Comment le chiffon soutient-il les initiatives de RAG AI?
Qu’est-ce qu’une génération de recherche?
Pour RAG, LLM est mieux placé pour optimiser sa sortie avant de générer la réponse, explique Syed, PDG Amazon Web Services for Health AI. Ceci est précieux lorsque l’utilisateur pose des questions spécifiques ou techniques.
“La base de connaissances externe faisant autorité est généralement à la hausse que les données de formation du modèle, ce qui est un avantage clé”, dit-il. “Pour les soins de santé, cela signifie que les LLM peuvent utiliser les dernières recherches médicales, instructions cliniques et données des patients pour fournir des réponses plus précises et pertinentes.”
En plus d’améliorer la précision, RAG peut aider les organisations à faire face aux préoccupations concernant les modèles d’IA qui déforment le risque et sous-estiment la nécessité de soins dans les populations minoritaires. LLM ne s’appuie qu’à l’avance, tandis que Syed explique que RAG permet aux organisations une “base de connaissances de représentation curative” et permet aux utilisateurs de suivre les réponses à la source des informations.
Il est important de réaliser que le chiffon dépasse le LLM existant. Le to-, adapte le modèle à un domaine spécifique et nécessite une rétroaction approfondie pour saisir un matériel de formation supplémentaire et générer de nouvelles questions et réponses, explique Stroum. Pas étonnant que cela puisse être long et coûteux.
Le chiffon, en revanche, ne change pas le modèle, mais “étend sa capacité à obtenir et à incorporer des informations externes pendant l’exécution”, explique Syed. “Cette approche offre une plus grande flexibilité, permettant au modèle d’accéder aux dernières informations sans avoir à se rétracter.”
EXPLORER: Voici trois domaines où la mise en œuvre des chiffons peut être améliorée.
Avantages de HADR pour les établissements de santé
Syed dit que RAG est attiré par des informations up-dates, qui ne sont pas attirées par le LLM traditionnel, qui n’a pas accès aux dernières recherches médicales. Les cas d’utilisation pour l’intégration de la compréhension d’Amazon du service médical pour le traitement du langage naturel dans le processus de travail des chiffons comprennent l’automatisation du codage médical, la génération de résumé clinique, l’analyse des effets secondaires des médicaments et le déploiement des systèmes d’aide à la décision.
En interne, RAG permet aux LLMS d’attirer les dossiers des patients et d’autres ressources confidentielles sur lesquelles les LLM n’ont pas été généralement formées. Les systèmes de santé peuvent utiliser un chiffon pour créer du matériel d’éducation des patients hautement personnalisé, note Syed.
Cela met l’accent sur le principal avantage du chiffon, qui est sa capacité à naviguer dans des données non structurées. Le Strum pointe des preuves de la couverture des documents; L’assureur travaillant dans plusieurs pays peut facilement en avoir des centaines. Avec RAG, il est possible d’inviter le modèle à retirer la copaiement pour une procédure spécifique en fonction d’un plan spécifique dans une région particulière.
Le chiffon est également une étape importante des fonctions de recherche traditionnelles qui cherchent à reconnaître que les différences entre les temps verbes (tels qu’ils sont comme couru et courir) ne devrait pas nécessairement avoir un impact sur les résultats de la recherche.
“Les modèles d’aujourd’hui peuvent voir ce que vous demandez et que vous pardonnez plus”, explique Stroum.
En conséquence, le RAG est plus accessible aux utilisateurs finaux qui sont moins compétents technologiquement, qui pourraient autrement frustrer. Il permet également des défis plus détaillés. Par exemple, l’équipe RH peut rechercher le référentiel CV pour les candidats avec au moins trois ans d’expérience dans le codage actuel de la terminologie procédurale. “Rag utilise toujours les attentes de base du modèle de langue, mais maintenant vous pouvez moduler le niveau de conversation”, ajoute Stroum.
