załatwił swoją sprawę. I właśnie to obserwujemy w praktyce – z miesiąca na miesiąc liczba rozmów prowadzonych przez system rośnie, a wraz z nią rośnie także zaufanie zarówno placówek medycznych, jak i samych pacjentów.

Na koniec chciałabym jeszcze wrócić do samego Bielika. Czy praca z modelem Bielik w jakiś sposób zmieniła Państwa spojrzenie na możliwości polskich modeli językowych? Co najbardziej Państwa zaskoczyło podczas jego wdrażania i wykorzystywania w praktyce? Czy z perspektywy czasu jest coś, co szczególnie wyróżnia Bielika na tle innych modeli i o czym warto jeszcze wspomnieć?

Zdecydowanie tak. Praca nad tym projektem zmieniła nasze spojrzenie na możliwości polskich modeli językowych. Przekonaliśmy się, że mogą one stanowić realny fundament rozwiązań biznesowych, a nie tylko ciekawostkę technologiczną czy narzędzie do eksperymentów.

Jednocześnie utwierdziliśmy się w przekonaniu, że sam model językowy nie jest produktem. Największą wartość tworzy dopiero wtedy, gdy staje się elementem dobrze zaprojektowanej architektury, obejmującej kontrolę procesu, dostęp do wiedzy, analizę intencji oraz mechanizmy bezpieczeństwa. Właśnie takie podejście pozwala budować rozwiązania, którym można zaufać w tak wymagającej branży jak ochrona zdrowia.

Najbardziej zaskoczyło nas to, jak duże znaczenie ma dopasowanie modelu do języka i kontekstu, w którym pracuje. W obsłudze pacjenta nie liczy się wyłącznie poprawność językowa. Kluczowe jest zrozumienie intencji użytkownika, skrótów myślowych, odmian, potocznych sformułowań czy niedopowiedzeń. To właśnie w takich sytuacjach model rozwijany z myślą o języku polskim pokazał swoją przewagę.

Co istotne, nawet jeśli taki model jest mniejszy od największych modeli dostępnych na rynku, w konkretnym zastosowaniu potrafi osiągać bardzo dobre rezultaty właśnie dzięki specjalizacji i lepszemu dopasowaniu do lokalnego kontekstu.

Drugim ważnym wnioskiem było to, że w zastosowaniach biznesowych nie zawsze wygrywa największy model. Często znacznie lepszym rozwiązaniem są mniejsze, bardziej zoptymalizowane modele, odpowiednio dobrane do konkretnych zadań. Jedne odpowiadają za analizę intencji, inne za generowanie odpowiedzi czy dodatkową weryfikację. Takie podejście pozwala budować systemy, które są szybsze, bardziej przewidywalne, łatwiejsze do kontrolowania i jednocześnie bardziej efektywne kosztowo.

To doświadczenie utwierdziło nas w przekonaniu, że przyszłość wdrożeń AI nie polega na korzystaniu z jednego, uniwersalnego modelu do wszystkiego. Znacznie większą wartość daje umiejętne połączenie odpowiednio dobranych modeli z dobrze zaprojektowaną architekturą całego rozwiązania. To właśnie wtedy AI staje się realnym narzędziem wspierającym biznes, a nie jedynie efektowną demonstracją technologii.

Na zakończenie chciałabym zapytać o plany na przyszłość. W jakim kierunku zamierzają Państwo rozwijać Paulinę? Czy planują Państwo przede wszystkim rozszerzać jej funkcjonalności, czy skupiają się również na dotarciu do kolejnych placówek i skalowaniu rozwiązania na rynku? Jakie są najbliższe cele rozwojowe projektu?

Najważniejszym kierunkiem rozwoju jest pokazanie, że Paulina nie jest już wyłącznie chatbotem do rejestracji wizyt. Coraz bardziej staje się kompleksową asystentką pacjenta. Rejestracja nadal pozostaje jej podstawową i stale rozwijaną funkcjonalnością, ale system już dziś potrafi znacznie więcej i konsekwentnie rozwijamy go w kierunku kompleksowego wsparcia obsługi placówek medycznych.

