Myriad Genetics: 98% trafności i 77% taniej dzięki AWS

98% trafności. Koszty niższe o trzy czwarte. To przypomina slajd z prezentacji sprzedażowej, prawda? Tyle że Myriad Genetics – firma zajmująca się testami genetycznymi – rzeczywiście to zrobiła.

Problem? Prozaiczny do bólu. Tysiące dokumentów medycznych dziennie. Różne formaty, różne źródła. I ludzie, którzy zamiast analizować wyniki testów, sortują PDFy.

Brzmi znajomo? Powinno. To scenariusz powtarzający się w dziesiątkach branż. Różnica polega na tym, że w medycynie każda minuta zwłoki ma realne konsekwencje. Pacjent czeka na wynik. Lekarz czeka na dokumentację. A gdzieś pomiędzy nimi ktoś próbuje ustalić, czy ten konkretny PDF to skierowanie, wynik badania, czy może historia choroby z innego szpitala.

Gdy papierologia pożera zasoby

Myriad stanęło przed wyzwaniem, które pewnie znasz — jak ogarnąć lawinę dokumentacji, gdy każdy dzień przynosi kolejne setki plików? W medycynie to szczególnie bolesne. Każdy błąd w klasyfikacji opóźnia diagnozę. Każda godzina zmarnowana na ręczne sortowanie to godzina mniej na rzeczywistą robotę.

Skala problemu? Wyobraź sobie dziesiątki tysięcy dokumentów miesięcznie. Każdy wymaga identyfikacji, kategoryzacji, ekstrakcji kluczowych informacji. Część przychodzi jako skany o różnej jakości. Część to PDFy generowane z systemów szpitalnych. Jeszcze inne to formularze wypełnione odręcznie przez pacjentów. Zero standaryzacji. Pełna entropia.

Tradycyjne podejście? Zatrudnij więcej ludzi. Zbuduj procedury. Stwórz checklisty. Efekt: zespół, który zamiast wspierać diagnostykę, grzęźnie w administracji. A koszty rosną proporcjonalnie do wolumenu dokumentów.

Rozwiązanie przyszło z AWS Generative AI Innovation Center. I tu zaczyna się ciekawa część.

Bedrock i modele Nova wchodzą do gry

Firma sięgnęła po open-source'owy akcelerator Intelligent Document Processing oparty na Amazon Bedrock. W ruch poszły modele Amazon Nova — stosunkowo świeża rodzina foundation models.

Architektura? Klasyka gatunku, ale diabli tkwią w wykonaniu. Dokumenty wpadają do systemu. Model klasyfikuje typ. Wyciąga kluczowe dane. Waliduje. Wszystko automatycznie.

Amazon Bedrock daje dostęp do różnych modeli językowych przez jedno API. Nie musisz zarządzać infrastrukturą. Nie musisz trenować modeli od zera. Bierzesz gotowy fundament i dostosowujesz do swoich potrzeb. W przypadku Myriad oznaczało to nauczenie systemu rozpoznawania specyficznych typów dokumentacji medycznej — od wyników biopsji po formularze zgód pacjentów.

Modele Nova wnoszą tu konkretną wartość: są zoptymalizowane pod kątem kosztów i szybkości. Nie potrzebujesz najcięższego modelu na rynku, żeby klasyfikować dokumenty. Potrzebujesz modelu, który robi to wystarczająco dobrze, wystarczająco szybko i za rozsądne pieniądze. Nova trafia dokładnie w tę niszę.

Efekt: 98% accuracy. Na 100 dokumentów tylko 2 wymagają ludzkiej interwencji. Wcześniej? Praktycznie każdy przechodził przez czyjeś ręce.

Liczby mówią więcej niż slajdy

Redukcja kosztów o 77%. Nie siedem. Nie siedemnaście. Siedemdziesiąt siedem procent.

To różnica między zespołem tonącym w papierach a zespołem, który faktycznie robi to, do czego go zatrudniono. Czas przetwarzania? AWS nie podaje konkretów, ale skala oszczędności sugeruje przejście z dni na godziny. Może nawet minuty.

Zastanów się, co to oznacza operacyjnie. Jeśli wcześniej przetworzenie dokumentu zajmowało 15 minut pracy człowieka, teraz zajmuje 30 sekund pracy maszyny. Mnożysz to przez tysiące dokumentów miesięcznie i nagle masz zespół, który może zająć się czymś wartościowszym niż przepisywanie danych z PDFów.

A te 2% błędów? Trafiają do kolejki wymagającej ludzkiej weryfikacji. System wie, czego nie wie. To kluczowe. Nie udaje, że ma 100% pewności. Po prostu flaguje przypadki, gdzie confidence score spada poniżej progu. Człowiek sprawdza. System uczy się. Pętla zamknięta.

Dlaczego to może Cię dotyczyć

Healthcare to branża regulowana po uszy. HIPAA, compliance, audyty co krok. Jeśli rozwiązanie działa tam — z całą tą paranoją o bezpieczeństwo danych — prawdopodobnie zadziała wszędzie.

Finanse? Ubezpieczenia? Prawnicze? Każda branża, gdzie dokumenty są walutą operacyjną, może skorzystać z podobnego podejścia. Nie musisz przetwarzać wyników testów genetycznych. Może przetwarzasz umowy, polisy, wnioski kredytowe albo dokumentację projektową.

Myriad pokazuje coś ważnego: nie musisz budować wszystkiego od podstaw. AWS udostępnił akcelerator jako open source. Możesz go wziąć, dostosować i wdrożyć. Bez wielomiesięcznych projektów. Bez armii konsultantów tłumaczących, dlaczego potrzebujesz kolejnego sprintu.

Kod jest dostępny. Dokumentacja jest dostępna. Modele są dostępne przez API. Bariera wejścia spadła z "potrzebujemy zespołu ML i pół roku" do "potrzebujemy developera i dwa tygodnie". To zmienia ekonomię całego przedsięwzięcia.

To nie rewolucja — to ewolucja, tylko ta szybka. Taka, która zamienia działy tonące w dokumentach w efektywne zespoły. I robi to mierzalnie, nie obietnicami.

Pytanie brzmi: ile jeszcze Twoja organizacja będzie przetwarzać dokumenty jak za czasów Excela 2010?

Źródła

• AWS Machine Learning Blog – Myriad Genetics Case Study