Nakon web, mobile i app-first pristupa, je li vrijeme za “AI first”?

U gotovo pa intimnoj atmosferi restorana Lumiere u Osijeku, gdje se održavao jedan track prošlotjedne osječke konferencije The Geek Gathering (koja je doživjela revival nakon osam godina), zanimljivo predavanje o drugačijem promišljanju kreiranja aplikacija za korisnike te o svemu što je naučio posljednjih osam godina kroz AI-first pristup održao je Juraj Malenica, Head of Engineering u Mindsmithsu.

U početku bijaše web, a mnoge od danas najvećih tehnoloških tvrtki zasnovane su na tom pristupu – web stranici. Od Amazona do Mete, svi su počeli kao web, koji je vladao sve negdje do 2016. godine kada se dogodio zaokret. Otprilike u to vrijeme prvi se put dogodilo to da više korisnika upotrebljava pristup internetu putem mobitela, nego preko desktopa, stoga se promijenio i pristup kreiranja usluga za njih – mobile-first. Uslijedio je app first, a ono o čemu je pričao Malenica zapravo unosi revoluciju u bilo koji od ovih pristupa. Riječ je o stavljanju umjetne inteligencije u prvi plan, koja onda tvori korisničko iskustvo i sučelje za svakog korisnika posebno, neovisno o platformama.

Kad govorimo o AI-ju u ovom kontekstu, imamo alate (AI Tools) i agente/pomoćnike (AI agents). Primjerice, GPT-3 i DALL E 2 zanimljivi su alati, ali Malenica smatra da veću vrijednost za korisnike stvaraju AI Agents.

Tri karakteristike AI agenta

97% korisnika koristi opcije koje se nalaze na prvom ekranu aplikacije. One funkcionalnosti koje su u „pozadini“, rijetko tko koristi. To je problem koji se može riješiti umjetnom inteligencijom.

Mi kreiramo asistente koji poznaju korisnike i prema njima će skrojiti UX aplikacije. Nebitno je li riječ o web stranici, mobilnoj aplikaciji ili nečemu trećem.

Tri su karakteristike AI agenata: Imaju znanje, znaju korisnika i stalo mu je do korisnika.

Mindsmiths kao tvrtka iza sebe ima desetak sustava koji u sebi imaju integrirane AI agente. No, shvatili su da postaju “usko grlo”, jer su ograničeni ljudstvom. Stoga su izradili cloud platformu koja omogućuje drugim developerima da izrađuju proizvode temeljene na AI-ju.

Kako to izgleda u praksi?

Da bi dočarao kreiranje jednog takvog projekta, kao i izazove koji su se mogli riješiti da bi on funkcionirao, Juraj se referirao na Megi, chatbot koji nastoji pomoći kroničnim bolesnicima koji boluju od hipertenzije, razvijen u suradnji s klinikom Magdalena. Megi je, među ostalim, rješavala problem kada korisnici trebaju mjeriti tlak – ovisno o stanju bolesnika, to može biti više puta na dan ili jednom svakih nekoliko tjedana. Sukladno prijašnjim rezultatima i chatbot je sam korisniku govorio kad je vrijeme za novo mjerenje, bez da je korisnik o tome morao voditi računa.

No, jedan je agent bio namijenjen pacijentima, a drugi liječnicima i medicinskim tehničarima. Primjerice, ako sustav nije bio siguran što zaključiti iz simptoma, prosljeđivao je upit tehničaru koji je davao uputu. Ako je zaključio da su posrijedi ozbiljni problemi, to se odmah eskaliralo liječniku. No, za većinu unosa to nije bilo potrebno, stoga je AI agent preuzimao većinu “tereta” zaprimanja podataka.

Što ako ne možete vjerovati u pouzdanost podataka koje unosi ciljana skupina?

Zaprimanje podataka ipak nije bio lak posao, barem dok se nije AI istrenirao. Kako je riječ o specifičnoj ciljanoj skupini, mahom osobama starije dobi, prvo se razmišljalo o tome koji je najjednostavniji način da šalju podatke, stoga je odluka pala na chat alat Telegram.

Korisnici su dobili upute da podatke o krvnom tlaku, otkucajima i drugim simptomima šalju u točno određenom formatu, a Juraj navodi da je to funkcioniralo ravno cijeli jedan dan. Već su sutra formati bili najrazličitiji, bilo je i greški u unosu podatka, stoga se nije išlo u preuranjenu optimizaciju. Morala se u proces uključiti živa osoba koja je čistila prikupljene podatke, a potom je machine learning istreniran prema pročišćenom.

S druge strane, čini se da je korisničko iskustvo za pacijente bilo toliko dobro da mnogi nisu bili ni svjesni da razgovaraju s komadom softvera, stoga su neki od njih Megi slali čestitke za blagdane, slike s unučadi…

Kako “umjetni neuroni” glume biološke?

Jedna od zanimljivosti kod kreiranja ovakvog sustava jest simulacija neurona. Juraj navodi da treba 1000 umjetnih neurona da bi se simulirao jedan biološki. No, kako umjetni neuroni funkcioniraju?

Uz pomoć impulsa. Primjerice, kod Megi, ako se šalje informacija o tome da netko ima visok tlak i ta se informacija ponavlja nekoliko dana zaredom, sustav će biti u stanju visoke pobuđenosti. No, ako netko jednom ima visok tlak, a potom nekoliko puta zaredom normalan, nema potrebe za stanjem visoke pobuđenosti.

Također, neurointegrator ne uzima u obzir apsolutno sve prethodne podatke, nego brojku od prethodnog dana – ako je jučer bila visoka pobuđenost, a i danas pacijent ima visok tlak, pobuđenost će biti još veća. Drugi važan parametar je ono što je i važna karakteristika biološkog neurona – odumiranje. Što je više vremena prošlo od određenog podatka, to je njegova pouzdanost niža.

Za naprednije stvari, postoji AutoML, navodi Juraj.

Megi je dobar primjer koliko je bitna personalizacija. Za osobe koje imaju savršen krvni tlak, njih ne treba gnjaviti da ga mjere svakoga dana, jer će brzo početi ignorirati aplikaciju, stoga im se smanjuje intenzitet. No, ako sustav zna da će ta osoba uskoro ići na redovni pregled kod liječnika, uoči tog događaja ipak će češće tražiti unos podataka, kako bi liječnik imao relevantne informacije.

Mindsmiths je kreirao zajednicu za dijeljenje znanja, koda i dizajna kako kreirati AI first aplikacije, a ako vas zanimaju platforma, tutorijali ili imate kakva pitanja, pridružite im se na Discordu.