25 czerwca 2026
mojApteczka jako dowód: GenAI i RAG w ochronie zdrowia od pomysłu do produkcji
W ochronie zdrowia „prawie dobra” odpowiedź AI nie jest sukcesem — jest ryzykiem. Dlatego najczęstsze pytanie, które dostajemy od firm z tej domeny, nie brzmi „czy AI potrafi”, tylko „czy AI da się wdrożyć bezpiecznie, mierzalnie i na produkcji”. mojApteczka to nasza odpowiedź: kompletny produkt cyfrowy oparty na Generative AI, który zaprojektowaliśmy, zbudowaliśmy i sami utrzymujemy — od backendu na AWS po aplikacje mobilne. Nie demo, nie notatnik data scientista. Produkcja.
Ten artykuł pokazuje, jak ten system jest zbudowany i czego nauczył nas o wdrażaniu GenAI tam, gdzie błąd kosztuje najwięcej. Pełną realizację opisujemy na stronie Realizacje; tutaj skupiamy się na decyzjach architektonicznych i wnioskach przenośnych do innych firm.
Problem: wiedza, której nie wolno zmyślić
mojApteczka działa na wiedzy z domeny zdrowia: interakcje lekowe, dane z opakowań, odpowiedzi dla użytkownika końcowego. To dokładnie ten typ systemu, którego firmy potrzebują najczęściej — wiarygodne odpowiedzi z kontrolowanych źródeł, podane na skalę. I to ten typ, w którym halucynacja modelu nie jest usterką kosmetyczną, tylko zagrożeniem.
Trzy ograniczenia ustawiły całą architekturę:
- Odpowiedź musi pochodzić ze źródła, nie z „pamięci” modelu. Brak źródła znaczy brak odpowiedzi.
- Koszt inferencji musi być przewidywalny. System dla użytkowników końcowych nie przetrwa, jeśli każde zapytanie zjada marżę.
- Dane i decyzje muszą być zgodne z RODO i AI Act od projektu, nie dorabiane po fakcie.
Architektura wysokiego poziomu
System to ten sam pełny stack, który przenosimy do wdrożeń u klientów:
- Backend na AWS — architektura produkcyjna: skalowanie, bezpieczeństwo, monitoring i kontrola kosztów inferencji.
- ETL i dane — pipeline’y przetwarzające źródłowe dane medyczne do ustrukturyzowanej, wersjonowanej bazy wiedzy. Największa praca jest przed modelem, nie w nim.
- Baza wiedzy / RAG — odpowiedzi generowane wyłącznie z kontrolowanych źródeł, z cytowaniami i automatyczną ewaluacją jakości. Jak działa RAG opisujemy osobno: RAG na dokumentach firmy.
- Nadzór człowieka — AI w pierwszej linii, człowiek w pętli tam, gdzie stawka jest wysoka.
- Aplikacje mobilne — produkt w rękach użytkowników, iOS i Android, z pełnym cyklem wydawniczym.
Ograniczenia bezpieczeństwa są wbudowane, nie nałożone: dane w kontrolowanej, wersjonowanej bazie; architektura i dostęp projektowane pod RODO; klasyfikacja ryzyka i dokumentacja pod obowiązki AI Act. Przy braku odpowiedzi system mówi „nie wiem” — to celowa decyzja, nie brak funkcji.
Czego nas to nauczyło
Halucynacje ujarzmia się procesem, nie jednym promptem. Ścisły RAG + cytowania źródeł + automatyczne ewaluacje jakości odpowiedzi. Bez warstwy ewaluacji „kontrola halucynacji” jest deklaracją, nie mechanizmem.
Koszt inferencji to decyzja architektoniczna. Naiwny GenAI potrafi zjeść marżę. Dźwignie, które realnie działają: cache’owanie, dobór modelu do zadania i monitoring kosztu per zapytanie. Efekt jest mierzalny (liczby niżej).
Dane są projektem, nie wsadem. ETL, czyszczenie i wersjonowanie wiedzy to gros pracy. To samo czeka każdą firmę wdrażającą AI na własnych dokumentach — i to jest etap, który najczęściej decyduje o jakości całości.
Twarde liczby z produkcji
Dane produkcyjne mojApteczka, czerwiec 2026:
- 100% — skuteczność ekstrakcji danych z opakowania przez AI (zbiór walidacyjny, n=200).
- $0,0006 — koszt pojedynczego skanu AI na produkcji.
- 302 516 — rekordów interakcji lekowych w produkcyjnej bazie wiedzy.
To nie są liczby z prezentacji. To metryki systemu, który działa i który sami utrzymujemy: markę mojApteczka prowadzimy na AI, którą zbudowaliśmy — od premiery 100% zgłoszeń supportu mojApteczki domyka u nas bot (triage, walidacja danych, handoff do bota-naprawiacza).
Co z tego ma Twoja firma
mojApteczka jest naszym najmocniejszym dowodem kompetencji w domenie wysokiej stawki: pokazuje, że AI da się wdrożyć bezpiecznie, mierzalnie i na skalę. Ten sam stack — architektura, dane, RAG, ewaluacje, kontrola kosztów, zgodność — przenosimy do organizacji klientów. Bez eksperymentowania na Twoim budżecie.
Jeśli planujesz GenAI tam, gdzie liczy się wiarygodność źródeł i zgodność, zacznij od diagnozy zakresu: umów audyt AI. Jeśli najpierw chcesz zrozumieć, jak AI Act dotyczy Twojego przypadku — w tym uchwalona przez Sejm, ale jeszcze nieobowiązująca polska ustawa i powoływana nią Komisja nadzoru (KRiBSI) — zajrzyj na stronę AI Act.