Student Unicorn University Jáchym Vrtiška: Jak během studia buduje AI startup HealthyNess

Jako každý správný startup už máme za sebou minimálně tři pivoty. Původně jsme chtěli dělat aplikaci pro koncové uživatele, potom jsme celý koncept aplikace výrazně překopali a dnes už se soustředíme hlavně na B2B API a náš vlastní AI engine.

Celý startup vlastně vznikl ve chvíli, kdy mi zavolal můj co-founder Matyáš Hronek s tím, že by chtěl založit startup zaměřený na aplikaci, která by odebírala anamnézu. V té době jsem měl několik klientů v AI a technologiích, ale ta myšlenka mi okamžitě dávala smysl. Řekl jsem si, že tohle je přesně něco, co má reálný potenciál změnit zdravotnictví.

První impuls přitom vznikl poměrně jednoduše. Matyášův táta používal aplikaci na učení angličtiny, ve které komunikoval s AI avatarem, a tehdy ho napadlo: „Tohle by bylo skvělé, kdyby místo učitele fungoval doktor.“ A právě od toho se celá myšlenka začala postupně rozvíjet až do dnešní podoby, která je dost radikálně jiná.

Hlavní problém, který chceme pomocí AI řešit, je chybovost ve zdravotnictví. Věříme, že velká část těchto chyb vzniká už při samotném sběru informací od pacienta. Proto se snažíme vytvořit správnou strukturu pro odběr anamnézy a následně umožnit klinikám s těmito daty efektivně pracovat dál, víceméně jak chtějí, naše platforma je takové all-in-one řešení.

Díky tomu může být prevence i samotná péče přesnější, rychlejší a efektivnější. Zároveň chceme, aby byla dostupnější a výrazně méně finančně náročná než dnes.

Hele, tady je to hodně náročné, protože odhadovat vývoj AI na více než půl roku dopředu je skoro nemožné. Takže je potřeba to brát s nadsázkou, ale pár směrů podle mě vidět jde.

První velká věc bude větší využívání AI lokálně. Nemyslím tím nutně práci se senzitivními daty, ale spíš chytré sjednocování informací podle toho, jak se člověk na zařízení pohybuje, kde má uložená data a jak s nimi pracuje. Zde už nějaké náznaky vidíme, ale potenciál je stále úplně někde jinde.

Druhá věc je kyberbezpečnost. Myslím si, že do budoucna budou pro AI mnohem důležitější benchmarky a testování zaměřené právě na cybersecurity než jen obecné výkonnostní benchmarky.

Zároveň očekávám, že vývoj AI bude výrazně více regulovaný ze strany států. Trénování modelů, práce s daty a nasazování systémů bude pod větším dohledem. Stát se v tom podle mě bude snažit být proaktivnější, což může být v některých ohledech dobře, ale v jiných to může vývoj dost zpomalovat.

Co se týče toho, jestli je AI bublina, částečně tomu argumentu rozumím. Myslím si, že spousta pseudostartupů, typicky různé „fancy to-do listy“ s AI funkcí navíc, postupně skončí. Hlavně pokud je ta AI funkce jen marketingový doplněk a reálně nepřináší hodnotu.

Tohle je mimochodem strašně důležité věc při začínání startuput: ne vždycky je umělá inteligence potřeba. A to je věc, které se snažíme držet i v HealthyNess. Nedáme AI tam, kde AI být nemusí. Je to dražší, složitější a často i rizikovější.

Na druhou stranu, AI je samozřejmě obrovská věc. Když víte, co děláte, máte jasný use case a dává smysl ji integrovat, tak do toho běžte. Ale opravdu platí:research, research, research.

Myslím si, že spousta lidí kolem AI pořád podceňuje jednu zásadní věc, ty modely nejsou vševědoucí, jen dobře odhadují další slovo/znak. Vy jste ten, kdo jim musí dát správný kontext a směr. Lidé často očekávají, že AI jen něco stručně popíšou a „magicky“ vznikne perfektní výsledek. Ale tak to ve skutečnosti nefunguje.

Realita je spíš taková, že musíte mít dobře promyšlený plán a jasnou představu o tom, co chcete udělat. AI vám potom dokáže výrazně akcelerovat exekuci, pomoct s iterací nebo třeba odhalit chyby. Ale ten základní směr pořád musí přijít od člověka.

Co mě pořád překvapuje, je jak moc lidé podceňují úplně základní věc: používat správné modely pro správné úkoly. A chápu, že pro běžného uživatele není jednoduché během práce přepínat mezi různými modely podle potřeby. Ale je to důležité.

Pokud potřebujete generovat obrázky, použijte model na obrázky. Pokud píšete kód, použijte model optimalizovaný na programování. Pokud řešíte e-maily, analytiku nebo práci s textem, zase existují vhodnější modely. Ten rozdíl ve výsledcích bývá obrovský.

Další věc, kterou podle mě lidé stále podceňují, je práce s kontextem. Existují studie ukazující, že s rostoucím množstvím kontextu začínají modely výrazně degradovat na kvalitě výstupů. Já jsem třeba velký fanoušek Anthropic a jejich modelů, a i tam je vidět, že po určitém zaplnění kontextového okna začíná kvalita odpovědí znatelně klesat.

Proto je extrémně důležité umět komunikaci držet stručnou a dostat se co nejrychleji k pointě. Pokud dokážete vyřešit problém během první poloviny dostupného kontextu, udělejte to a uvolněte kontext.

