Scelta di un approccio PNL per l'assistenza sanitaria e le scienze della vita

La Approcci generativi di intelligenza artificiale e PNL per l'assistenza sanitaria e le scienze della vita sezione descrive i seguenti approcci per affrontare le attività di elaborazione del linguaggio naturale (NLP) per applicazioni nel settore sanitario e delle scienze della vita:

• Utilizzo di Amazon Comprehend Medical

• Combinazione di Amazon Comprehend Medical con un LLM in un flusso di lavoro di Retrieval Augment Generation (RAG)

• Utilizzo di un LLM ottimizzato

• Utilizzo di un flusso di lavoro RAG

Valutando i limiti noti delle LLMs attività del settore medico e il vostro caso d'uso, potete scegliere l'approccio più adatto alla vostra attività. Il seguente schema decisionale può aiutarti a scegliere un approccio LLM per il tuo compito di PNL in ambito medico:

Il diagramma mostra il flusso di lavoro seguente:

1. Per i casi d'uso nel settore sanitario e delle scienze della vita, identifica se l'attività di PNL richiede conoscenze di dominio specifiche. Se necessario, coordinatevi con esperti in materia ()SMEs.

2. Se puoi utilizzare un LLM generico o un modello che è stato addestrato su set di dati medici, utilizza un modello base disponibile in Amazon Bedrock o il LLM preformato. Per ulteriori informazioni sul tagging, consulta Scegliere un LLMin questa guida.

3. Se le funzionalità di rilevamento delle entità e di collegamento ontologico di Amazon Comprehend Medical soddisfano il tuo caso d'uso, utilizza Amazon Comprehend Medical. APIs Per ulteriori informazioni sul tagging, consulta Utilizzo di Amazon Comprehend Medicalin questa guida.

4. A volte, Amazon Comprehend Medical ha il contesto richiesto ma non supporta il tuo caso d'uso. Ad esempio, potresti aver bisogno di definizioni di entità diverse, ricevere un numero enorme di risultati, avere bisogno di entità personalizzate o avere bisogno di un'attività di PNL personalizzata. In tal caso, utilizza un approccio RAG per interrogare Amazon Comprehend Medical per conoscere il contesto. Per ulteriori informazioni sul tagging, consulta Combinazione di Amazon Comprehend Medical con modelli linguistici di grandi dimensioniin questa guida.

5. Se disponi di una quantità sufficiente di dati di base, perfeziona un LLM esistente. Per ulteriori informazioni sul tagging, consulta Approcci di personalizzazionein questa guida.

6. Se gli altri approcci non soddisfano gli obiettivi delle vostre attività di PNL dal punto di vista medico, implementate una soluzione RAG. Per ulteriori informazioni sul tagging, consulta Approcci di personalizzazionein questa guida.

7. Dopo aver implementato la soluzione RAG, valuta se le risposte generate sono accurate. Per ulteriori informazioni sul tagging, consulta Valutazione LLMs per applicazioni nel settore sanitario e delle scienze della vitain questa guida. È normale iniziare con un modello Amazon Titan Text Embeddings o un modello generico di trasformazione delle frasi, come ALL-MiniLM-L6-v2. Tuttavia, a causa della mancanza di un contesto di dominio, questi modelli potrebbero non rispecchiare la terminologia medica del testo. Se necessario, prendete in considerazione le seguenti modifiche:

   1. Valuta altri modelli di incorporamento

   2. Perfeziona il modello di incorporamento con set di dati specifici del dominio

Considerazioni sulla maturità aziendale

La maturità aziendale è fondamentale quando si adattano le soluzioni LLM per applicazioni sanitarie e scientifiche. Queste organizzazioni devono affrontare diversi livelli di complessità durante l'implementazione LLMs, a seconda dei criteri di accettazione. Spesso, le organizzazioni che non dispongono di risorse AI/ML investono nel supporto di appaltatori per creare soluzioni LLM. In queste situazioni, è importante comprendere i seguenti compromessi:

• Prestazioni elevate per costi e manutenzione elevati: potrebbe essere necessaria una soluzione complessa che richieda una messa a punto o personalizzata LLMs per soddisfare rigorosi standard prestazionali. Tuttavia, ciò comporta costi e requisiti di manutenzione più elevati. Potrebbe essere necessario assumere risorse specializzate o collaborare con appaltatori per mantenere queste soluzioni sofisticate. Ciò può potenzialmente rallentare lo sviluppo.

• Buone prestazioni per costi e manutenzione ridotti: in alternativa, potresti scoprire che servizi come Amazon Bedrock o Amazon Comprehend Medical offrono prestazioni accettabili. Sebbene questi LLMs o questi approcci possano fornire risultati perfetti, queste soluzioni possono spesso fornire risultati coerenti e di alta qualità. Queste soluzioni hanno un costo inferiore e riducono gli oneri di manutenzione. Questo può accelerare lo sviluppo.

Se un approccio più semplice e a basso costo fornisce costantemente risultati di alta qualità che soddisfano i criteri di accettazione, valuta se l'aumento delle prestazioni valga i compromessi in termini di costi, manutenzione e tempo. Tuttavia, se la soluzione più semplice è significativamente inferiore alle prestazioni target e se l'organizzazione non ha la capacità di investimento per soluzioni complesse e i relativi requisiti di manutenzione, prendi in considerazione la possibilità di posticipare lo sviluppo di AI/ML fino a quando non saranno disponibili più risorse o soluzioni alternative.

Inoltre, per qualsiasi soluzione di PNL medica che si basa su un LLM, consigliamo di eseguire un monitoraggio e una valutazione continui. Valuta il feedback degli utenti nel tempo e implementa valutazioni periodiche per assicurarti che la soluzione continui a soddisfare i tuoi obiettivi aziendali.