Escolhendo uma abordagem de PNL para saúde e ciências biológicas

A Abordagens generativas de IA e PNL para saúde e ciências biológicas seção descreve as seguintes abordagens para lidar com tarefas de processamento de linguagem natural (PNL) para aplicações de saúde e ciências biológicas:

• Usando o Amazon Comprehend Medical

• Combinando o Amazon Comprehend Medical com um LLM em um fluxo de trabalho de Retrieval Augment Generation (RAG)

• Usando um LLM aperfeiçoado

• Usando um fluxo de trabalho RAG

Ao avaliar as limitações conhecidas das LLMs tarefas do domínio médico e seu caso de uso, você pode escolher qual abordagem funcionará melhor para sua tarefa. A árvore decisória a seguir pode ajudá-lo a escolher uma abordagem LLM para sua tarefa médica de PNL:

O diagrama mostra o seguinte fluxo de trabalho:

1. Para casos de uso de saúde e ciências biológicas, identifique se a tarefa de PNL requer conhecimento de domínio específico. Conforme necessário, coordene com especialistas no assunto (SMEs).

2. Se você puder usar um LLM geral ou um modelo treinado em conjuntos de dados médicos, use um modelo básico disponível no Amazon Bedrock ou no LLM pré-treinado. Para obter mais informações, consulte Escolhendo um LLM neste guia.

3. Se os recursos de detecção de entidades e de vinculação de ontologias do Amazon Comprehend Medical atenderem ao seu caso de uso, use o Amazon Comprehend Medical. APIs Para obter mais informações, consulte Usando o Amazon Comprehend Medical neste guia.

4. Às vezes, o Amazon Comprehend Medical tem o contexto necessário, mas não dá suporte ao seu caso de uso. Por exemplo, você pode precisar de definições de entidade diferentes, receber um grande número de resultados, precisar de entidades personalizadas ou precisar de uma tarefa de PNL personalizada. Se for esse o caso, use uma abordagem RAG para consultar o contexto do Amazon Comprehend Medical. Para obter mais informações, consulte Combinando o Amazon Comprehend Medical com grandes modelos de linguagem neste guia.

5. Se você tiver uma quantidade suficiente de dados reais básicos, ajuste um LLM existente. Para obter mais informações, consulte Abordagens de personalização neste guia.

6. Se as outras abordagens não satisfizerem os objetivos médicos de suas tarefas de PNL, implemente uma solução RAG. Para obter mais informações, consulte Abordagens de personalização neste guia.

7. Depois de implementar a solução RAG, avalie se as respostas geradas são precisas. Para obter mais informações, consulte Avaliação LLMs para aplicações de saúde e ciências biológicas neste guia. É comum começar com um modelo Amazon Titan Text Embeddings ou um modelo geral de transformador de frases, como o All-MiniLM-L6-v2. No entanto, devido à falta de contexto de domínio, esses modelos podem não capturar a terminologia médica do texto. Se necessário, considere os seguintes ajustes:

   1. Avalie outros modelos de incorporação

   2. Ajuste o modelo de incorporação com conjuntos de dados específicos do domínio

Considerações sobre a maturidade dos negócios

A maturidade dos negócios é fundamental ao adaptar as soluções de LLM para aplicações de saúde e ciências biológicas. Essas organizações enfrentam vários níveis de complexidade durante a implementação LLMs, dependendo de seus critérios de aceitação. Frequentemente, organizações que não têm recursos de IA/ML investem no suporte de prestadores de serviços para criar soluções de LLM. Nessas situações, é importante entender as seguintes vantagens e desvantagens:

• Alto desempenho para alto custo e manutenção — Você pode precisar de uma solução complexa que envolva ajustes finos ou personalizados LLMs para atender a padrões de desempenho rigorosos. No entanto, isso acarreta custos e requisitos de manutenção mais altos. Talvez seja necessário contratar recursos especializados ou fazer parcerias com prestadores de serviços para manter essas soluções sofisticadas. Isso pode potencialmente retardar o desenvolvimento.

• Bom desempenho com baixo custo e manutenção — Como alternativa, você pode descobrir que serviços como o Amazon Bedrock ou o Amazon Comprehend Medical oferecem um desempenho aceitável. Embora essas LLMs ou abordagens possam fornecer resultados perfeitos, essas soluções geralmente podem fornecer resultados consistentes e de alta qualidade. Essas soluções têm menor custo e reduzem a carga de manutenção. Isso pode acelerar o desenvolvimento.

Se uma abordagem mais simples e de baixo custo fornecer consistentemente resultados de alta qualidade que atendam aos seus critérios de aceitação, considere se o aumento do desempenho compensa as compensações de custo, manutenção e tempo. No entanto, se a solução mais simples ficar significativamente aquém do desempenho desejado e se sua organização não tiver a capacidade de investimento em soluções complexas e seus requisitos de manutenção, considere adiar o desenvolvimento de IA/ML até que mais recursos ou soluções alternativas estejam disponíveis.

Além disso, para qualquer solução médica de PNL que dependa de um LLM, recomendamos que você realize monitoramento e avaliação contínuos. Avalie o feedback dos usuários ao longo do tempo e implemente avaliações periódicas para garantir que a solução continue atendendo aos seus objetivos comerciais.