MedTech · Compliance i automatyzacja procesów
Kwestionariusze bezpieczeństwa wypełnione w tydzień zamiast w miesiąc
Każdy szpital, który chciał wdrożyć medyczną platformę AR firmy apoQlar, najpierw wymagał od niej wypełnienia kwestionariusza bezpieczeństwa z dziesiątkami, a czasem setkami pytań o ochronę danych, compliance i bezpieczeństwo techniczne. Jeden taki kwestionariusz zajmował miesiąc i angażował od ośmiu do dziesięciu osób. Dziś asystent GenAI robi to w niespełna tydzień, a wyniki sprawdza niewielki zespół.
Kluczowe rezultaty
Klient: apoQlar
Firma MedTech z Hamburga, która tworzy rozwiązania mixed reality i AI dla ochrony zdrowia. Jej platforma wprowadza obrazowanie holograficzne na salę operacyjną.
- Branża
- MedTech
- Zastosowanie
- Automatyzacja kwestionariuszy bezpieczeństwa
- Podejście AI
- RAG i LLM na Azure
- Źródło danych
- Polityki w PDF, Confluence
- Wynik
- Odpowiedzi ze wskazaniem źródła
- Produkt
- Zippy (theBlue.ai)
W skrócie
Zamiast miesiąca pracy kilku działów wystarczy jedna osoba, która sprawdza
- Każdy szpital, zanim wdrożył platformę apoQlar, wymagał kwestionariusza bezpieczeństwa z dziesiątkami lub setkami pytań.
- Wypełnienie jednego trwało miesiąc i angażowało od ośmiu do dziesięciu osób z IT, działu prawnego, compliance i produktu, choć odpowiedzi od dawna były w wewnętrznych dokumentach.
- Asystent RAG na Azure przygotowuje teraz każdą odpowiedź z nazwą dokumentu i numerem strony, z której pochodzi. Zamiast dziesięciu osób, które szukają, wystarczy jedna, która sprawdza.
- Czas wypełnienia spadł do niecałego tygodnia, wdrożenie klienta skróciło się z sześciu tygodni do dwóch, a oszczędność wynosi około 90 000 USD rocznie.
Punkt wyjścia
Wyzwanie
Każdy nowy szpital wymagał wypełnienia kwestionariusza bezpieczeństwa, który zajmował miesiąc i angażował od ośmiu do dziesięciu osób, choć większość odpowiedzi była już gdzieś w dokumentacji firmy.
Zanim szpital wdroży produkt MedTech, dostawca musi wykazać, że spełnia rygorystyczne standardy bezpieczeństwa i ochrony danych. W praktyce oznacza to wypełnianie kwestionariuszy z dziesiątkami lub setkami pytań o szyfrowanie, kontrolę dostępu, reagowanie na incydenty, zarządzanie podatnościami i wewnętrzne polityki.
W apoQlar każdy kwestionariusz wymagał udziału od ośmiu do dziesięciu osób z IT, działu prawnego, compliance i produktu. Ktoś musiał znaleźć właściwy dokument, odszukać w nim odpowiednią sekcję, sformułować odpowiedź i przekazać ją do sprawdzenia. Każdy pracował według własnego harmonogramu, więc jeden kwestionariusz zajmował około miesiąca.
Przy mniej więcej 15 nowych wdrożeniach w szpitalach rocznie było to stałe obciążenie dla zespołu i największe wąskie gardło w cyklu sprzedaży.
Budowa
Co zbudowaliśmy
Zbudowaliśmy Zippy, asystenta GenAI, który odpowiada na pytania z kwestionariuszy bezpieczeństwa na podstawie dokumentacji apoQlar. Zamiast ośmiu do dziesięciu osób przeszukujących polityki i strony Confluence jedna osoba wprowadza kwestionariusz do Zippy i weryfikuje wyniki.
Wyszukiwanie we własnych dokumentach firmy
System łączy model językowy z całą bazą dokumentów apoQlar: politykami bezpieczeństwa w plikach PDF i dokumentacją techniczną z Confluence. Model działa na Azure OpenAI Services, a bazą wektorową jest ChromaDB. Całe przetwarzanie odbywa się w Microsoft Azure, czego wymagają standardy bezpieczeństwa w dużych organizacjach.
