Gdje ML stvarno radi — i gdje pada: pregled po industrijama

Postoji razlika između onoga što ML može i onoga što ML radi — u stvarnim organizacijama, s pravim podacima, u svakodnevnom radu. Ta razlika je često veća nego što konferencijske prezentacije sugeriraju.

Medicina: tehnika radi, sustav se bori

Medicinska dijagnostika je jedna od najimpresivnijih primjena ML-a. Konvolucijske neuronske mreže za analizu medicinskih snimki — CT, MRI, dermoskopija — dostigle su i mjestimice premašile točnost specijalista u kontroliranim uvjetima testiranja.

Što stvarno funkcionira:

• Detekcija karcinoma pluća na CT snimkama — lažno negativni rate niži nego kod radiologa
• Klasifikacija dermatoloških lezija s točnošću dermatologa-specijalista
• Predikcija sepse 6 sati prije kliničkih simptoma u ICU okruženju

Gdje ML pada: Problem nije tehnički — problem je sociotehničan. Model treniran na snimkama jedne bolnice može pokazati drop u točnosti od 10–15% na snimkama druge bolnice zbog razlika u opremi, protokolima i demografiji pacijenata. Regulatorna odobrenja za medicinska AI rješenja traju godinama. Liječnici ne vjeruju "crnoj kutiji" koja ne može objasniti zašto misli da ima tumor.

Distribucijski pomak — razlika između podataka na kojima je model treniran i stvarnih podataka u produkciji — je najčešći razlog neuspjeha.

Financije: prijevara da, recesija ne

Fraud detection je ML success story koji se odvija tiho. Svaki put kad kartica bude blokirana jer ste kupili nešto u neobično doba dana u neobičnoj prodavaonici — to je ML na djelu. Banke koje su implementirale ML detekciju smanjile su lažno pozitivne alerte za 50–80% u usporedbi s rule-based sustavima.

Kreditni scoring je složenija priča. ML modeli su statistički precizniji od tradicionalnih formula, ali uvode pitanja pristranosti — model koji diskriminira na osnovu poštanskog broja može neizravno diskriminirati po rasi ili prihodovnoj skupini, bez da to itko eksplicitno programira.

Logistika: tamo gdje ML zarađuje pravi novac

Ako medicinska AI grabi naslove, logistička AI grabi prihode. Amazon-ov sustav predviđanja potražnje i optimizacije zaliha smanjuje troškove dostave za 15–25% — to su milijarde dolara godišnje. UPS je ML sustavima optimizirao rute i smanjio udaljenost vožnje za stotine milijuna milja godišnje.

Zašto logistika funkcionira posebno dobro? Podaci su strukturirani, ishodi su jasni (dostavljeno/nije dostavljeno, točno/nije točno), i model može brzo dobiti povratnu informaciju. Nema regulatornih prepreka i nema potrebe za interpretabilnošću — nikoga ne zanima zašto model preporučuje rutu, samo da li je brža.

Taksonomija neuspjeha

Bez obzira na industriju, ML sustavi padaju iz jednog od nekoliko razloga:

Concept drift — prijevarna ponašanja se mijenjaju. Model koji je naučio prepoznavati prijevare 2023. mora se retrainirati jer prevaranti uče izbjegavati ono što model traži.

Distribucijski pomak — podaci u produkciji ne izgledaju kao podaci za trening. Model bolnice A ne radi dobro u bolnici B.

Rijetki događaji — nikakva količina povijesnih podataka ne može adekvatno pokriti pandemiju, financijsku krizu ili geopolitički šok koji se nikad nije dogodio na ovaj način.

Garbage in, garbage out — model je dobar koliko i podaci. Senzorski šum, manjkava evidencija, nestandardizirani unosi podataka — sve to direktno utječe na kvalitetu modela.

ML nije panaceja. Ali tamo gdje su podaci kvalitetni, povratna petlja brza i problem dobro definiran — teško ga je pobijediti.

---

Izvori i dodatno čitanje

• AI in Healthcare 2026: What's Working and What's Not — NEJM AI
• Machine Learning in Finance: Applications and Challenges — McKinsey
• How Amazon Uses Machine Learning — AWS Blog
• AI Failures and What We Can Learn From Them — MIT Technology Review
• Concept Drift in Machine Learning — Google Research
• Distribution Shift: The Hidden Killer of ML Models — Papers With Code