Dirbtinio intelekto projektai dažnai prasideda nuo ambicingos idėjos, tačiau tik nedidelė jų dalis pasiekia stadiją, kurioje sprendimas tampa stabiliai veikiančia sistemos dalimi. Būtent čia atsiranda MTEP – moksliniai tyrimai ir eksperimentinė plėtra, leidžiantys pereiti nuo „gal veiks“ prie „veikia patikimai“.
Organizacijoms, kurios siekia realios vertės, nepakanka pritaikyti standartinį modelį ar sujungti kelias technologijas. Reikalingas nuoseklus procesas, kuriame sprendimas tikrinamas realiomis sąlygomis, su tikrais duomenimis, tikrais procesais ir realiomis klaidomis.
„Didžiausia klaida yra manyti, kad modelis, kuris veikia demo aplinkoje, automatiškai veiks ir organizacijoje. Dažniausiai būtent čia ir prasideda problemos“, – pasakoja Aistis Raudys, dirbtinio intelekto sprendimų kūrėjas. 
Kodėl dirbtiniam intelektui būtinas kontekstas?
Dirbtinis intelektas nėra universalus sprendimas, kurį galima „įdiegti“ vienodai visur. Tas pats modelis skirtingose organizacijose gali duoti visiškai skirtingus rezultatus. Tai lemia duomenų struktūra, procesai, vartotojų elgsena ir net sprendimo naudojimo būdas. MTEP etapas leidžia šiuos skirtumus identifikuoti iš anksto. Vietoje spėlionių atsiranda testavimas, hipotezių tikrinimas ir aiškus supratimas, kur sprendimas veikia, o kur – ne.
„Dirbtinis intelektas visada yra apie duomenis. Jei nesupranti jų ribų, nesuprasi ir modelio ribų“, – pabrėžia A. Raudys.
MTEP ir patikimi DI sprendimai
Vienas dažniausių iššūkių – modeliai, kurie puikiai veikia testavimo aplinkoje, tačiau realybėje pradeda klysti. Pasikeičia sezoniškumas, atsiranda nauji duomenų tipai, keičiasi vartotojų elgsena ir sprendimas tampa nestabilus. MTEP procese tokie scenarijai yra modeliuojami iš anksto. Tikrinama, kaip sistema reaguoja į pokyčius, kur yra jos ribos ir kaip tas ribas galima valdyti.
Svarbus ir kitas aspektas – paaiškinamumas. Organizacijoms nepakanka žinoti, kad modelis „veikia“.
Jos nori suprasti, kodėl jis priima vieną ar kitą sprendimą.
„Jei negali paaiškinti modelio sprendimo, negali jo pilnai kontroliuoti“, – teigia A. Raudys.
Nuo problemos apibrėžimo iki veikiančio sprendimo
Brandus MTEP procesas visada prasideda nuo labai aiškaus klausimo: kokią problemą sprendžiame ir kaip matuosime sėkmę. Tik tada pereinama prie duomenų analizės, jų kokybės vertinimo ir paruošimo.
Šiame etape dažnai paaiškėja, kad:
- dalis duomenų yra klaidinantys;
- trūksta svarbios informacijos;
- egzistuoja paslėpti šališkumai.
Tik išsprendus šiuos klausimus galima pereiti prie modelių kūrimo ir eksperimentavimo. Čia svarbus ne tik tikslumas, bet ir greitis, stabilumas bei galimybė sprendimą integruoti į realius procesus.
Kaip MTEP veikia praktikoje?
Šis principas aiškiai atsiskleidžia dirbant su medicinos sektoriaus projektais, kur klaidų kaina yra ypač didelė, o procesai – sudėtingi. Vienas iš pavyzdžių – AAI-Labs vystomas sprendimas „Medicall“, kuris yra skirtas optimizuoti skambučių centrų darbą didelio srauto medicinos įstaigose. Problema čia labai konkreti: tūkstančiai skambučių per mėnesį, ilgas laukimo laikas ir didelė administracinė našta.
Sprendimas nebuvo kuriamas „nuo technologijos“, o nuo realios situacijos analizės. Buvo vertinama, kaip vyksta pokalbiai, kokie yra pasikartojantys klausimai, kur operatoriai sugaišta daugiausia laiko.
„Tokiuose projektuose svarbiausia ne modelio sudėtingumas, o tai, ar jis realiai sumažina žmogaus darbo krūvį“, – pažymi A. Raudys.
Sistema apjungia kelis komponentus:
- kalbos atpažinimą realiu laiku;
- kontekstinį atsakymų generavimą;
- automatinį vizitų planavimą;
- pokalbių santraukų kūrimą.
Technologiškai naudojami pažangūs modeliai (tokie kaip „Whisper“ ar „Wav2Vec2“), tačiau esminė vertė atsiranda iš jų pritaikymo konkrečiam kontekstui: lietuviškai kalbai, medicininei terminologijai ir realiems pacientų scenarijams. Rezultatas – ne tik greitesnis aptarnavimas, bet ir sumažinta administracinė našta bei geresnė pacientų patirtis. 
