Przetłumaczono z angielskiego oryginału. Liczby i źródła pozostają bez zmian. Przeczytaj angielski oryginał
University Medicine Magdeburg
Szpital uniwersytecki w Magdeburgu uruchamia Llama 3.2-Vision na własnym serwerze dla 322 pracowników
University Medicine Magdeburg w Niemczech uruchomiło samodzielnie hostowaną platformę czatu z AI opartą na otwartym modelu Llama 3.2-Vision 90B firmy Meta, działającą na jednym własnym serwerze. W ankiecie wśród pracowników dwa miesiące po starcie 70,3 % respondentów oceniło niezawodność i szybkość jako wysokie.
Kluczowe liczby
Przepisane dokładnie ze źródeł. Skopiuj każdą liczbę wraz z przypisem.
44 %
(40 osób)
Respondenci, którzy według streszczenia artykułu oszczędzali co najmniej 30 minut pracy tygodniowo (deklaracje własne)1
Ile to kosztowało
Koszt, wielkość zespołu i harmonogram nie zostały ujawnione w źródłach.
Problem
Pracownicy szpitala już korzystali z publicznych chatbotów AI do pisania i wyszukiwania informacji. Szpitale przetwarzają wrażliwe dane osobowe, a przesyłanie ich do zewnętrznej usługi może kolidować z przepisami o ochronie danych. Data Integration Center w University Medicine Magdeburg chciało narzędzia, z którego personel mógłby korzystać bez wysyłania danych poza budynek.
Co zbudowano
Centrum zbudowało platformę czatu z AI na Llama 3.2-Vision 90B, otwartym modelu firmy Meta. Otwarte wagi oznaczają, że pliki modelu są publicznie dostępne, więc organizacja może uruchomić go na własnym sprzęcie. Model odczytuje tekst i obrazy. Platforma ruszyła 3 marca 2025 roku dla personelu administracyjnego, medycznego i badawczego.
Działa na jednym serwerze należącym do szpitala, z układem graficznym NVIDIA H100 (80 GB pamięci). Artykuł podaje 25,3 tokenu wyjściowego na sekundę. Token to niewielki fragment słowa.
Jak to zrobiono
Zespół ogłosił platformę przez szpitalną listę mailingową, a pracownicy rejestrowali się, podając swoją jednostkę organizacyjną. Dwa miesiące po starcie wysłał zarejestrowanym użytkownikom ankietę online z dziesięcioma pytaniami, otwartą przez 26 dni, z dwoma przypomnieniami. Pytała o częstotliwość korzystania, zadania, zadowolenie i tygodniową oszczędność czasu. Badanie zwolniono z zatwierdzenia przez komisję etyczną, ponieważ nie obejmowało interwencji ani wrażliwych informacji.
Wyniki
Spośród 322 zarejestrowanych użytkowników w ankiecie wzięło udział 98 osób, a 91 udzieliło kompletnych odpowiedzi. Streszczenie artykułu podaje, że 44 % (40 osób) oszczędzało co najmniej 30 minut pracy tygodniowo. Niezawodność i szybkość oceniło wysoko 70,3 %, a jakość odpowiedzi 60,4 %. Większość respondentów (85,7 %) potrzebowała mniej niż 15 minut, by zacząć.
Korzystanie różniło się w zależności od stanowiska. Personel medyczny i badawczy używał platformy częściej niż administracja, i to do zadań twórczych i analitycznych.
Co poszło nie tak
Najczęstsza krytyka, zgłoszona przez 37,4 % respondentów, dotyczyła jakości odpowiedzi. Około jedna trzecia tych komentarzy (12 z 34) wspominała o błędnych odpowiedziach, takich jak zmyślone odniesienia. Respondenci prosili też o wgrywanie plików, opcje eksportu, dokumentację i szkolenia oraz integrację z szpitalnym systemem informatycznym.
Co warto powtórzyć
Warto przeprowadzić krótką ankietę wkrótce po starcie i wykorzystać ją do decyzji o szkoleniach, funkcjach i grupach pracowników, do których skierować się w następnej kolejności.
Wszystkie zgłoszone liczby
| Miara | Liczba | Przypis |
|---|---|---|
| Zarejestrowani użytkownicy platformy | 322 (21,7 % z 1 484 pracowników grupy docelowej)1 | |
| Respondenci ankiety z kompletnymi odpowiedziami | 91 z 98 uczestników1 | |
| Respondenci, którzy według streszczenia artykułu oszczędzali co najmniej 30 minut pracy tygodniowo (deklaracje własne) | 44 % (40 osób)1 | |
| Respondenci, którzy ocenili niezawodność i szybkość jako bardzo lub raczej wysokie | 70,3 % (64 z 91)1 | |
| Respondenci, którzy ocenili jakość odpowiedzi jako bardzo lub raczej wysoką | 60,4 % (55 z 91)1 | |
| Respondenci, którzy potrzebowali mniej niż 15 minut, by oswoić się z platformą | 85,7 % (78 z 91)1 | |
| Krytyka jakości odpowiedzi w polach tekstowych | 37,4 % (34 z 91)1 |
Wnioski dla Twojego projektu
Jeden średniej wielkości serwer może udźwignąć szpitalny pilotaż. Ten korzystał z jednego układu NVIDIA H100 i generował 25,3 tokenu (fragmentu słowa) na sekundę.
Należy liczyć się z nierównym przyjęciem w zależności od roli. Personel medyczny i badawczy korzystał z platformy częściej niż administracja, więc szkolenia warto kierować do grup, które ich potrzebują.
Warto wcześnie mierzyć postrzeganą wartość. Krótka ankieta dwa miesiące po starcie pokazała, gdzie użytkownicy widzieli oszczędność czasu i czego chcieli dalej.
Trzeba uwzględnić halucynacje. Najczęstszą skargą były błędne odpowiedzi, w tym zmyślone odniesienia, dlatego należy polecić użytkownikom sprawdzanie źródeł.
Zastrzeżenia
- Autorami są pracownicy szpitalnego zespołu danych, a oszczędność czasu pochodzi z deklaracji ochotników biorących udział w ankiecie (91 z 322 zarejestrowanych użytkowników).
- Na ankietę odpowiedziało tylko 30,4 % zarejestrowanych użytkowników, więc wyniki odzwierciedlają respondentów, którzy sami się zgłosili. Autorzy nie przeprowadzili testów statystycznych, ponieważ grupy były małe.
- Artykuł nie podaje budżetu projektu ani wielkości zespołu.
- Wartość 44 % oszczędzonego czasu pojawia się tylko w streszczeniu. Część z wynikami nie powtarza jej dla całej próby, a te same liczby 40 z 91 pojawiają się tam dla pracowników administracji, więc należy podchodzić do niej ostrożnie.
- Artykuł podaje odsetek użytkowników tygodniowych jako 62,6 % (57) w streszczeniu i 61,5 % (56) w tekście, dlatego ten raport go pomija.
Źródła
- Implementation and User Evaluation of an On-Premise Large Language Model in a German University Hospital Setting: Cross-Sectional Survey
JMIR AI · 2026-04-15 · Publikacja naukowa · ai.jmir.org
Streszczone własnymi słowami na podstawie powyższych źródeł. Zauważyłeś błąd? Zobacz sprostowania.