Pytanie
Czy struktura i chronologia przesuwają trafny dowód bliżej początku wyników?
Mateusz Więcek / Moja historia
Ciekawość łączy kolejne rozdziały.
Sport, ludzie i AI. Różne światy, w których wraca ta sama chęć: zrozumieć, jak coś działa, i robić to odrobinę lepiej.
University of Strathclyde
Ukończyłem wymagania programu MSc Artificial Intelligence and Applications na University of Strathclyde. Czekam na formalne przyznanie stopnia.
Zanim były modele, było boisko.
Wykształcenie na AWF, piłka nożna i freestyle są częścią mojego sposobu uczenia się. Trik rzadko wychodzi za pierwszym razem. Rozkładasz go na części, zauważasz szczegół, który nie zadziałał, i próbujesz ponownie. Ten nawyk przydaje się także przy szukaniu błędu w kodzie czy analizowaniu pomyłek modelu.
Sport to również powód, żeby odejść od ekranu. Chcę, żeby na tej stronie było miejsce na tę część życia obok pracy technicznej.
Dobra praca zaczyna się od ludzi.
Od 2012 roku sezonowo współpracuję ze Smile Camp: prowadzę grupy i zajęcia sportowe, a także wspieram treści internetowe i komunikację cyfrową. To połączenie organizacji, odpowiedzialności i szukania prostego sposobu na wyjaśnienie kolejnego kroku.
Praca operacyjna w Amazon DSP i Flex daje jeszcze inną perspektywę: plan spotyka się ze zmiennymi warunkami. Trzeba zachować spokój, zauważać wyjątki i brać odpowiedzialność za to, co wydarzy się dalej.
Od edukacji fizycznej do sztucznej inteligencji.
Program MSc Artificial Intelligence and Applications na University of Strathclyde dołożył nowy warsztat: Python, machine learning, wyszukiwanie informacji i ewaluację ilościową. Pracowałem nad sieciami neuronowymi od podstaw, modelowaniem danych muzycznych i wyszukiwaniem w syntetycznej dokumentacji.
Wspólnym mianownikiem jest jakość pytania. Wysoki wynik otwiera rozmowę: co dokładnie zmierzyliśmy, z czym to porównujemy i w którym miejscu rezultat przestaje być użyteczny?
Chcę, żeby dowody można było sprawdzić.
W portfolio łączę kod, metodę i ograniczenia. FireBid Radar przenosi tę ciekawość do pracy nad produktem: pomagać ludziom znaleźć właściwe informacje i zobaczyć stojące za nimi źródła. Movement Lab bada połączenie AI z czymś bliskim mojej codzienności — ruchem.
Interesują mnie rozmowy o praktycznej AI, ewaluacji, użytecznych produktach i uczeniu się. Znajomi są tu równie mile widziani: część Lifestyle pozwala poznać osobę stojącą za projektami.
Praca magisterska / publiczne podsumowanie
Właściwy dowód we właściwym kontekście.
W badaniu sprawdzam, czy uwzględnienie sekcji dokumentacji klinicznej i czasu, którego dotyczy informacja, poprawia wyszukiwanie względem metody leksykalnej. Porównywane warianty zachowują ten sam filtr pacjenta. Kontrolowany eksperyment wykorzystuje wypisy MIMIC-IV-Note v2.2 — nie są to dane NHS.
Metoda
Porównanie BM25 z wariantami uwzględniającymi sekcję, czas i oba sygnały. Ocena wyszukiwania oddzielona od generowania odpowiedzi.
Wniosek
W zdefiniowanym zbiorze pytań wariant łączony poprawił pozycję trafnych dowodów. Wynik Recall@5 był mniej rozstrzygający. Jedna metryka nie opowiada całej historii.
Prototyp badawczy z niewielkim zbiorem pytań oznaczonym przez jedną osobę. Podsumowanie nie oznacza skuteczności klinicznej, zgodności z wymaganiami NHS ani gotowości do wdrożenia. Dokumentacja pacjentów, pytania i dane o ograniczonym dostępie nie są tu publikowane. Osobny publiczny projekt Clinical RAG korzysta z danych syntetycznych.
Zobacz publiczny projekt na danych syntetycznych →