AAI Labs MTEP projektai
MTEP principai praktikoje atsiskleidžia per konkrečius projektus, kuriuos AAI Labs vykdo kartu su mokslo institucijomis ir verslo partneriais.
Technologijas kuriame įvairiuose projektuose:
- AIDER – autonominis dronų pristatymas (Eureka-II, 2026–2028) – AI valdoma sistema sunkiasvoriams dronams, pristatantiems kritiškai svarbias atsargas į sunkiai pasiekiamas zonas.
- Didieji kalbos modeliai medicinai (ERPF, 2024–2026) – specializuotas medicininės kalbos modelis sveikatos priežiūros dokumentams, integruojamas laikantis sektoriaus reglamentų.
- Automatinio skambintojo ir asistento sistema (ERPF, 2024–2026) – automatinis skambučių asistentas, veikiantis trimis kalbomis, realaus laiko sufleris operatoriams ir emocinės balso analizės modulis.
- 5G inovacijos transporte – Kautra (NextGenerationEU, 2024–2025) – integruota tarpmiestinio transporto platforma: įvykių aptikimas, bilietų nuskaitymas, nuolaidų kortelių atpažinimas ir dinaminė kainodara.
- 5G dronų bazinės stotys miesto stebėjimui (NextGenerationEU, 2024–2025) – DBOX M2 5G ir DBOX Mini 5G sistemos infrastruktūros stebėjimui; pirmoji pasaulyje 5G stotis su automatine dronų baterijų keitimo funkcija.
- 5G ir AI viešojo transporto optimizavimas – JUDU/Vilnius (NextGenerationEU, 2024–2025) – transporto optimizavimo sistema nuo 5G įrangos tyrimo iki IoT modelių diegimo.
- FUN-KB – AI apskaitos asistentas (ES fondai, 2025–2027) – LLM pagrįstas apskaitos asistentas lietuvių kalba, skirtas daugiau nei 10 000 apskaitos įmonių Lietuvoje.
Sudėtingesnis lygmuo yra medicininės kalbos supratimas
Dar vienas projektas rodo, kaip MTEP leidžia kurti aukštesnio lygio sprendimus – specializuotus didžiuosius kalbos modelius (LLM), skirtus medicininių dokumentų analizei. Šiame projekte, kuris buvo įgyvendintas kartu su Santaros klinikomis, sprendžiama sudėtinga problema: kaip automatiškai suprasti medicininę kalbą, kuri yra itin specifinė, kontekstinė ir jautri klaidoms.
Sistema geba:
- struktūruoti medicininius dokumentus;
- generuoti santraukas;
- transkribuoti gydytojo ir paciento pokalbius;
- atpažinti medicininę terminologiją realiu laiku.
Technologinis sprendimas jungia LLaMA architektūros modelius su kalbos atpažinimo technologijomis, tokiomis kaip „Whisper“ ar „wav2vec 2.0“. Tačiau esminis proveržis įvyko ne technologijoje, o duomenyse (modeliai buvo treniruojami su realiais medicininiais įrašais, leidžiančiais suprasti kontekstą, o ne tik žodžius).
„Medicinoje nepakanka atpažinti kalbą – reikia suprasti jos prasmę. Vienas netikslus terminas gali visiškai pakeisti interpretaciją“, – akcentuoja A. Raudys.
Tokio tipo sprendimai leidžia reikšmingai sumažinti dokumentavimo laiką, pagreitinti informacijos analizę ir sumažinti žmogiškųjų klaidų tikimybę.
DUK
Kas yra MTEP AI projektuose?
MTEP (moksliniai tyrimai ir eksperimentinė plėtra) AI kontekste – tai veiklos, kurių metu kuriami nauji arba iš esmės tobulinami dirbtinio intelekto sprendimai, algoritmai ar technologijos.
Kada AI projektas laikomas MTEP?
Kai sprendžiama neaiški, technologiniu požiūriu sudėtinga problema ir kuriamas naujas sprendimas, o ne tiesiog diegiamas jau egzistuojantis įrankis.
Kokie AI projektai dažniausiai patenka į MTEP kategoriją?
Tai gali būti naujų modelių kūrimas, unikalių duomenų apdorojimo metodų kūrimas, sudėtingos prognozavimo sistemos ar inovatyvūs automatizavimo sprendimai.
Ar chatbot kūrimas yra MTEP?
Dažniausiai ne. Jei naudojami jau paruošti sprendimai – tai nėra MTEP. Tačiau jei kuriamas unikalus modelis ar algoritmas – gali būti priskiriama MTEP.
Kokia nauda verslui iš MTEP AI srityje?
Galima pasinaudoti mokesčių lengvatomis, padidinti konkurencinį pranašumą ir sukurti unikalias technologijas, kurių neturi konkurentai.
Kokios išlaidos gali būti priskirtos MTEP?
Darbuotojų atlyginimai, technologijų kūrimo sąnaudos, testavimas, prototipų kūrimas, duomenų rinkimas ir analizė.
Kaip pagrįsti MTEP veiklą AI projekte?
Reikia dokumentuoti problemą, tyrimo procesą, eksperimentus, rezultatus ir įrodyti, kad sprendimas nėra standartinis ar lengvai prieinamas rinkoje.