Każda odpowiedź wskazuje źródło
Przy każdej odpowiedzi widać dokładną nazwę dokumentu i numer strony, z której pochodzi. W pracy nad compliance to istotne: osoba weryfikująca może sprawdzić, skąd wzięła się odpowiedź, i nie musi ufać nieprzejrzystemu wynikowi. Weryfikacja idzie też dużo szybciej.
Przetwarzanie dopasowane do każdego formatu
Polityki w PDF i strony Confluence mają zupełnie różną budowę. Dla każdego źródła opracowaliśmy osobny sposób ekstrakcji i dzielenia na fragmenty, który zachowuje strukturę i metadane. Dzięki temu wyszukiwanie znajduje nie tylko właściwy tekst, ale też konkretną sekcję i stronę w oryginalnym dokumencie.
Informacja zwrotna, która poprawia też dokumentację
Użytkownicy oznaczają nietrafne odpowiedzi bezpośrednio w interfejsie. LangFuse rejestruje te zgłoszenia razem z wersjami promptów, kosztami i czasem odpowiedzi. Tam, gdzie Zippy odpowiada słabo, wychodzi na jaw luka w dokumentacji, a zespoły mają powód, żeby na bieżąco aktualizować swoje polityki.
Co się zmieniło
Rezultaty
Przed
Około miesiąca na jeden kwestionariusz. Od ośmiu do dziesięciu osób z IT, działu prawnego, compliance i produktu ręcznie przeszukiwało polityki i Confluence, a każde nowe wdrożenie w szpitalu czekało na ich pracę.
Po
Niecały tydzień na jeden kwestionariusz. Jedna osoba wprowadza go do Zippy, a niewielki zespół weryfikuje wyniki. Przy każdej odpowiedzi widać dokument i stronę, z której pochodzi. Wdrożenie klienta skróciło się z sześciu tygodni do dwóch.
Czas wypełnienia spadł o 75 procent, zamiast ośmiu do dziesięciu osób pracuje nad nim niewielki zespół weryfikujący, a szacowana oszczędność przy około 15 kwestionariuszach rocznie to około 90 000 USD na samych kosztach pracy.
Efekt biznesowy jest większy niż oszczędność na kosztach pracy. Wdrożenie klienta skróciło się z sześciu tygodni do dwóch, więc apoQlar może szybciej wprowadzać swoje rozwiązanie do szpitali.
Zbieranie informacji zwrotnej przyniosło coś, czego nikt nie planował. Zippy pokazuje, na które pytania nie umie dobrze odpowiedzieć, więc apoQlar widzi, gdzie dokumentacja jest niepełna. Dzięki temu polityki stają się lepsze niezależnie od kolejnych kwestionariuszy.
Wypełnianie kwestionariuszy bezpieczeństwa przestało być logistycznym koszmarem. Nowy system jest prosty w obsłudze, a nasze odpowiedzi są dokładne i wyczerpujące.
Pytania o ten projekt
Automatyzacja kwestionariuszy bezpieczeństwa. Każdy nowy szpital wymagał wypełnienia kwestionariusza bezpieczeństwa, który zajmował miesiąc i angażował od ośmiu do dziesięciu osób, choć większość odpowiedzi była już gdzieś w dokumentacji firmy.
Czas wypełnienia: z około miesiąca do niecałego tygodnia: –75%. Szacowana roczna oszczędność przy około 15 kwestionariuszach: 90 tys. USD. Wdrożenie klienta krótsze o dwie trzecie: 6 → 2 tyg.. Mały zespół weryfikujący zamiast ośmiu do dziesięciu osób: 8 → 2.
RAG i LLM na Azure. Wykorzystana technologia: Architektura RAG, Azure OpenAI Services, ChromaDB, LangChain, LangFuse, Streamlit, Python, Integracja z Confluence, Przetwarzanie PDF.
Wykorzystana technologia
Porozmawiaj z zespołem, który to zbudował
Odpowiadamy w ciągu jednego dnia roboczego.
Więcej projektów
MedTech · Automatyzacja procesów wewnętrznych
Setki dokumentów produktowych, a odpowiedź w kilka sekund i ze źródłem
Czytaj więcej
Ochrona zdrowia · Zarządzanie szpitalem
Automatyczna anonimizacja danych pacjentów na serwerach szpitala
Czytaj więcej
Usługi profesjonalne · Ochrona danych i RODO