의료 및 생명 과학을 위한 NLP 접근 방식 선택

이 의료 및 생명과학을 위한 생성형 AI 및 NLP 접근 방식 섹션에서는 의료 및 생명과학 애플리케이션의 자연어 처리(NLP) 작업을 해결하기 위한 다음 접근 방식을 설명합니다.

• Amazon Comprehend Medical 사용

• 검색 증강 생성(RAG) 워크플로에서 Amazon Comprehend Medical과 LLM 결합

• 미세 조정된 LLM 사용

• RAG 워크플로 사용

의료 도메인 작업에 대한 LLMs의 알려진 제한 사항과 사용 사례를 평가하여 작업에 가장 적합한 접근 방식을 선택할 수 있습니다. 다음 의사 결정 트리는 의료 NLP 작업에 대한 LLM 접근 방식을 선택하는 데 도움이 될 수 있습니다.

이 다이어그램은 다음 워크플로를 보여줍니다.

1. 의료 및 생명과학 사용 사례의 경우 NLP 작업에 특정 도메인 지식이 필요한지 여부를 식별합니다. 필요에 따라 주제 전문가(SMEs.

2. 일반 LLM 또는 의료 데이터 세트에 대해 훈련된 모델을 사용할 수 있는 경우 Amazon Bedrock 또는 사전 훈련된 LLM에서 사용 가능한 파운데이션 모델을 사용합니다. 자세한 내용은 이 안내서의 LLM 선택 섹션을 참조하세요.

3. Amazon Comprehend Medical의 개체 감지 및 온톨로지 연결 기능이 사용 사례를 해결하는 경우 Amazon Comprehend Medical APIs 사용합니다. 자세한 내용은 이 안내서의 Amazon Comprehend Medical 사용 섹션을 참조하세요.

4. Amazon Comprehend Medical에는 필요한 컨텍스트가 있지만 사용 사례를 지원하지 않는 경우가 있습니다. 예를 들어 다른 엔터티 정의가 필요하거나, 많은 수의 결과를 받거나, 사용자 지정 엔터티가 필요하거나, 사용자 지정 NLP 작업이 필요할 수 있습니다. 이 경우 RAG 접근 방식을 사용하여 Amazon Comprehend Medical에서 컨텍스트를 쿼리합니다. 자세한 내용은 이 안내서의 Amazon Comprehend Medical과 대규모 언어 모델 결합 섹션을 참조하세요.

5. 충분한 양의 실측 데이터가 있는 경우 기존 LLM을 미세 조정합니다. 자세한 내용은 이 안내서의 사용자 지정 접근 방식 섹션을 참조하세요.

6. 다른 접근 방식이 NLP 작업 목표를 충족하지 못하는 경우 RAG 솔루션을 구현합니다. 자세한 내용은 이 안내서의 사용자 지정 접근 방식 섹션을 참조하세요.

7. RAG 솔루션을 구현한 후 생성된 응답이 정확한지 평가합니다. 자세한 내용은 이 안내서의 의료 및 생명과학 애플리케이션을 위한 LLMs 평가 섹션을 참조하세요. Amazon Titan Text Embeddings 모델 또는 all-MiniLM-L6-v2와 같은 일반 문장 변환기 모델로 시작하는 것이 일반적입니다. 그러나 도메인 컨텍스트 부족으로 인해 이러한 모델은 텍스트의 의학 용어를 캡처하지 못할 수 있습니다. 필요한 경우 다음 조정 사항을 고려하세요.

   1. 다른 임베딩 모델 평가

   2. 도메인별 데이터 세트로 임베딩 모델 미세 조정

비즈니스 성숙도 고려 사항

의료 및 생명과학 애플리케이션을 위해 LLM 솔루션을 조정할 때는 비즈니스 성숙도가 중요합니다. 이러한 조직은 수락 기준에 따라 LLMs 구현할 때 다양한 수준의 복잡성에 직면합니다. AI/ML 리소스가 부족한 조직은 LLM 솔루션을 구축하기 위해 계약업체 지원에 투자하는 경우가 많습니다. 이러한 상황에서는 다음과 같은 장단점을 이해하는 것이 중요합니다.

• 높은 비용 및 유지 관리를 위한 고성능 - 엄격한 성능 표준을 충족하기 위해 미세 조정 또는 사용자 지정 LLMs 필요한 복잡한 솔루션이 필요할 수 있습니다. 그러나 이로 인해 비용 및 유지 관리 요구 사항이 증가합니다. 이러한 정교한 솔루션을 유지하려면 전문 리소스를 고용하거나 계약업체와 협력해야 할 수 있습니다. 이렇게 하면 개발 속도가 느려질 수 있습니다.

• 저렴한 비용 및 유지 관리를 위한 우수한 성능 - 또는 Amazon Bedrock 또는 Amazon Comprehend Medical과 같은 서비스가 허용 가능한 성능을 제공한다는 것을 알 수 있습니다. 이러한 LLMs 또는 접근 방식은 완벽한 결과를 제공할 수 있지만 이러한 솔루션은 종종 일관된 고품질 결과를 제공할 수 있습니다. 이러한 솔루션은 비용이 절감되고 유지 관리 부담이 줄어듭니다. 이렇게 하면 개발이 가속화될 수 있습니다.

더 간단하고 저렴한 접근 방식이 수락 기준을 충족하는 고품질 결과를 일관되게 제공하는 경우 성능 향상이 비용, 유지 관리 및 시간 절충의 가치가 있는지 고려하세요. 그러나 더 간단한 솔루션이 목표 성능에 크게 미치지 못하고 조직이 복잡한 솔루션 및 유지 관리 요구 사항에 대한 투자 용량이 부족한 경우 더 많은 리소스 또는 대체 솔루션을 사용할 수 있을 때까지 AI/ML 개발을 연기하는 것이 좋습니다.

또한 LLM을 사용하는 모든 의료 NLP 솔루션의 경우 지속적인 모니터링 및 평가를 수행하는 것이 좋습니다. 시간이 지남에 따라 사용자의 피드백을 평가하고 정기적인 평가를 구현하여 솔루션이 비즈니스 목표를 계속 충족하는지 확인합니다.