Stejně tak dnes všichni mluví o multiagentních systémech, ale i tam lidé často podceňují realitu. Multiagentní systémy vám velmi rychle spotřebovávají kontext, jsou drahé, a hlavně jsou k ničemu, pokud mezi sebou jednotliví agenti neumí efektivně komunikovat a sdílet informace.

Ve zdravotnictví je celá problematika výrazně citlivější, protože je potřeba řešit obrovské množství regulací a bezpečnostních opatření. My máme spoustu těchto mechanismů v plánu implementovat, ale zároveň je tam i jeden velký technologický a etický problém: ve chvíli, kdy s uživatelem řešíte jeho zdravotní stav, nesete do určité míry odpovědnost za to, jak s těmi informacemi naloží.

I když to máme smluvně nastavené tak, že odpovědnost za finální rozhodnutí pacienta leží na straně kliniky nebo poskytovatele péče, stejně podle mě existuje určitá morální odpovědnost zajistit, aby pacient neudělal špatné rozhodnutí jen na základě informací, které získal od HealthyNess nebo přes systémy postavené na našem API.

Proto bych nikdy nepodceňoval komunikaci směrem k uživateli. Je důležité neustále zdůrazňovat, že výstupy nejsou definitivní lékařský závěr ani náhrada odborného vyšetření. Jsou to podpůrné informace a pomoc při orientaci v dané problematice, jak pro kliniku, tak i pro pacienta.

Co se týče etické stránky AI ve zdravotnictví, je to vlastně poměrně jednoduché na pochopení, ale velmi složité na správné nastavení. Musíte si uvědomit, že tyto systémy už dnes nejsou tak daleko od situace, kdy začínají částečně suplovat práci lékaře.

Samozřejmě vždy říkáme, že doktora nenahrazujeme a je to důležitý disclaimer. Na druhou stranu bychom nebyli úplně upřímní, kdybychom tvrdili, že v případě opravdu kvalitního systému by někdy v budoucnu nemohl pacient na základě AI doporučení udělat určité rozhodnutí autonomně. Třeba se rovnou objednat na konkrétní vyšetření nebo se úplně vyhnout návštěvě lékaře.

Právě tam vzniká ten největší etický konflikt. Často dostáváme otázku: „Nenahrazujete už vlastně doktory?“ My si nemyslíme, že je nahrazujeme, ale zároveň chápeme, proč to tak může působit. V některých scénářích může tahle hranice působit opravdu velmi citlivě.

Studentům bych určitě doporučil, aby na začátku dělali hlavně výzkum a našli si téma, ke kterému mají nějaký osobní vztah. Já mám třeba část rodiny ve zdravotnictví, takže pro mě tenhle obor nebyl úplně vzdálený už od začátku. Myslím si, že právě nějaká osobní vazba k problému, který chcete řešit, je strašně důležitá.

Zároveň bych řekl jednu důležitou věc: máte čas. Já jsem měl na začátku často pocit, že jsem pod obrovským časovým tlakem a že musím všechno stihnout co nejrychleji. To má samozřejmě svoje downsidey, třeba už mám kouty a CD. Ve výsledku je ale úplně jedno, jestli je vám 40 nebo 17, když začínáte něco budovat.

Hodně lidí říká „prostě začni“, což je pravda, není dobré skákat do věcí úplně naslepo. Když už do něčeho skáčete, tak je dobré si aspoň trochu zkontrolovat, kam dopadáte. Buď musíte dobře rozumět oblasti, do které vstupujete, nebo musíte mít jasnou představu o produktu, který chcete vytvořit, a teprve potom hledat jeho aplikaci. Jednu z těchto dvou věcí ale potřebujete mít vždy pevně uchopenou.

Úplný základ je podle mě mít obecné pochopení toho, jak umělá inteligence funguje. Myslím si, že v AI budou v budoucnu nejúspěšnější lidé, kteří nemají jen extrémně hlubokou expertizu v jedné úzké oblasti, ale zároveň mají velmi dobrý horizontální přehled napříč technologiemi a disciplínami.

To znamená, že můžete být expert třeba na chatboty nebo AI produkty, ale zároveň byste měli aspoň základně chápat databáze, infrastrukturu, bezpečnost, práci s modely nebo backendové systémy. Nemusíte být nejlepší databázový architekt na světě, ale když vám někdo vysvětluje, proč potřebujete určitou databázi nebo architekturu, měli byste rozumět tomu, co to znamená, aspoň na entry-level úrovni.

Být firmou zmíněnou ve Forbesu je samozřejmě skvělý pocit, ale pro nás je to hlavně důkaz toho, že máme v týmu opravdu výjimečné lidi.

Konkrétně šlo o rozhovor s Martinem Ouzkým, který je ředitelem našeho zdravotního boardu. Pro nás to bylo důležité právě proto, že si ho Forbes vybral kvůli jeho odbornosti a projektům, kterým se věnuje, kdy jedním z nich je i HealthyNess.

Mediální pozornost pro nás znamená několik věcí. Samozřejmě je to velký motivační faktor a zároveň nám to přináší větší povědomí o tom, co děláme. Ale hlavně je to určitá forma validace. Ukazuje to, že to, co stavíme, má smysl a že způsob, jakým o problému přemýšlíme, rezonuje i mimo náš vlastní tým.

Kdyby se někdo podíval na náš produkt a řekl si, že to celé nedává smysl, podobné příležitosti by pravděpodobně vůbec nepřišly. To, že jsme se tam dostali, pro mě osobně znamenalo hodně. Vždycky jsem to bral jako určitý milestone - něco, co bych jednou chtěl zažít. Jen jsem nečekal, že to přijde už ve 20 letech a ještě skrze někoho z našeho vlastního týmu. To bylo opravdu neuvěřitelné.