Najbliższym krokiem jest uruchomienie voicebota, opartego na tym samym silniku i tej samej architekturze, z której korzysta chatbot. Chcemy, aby pacjent mógł korzystać z tego samego poziomu wsparcia również podczas rozmowy telefonicznej. To jednak znacznie większe wyzwanie technologiczne, ponieważ kanał głosowy rządzi się innymi prawami – musimy poradzić sobie z różną jakością połączeń, sposobem mówienia czy zakłóceniami, które nie występują w komunikacji tekstowej.
Drugim kierunkiem rozwoju jest wielojęzyczność. Choć fundamentem naszego rozwiązania pozostaje język polski i modele oparte na Bieliku, dzięki własnym komponentom udało nam się rozszerzyć możliwości systemu. Już dziś chatbot obsługuje również język angielski, niemiecki i ukraiński. Kolejnym etapem będzie przeniesienie tych możliwości także do voicebota. To pokazuje, że odpowiednio dostrojony model może z powodzeniem wspierać również komunikację w innych językach.

Patrząc jeszcze szerzej, chcemy rozwijać nasze rozwiązanie nie tylko z myślą o pacjentach, ale również o samych placówkach medycznych i ich personelu. Widzimy, że zbudowana przez nas architektura ma znacznie większy potencjał niż sama rejestracja. Docelowo chcemy stworzyć kompletną platformę AI wspierającą codzienną pracę placówek medycznych – zarówno w obsłudze pacjentów, jak i w procesach wewnętrznych. To właśnie w tym kierunku zamierzamy rozwijać Paulinę w kolejnych latach.

Co, Państwa zdaniem, mogłoby przyspieszyć rozwój i adopcję polskich modeli językowych w biznesie? Czy największym wyzwaniem są dziś kwestie technologiczne, świadomość przedsiębiorców, dostęp do infrastruktury, a może jeszcze coś innego?

Moim zdaniem są trzy rzeczy, które mogłyby realnie przyspieszyć rozwój i adopcję polskich modeli językowych w biznesie.
Po pierwsze – więcej praktycznych wdrożeń. Biznes potrzebuje konkretnych przykładów pokazujących, że na polskich modelach można budować stabilne, bezpieczne i skalowalne rozwiązania. To właśnie rzeczywiste wdrożenia w takich branżach jak medycyna, finanse, administracja czy obsługa klienta najlepiej budują zaufanie do tej technologii.

Po drugie – edukacja. Wiele firm nadal postrzega AI wyłącznie przez pryzmat największych, globalnych modeli dostępnych przez API. Tymczasem w wielu zastosowaniach znacznie lepszym rozwiązaniem może być lokalny model, odpowiednio dostrojony do konkretnego zadania i osadzony w dobrze zaprojektowanej architekturze. Sam model nie wystarczy, kluczowe jest to, w jaki sposób zostanie wykorzystany i zintegrowany z procesami biznesowymi. Dopiero wtedy można osiągnąć wysoką jakość działania, pełną kontrolę nad systemem oraz niższe koszty utrzymania w dłuższej perspektywie.

Trzecim elementem jest infrastruktura oraz standardy bezpieczeństwa. Firmy potrzebują narzędzi, które pozwolą łatwo wdrażać modele lokalne, monitorować ich działanie i bezpiecznie integrować je z własnymi systemami. Im prostszy będzie cały proces wdrożenia, tym szybciej lokalne modele staną się standardowym narzędziem wykorzystywanym w biznesie.

Trzeba też pamiętać, że wiele dużych organizacji ma już podpisane umowy z globalnymi dostawcami technologii i korzysta z rozbudowanych ekosystemów, takich jak rozwiązania Microsoftu czy innych międzynarodowych firm. To sprawia, że wybór lokalnego modelu nie zawsze jest oczywisty, nawet jeśli byłby lepiej dopasowany do konkretnego zastosowania.

Dlatego kluczowe jest pokazanie, że w wielu scenariuszach mniejszy, wyspecjalizowany model może być lepszym wyborem niż największy model ogólnego przeznaczenia. Odpowiednio dostrojony i osadzony we właściwej architekturze potrafi zapewnić porównywalną, a czasem nawet wyższą jakość działania, przy jednoczesnym zachowaniu pełnej kontroli nad danymi i niższych kosztów utrzymania.

Myślę, że właśnie zmiana tego sposobu myślenia będzie jednym z najważniejszych kroków w rozwoju polskiego ekosystemu AI. Musimy odejść od przekonania, że najlepsze rozwiązanie to zawsze największy model. W praktyce biznesowej znacznie większe znaczenie ma to, czy model jest dobrze dopasowany do konkretnego problemu i czy został właściwie wdrożony. To właśnie w tym polskie modele językowe mają dziś ogromny potencjał.

Dziękujemy za rozmowę! 

Cykl rozmów „Start z polskim AI – od pomysłu do wdrożenia” jest realizowany w ramach programu Centrum Kompetencji AI.