Привет! Я Алина, врач-психиатр. Сегодня расскажу про синтетические датасеты и про то, как сделать свои собственные данные наиболее ценными.
💥 Навал Равикант, инвестор и фаундер AngelList, сказал: «Чистый софт неинвестируем».
Логика простая: команда из двух человек с современными AI-инструментами воспроизводит 80% B2B SaaS-продукта за 90 дней. Преимуществом становится то, что нельзя скопировать: дистрибуция, сетевые эффекты, накопление собственных данных, регуляторная экспертиза.
🔥 Что это значит для digital mental health?
Психиатрические данные — одни из самых защищённых в медицине. Записи сессий и истории болезни легально получить для обучения модели крайне сложно. Логичный обходной путь — генерировать диалоги синтетически.
💥 По данным препринта систематического обзора, более трети mental health AI-систем уже работают на синтетических данных. Когда так делает треть рынка, это не дает преимущество, но может стать входным билетом.
Что генерируют сегодня
🔶 MDD-5k — 5000 диагностических диалогов на основе анонимизированных реальных случаев и логики DSM-5
🔶 KMI — два агента (терапевт и пациент) в петле мотивационного интервью, 1000 диалогов на корейском
🔶 PsySafe — намеренная инъекция токсичных паттернов в системные промпты агентов для red-teaming, чтобы найти границы системы до того, как их найдёт пользователь в кризисе.
Все три воспроизводимы. Код и датасеты выложены, методологии прошли peer review.
Что тогда становится конкурентным преимуществом?
🔶 Проблема начального дефицита данных закрывается быстро. Узкая вертикаль лучше широкого продукта: когда все пользователи приходят с похожими паттернами, 500–1000 пациентов с измеренным исходом уже дают модели то, чего синтетика не воспроизведёт. Не потому, что нельзя сгенерировать похожие диалоги — можно. А потому, что синтетика усредняет: воспроизводит то, что часто встречается в обучающих данных, и теряет редкие клинические паттерны, которые живут на краях распределения.
🔶 Связка диалога с исходом то, что не сгенерируешь. Синтетический диалог существует в вакууме. Реальный имеет корреляции: пациентка вернулась через неделю? PHQ-9 снизился? Случился кризис? Самое ценное — не сам диалог, а корреляция. Связка «такой паттерн разговора — такой исход».
🔶 Данные уникальные, а не просто ваши. Диалоги про общую тревогу будут похожи у всех. Диалоги с подростками с РПП на русском языке, верифицированные детским психиатром, с привязкой к динамике симптомов через 4 недели — это другое.
🔶 Барьер входа кроме данных — это инфраструктура их сбора. Регуляторное одобрение, контракты с клиниками, врачи-эксперты в команде. Каждый цикл «пациент — исход» — это недели или месяцы, информированное согласие, клинический протокол.
Это то, что конкуренту с Claude Code не воспроизвести.
@FemtechForce — о технологиях для здоровья женщин
Текст подготовила #АлинаАкбашева