Memilih pendekatan NLP untuk perawatan kesehatan dan ilmu kehidupan - AWS Panduan Preskriptif
Pertimbangan kematangan bisnis

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Memilih pendekatan NLP untuk perawatan kesehatan dan ilmu kehidupan

Pendekatan AI dan NLP generatif untuk perawatan kesehatan dan ilmu kehidupanBagian ini menjelaskan pendekatan berikut untuk menangani tugas pemrosesan bahasa alami (NLP) untuk aplikasi perawatan kesehatan dan ilmu hayati:

  • Menggunakan Amazon Comprehend Medical

  • Menggabungkan Amazon Comprehend Medical dengan LLM dalam alur kerja Retrieval Augment Generation (RAG)

  • Menggunakan LLM yang disetel dengan baik

  • Menggunakan alur kerja RAG

Dengan mengevaluasi batasan yang diketahui LLMs untuk tugas domain medis dan kasus penggunaan Anda, Anda dapat memilih pendekatan mana yang paling sesuai untuk tugas Anda. Pohon keputusan berikut dapat membantu Anda memilih pendekatan LLM untuk tugas NLP medis Anda:

Pohon keputusan untuk memilih pendekatan untuk memecahkan tugas NLP domain medis.

Diagram menunjukkan alur kerja berikut:

  1. Untuk kasus penggunaan perawatan kesehatan dan ilmu hayati, identifikasi apakah tugas NLP memerlukan pengetahuan domain tertentu. Sesuai kebutuhan, berkoordinasi dengan ahli materi pelajaran (SMEs).

  2. Jika Anda dapat menggunakan LLM umum atau model yang telah dilatih pada dataset medis, maka gunakan model fondasi yang tersedia di Amazon Bedrock atau LLM yang telah dilatih sebelumnya. Untuk informasi selengkapnya, lihat Memilih LLM dalam panduan ini.

  3. Jika kemampuan deteksi entitas dan penautan ontologi Amazon Comprehend Medical menangani kasus penggunaan Anda, maka gunakan Amazon Comprehend Medical. APIs Untuk informasi selengkapnya, lihat Menggunakan Amazon Comprehend Medical dalam panduan ini.

  4. Terkadang, Amazon Comprehend Medical memiliki konteks yang diperlukan tetapi tidak mendukung kasus penggunaan Anda. Misalnya, Anda mungkin memerlukan definisi entitas yang berbeda, menerima hasil yang sangat banyak, memerlukan entitas khusus, atau memerlukan tugas NLP khusus. Jika ini masalahnya, gunakan pendekatan RAG untuk menanyakan Amazon Comprehend Medical untuk konteks. Untuk informasi selengkapnya, lihat Menggabungkan Amazon Comprehend Medical dengan model bahasa besar dalam panduan ini.

  5. Jika Anda memiliki jumlah data kebenaran dasar yang cukup, sempurnakan LLM yang ada. Untuk informasi selengkapnya, lihat Pendekatan kustomisasi dalam panduan ini.

  6. Jika pendekatan lain tidak memenuhi tujuan tugas NLP medis Anda, terapkan solusi RAG. Untuk informasi selengkapnya, lihat Pendekatan kustomisasi dalam panduan ini.

  7. Setelah menerapkan solusi RAG, evaluasi apakah respons yang dihasilkan akurat. Untuk informasi selengkapnya, lihat Mengevaluasi aplikasi LLMs perawatan kesehatan dan ilmu hayati dalam panduan ini. Adalah umum untuk memulai dengan model Amazon Titan Text Embeddings atau model transformator kalimat umum, seperti All-minilm-L6-v2. Namun, karena kurangnya konteks domain, model ini mungkin tidak menangkap terminologi medis dari teks tersebut. Jika perlu, pertimbangkan penyesuaian berikut:

    1. Evaluasi model penyematan lainnya

    2. Sempurnakan model penyematan dengan kumpulan data khusus domain

Pertimbangan kematangan bisnis

Kematangan bisnis sangat penting ketika mengadaptasi solusi LLM untuk aplikasi perawatan kesehatan dan ilmu hayati. Organisasi-organisasi ini menghadapi berbagai tingkat kompleksitas saat menerapkan LLMs, tergantung pada kriteria penerimaan mereka. Seringkali, organisasi yang kekurangan sumber daya AI/ML berinvestasi dalam dukungan kontraktor untuk membangun solusi LLM. Dalam situasi ini, penting untuk memahami trade-off berikut:

  • Kinerja tinggi untuk biaya dan pemeliharaan tinggi — Anda mungkin memerlukan solusi kompleks yang melibatkan penyesuaian atau penyesuaian khusus LLMs untuk memenuhi standar kinerja yang ketat. Namun, ini datang dengan biaya dan persyaratan pemeliharaan yang lebih tinggi. Anda mungkin perlu menyewa sumber daya khusus atau bermitra dengan kontraktor untuk mempertahankan solusi canggih ini. Ini berpotensi memperlambat perkembangan.

  • Kinerja yang baik untuk biaya rendah dan pemeliharaan — Atau, Anda mungkin menemukan bahwa layanan seperti Amazon Bedrock atau Amazon Comprehend Medical memberikan kinerja yang dapat diterima. Meskipun ini LLMs atau pendekatan mungkin memberikan hasil yang sempurna, solusi ini sering dapat memberikan hasil yang konsisten dan berkualitas tinggi. Solusi ini adalah biaya yang lebih rendah dan mengurangi beban pemeliharaan. Hal ini dapat mempercepat pembangunan.

Jika pendekatan yang lebih sederhana dan berbiaya lebih rendah secara konsisten memberikan hasil berkualitas tinggi yang memenuhi kriteria penerimaan Anda, pertimbangkan apakah peningkatan kinerja sepadan dengan biaya, pemeliharaan, dan pengorbanan waktu. Namun, jika solusi yang lebih sederhana jauh dari kinerja target, dan jika organisasi Anda tidak memiliki kapasitas investasi untuk solusi kompleks dan persyaratan pemeliharaannya, pertimbangkan untuk menunda pengembangan AI/ML sampai lebih banyak sumber daya atau solusi alternatif tersedia.

Selain itu, untuk solusi NLP medis apa pun yang bergantung pada LLM, kami menyarankan Anda melakukan pemantauan dan evaluasi berkelanjutan. Menilai umpan balik dari pengguna dari waktu ke waktu, dan menerapkan penilaian berkala untuk memastikan bahwa solusi terus memenuhi tujuan bisnis Anda.