Генеративный ИИ в ящике вашего стола: как туда добраться

Предыдущие статьи в этом ряд показали, как можно использовать генеративный ИИ для административный и функции бэк-офиса в здравоохранении. Теперь мы рассмотрим, как модели обучаются для этих конкретных целей.

Обучение генеративным моделям искусственного интеллекта

Каждая отрасль должна разрабатывать модели, специфичные для предметной области, а на здравоохранение ложится дополнительное бремя защиты личных данных. Эти требования поднимают вопрос о том, когда универсальные решения, предлагаемые крупными технологическими компаниями, уместны, когда организации здравоохранения могут получить достаточно большие наборы данных для разработки моделей и как ванильные LLM — или основополагающий LLMS — может быть улучшена за счет узких наборов данных от поставщика медицинских услуг.

Харман Дхаван, основатель и генеральный директор Бекхэм, говорит, что сейчас существуют «довольно дешевые» программы LLM, которые поставщики могут использовать и настраивать. Существуют не только хорошо известные варианты от OpenAI и Google, но и некоторые LLM с открытым исходным кодом.

Жан-Клод Сагбини, президент света В компании Value-Based Care Enablement говорится: «Vanilla LLM, безусловно, можно использовать в рамках конкретных проектов решений, которые позволяют вам ограничивать и контролировать результаты. Но в любом случае использование ИИ для бэк-офисной работы требует организационных ограничений. Члены команды должны быть обучены тому, как ответственно использовать ИИ, а это означает развертывание процесса управления изменениями для безопасного и эффективного обучения и внедрения этой технологии. Проблемы конфиденциальности являются важным фактором, особенно при использовании общедоступных платформ искусственного интеллекта».

Ищите ИИ По словам основателя и генерального директора Сары Надь, помогает клиентам подключать свои структурированные данные к LLM. Она говорит, что «чтобы быть эффективными, данные обучения не обязательно должны быть большими».

Она добавляет: «При работе с LLM лучше всего начинать с малого, используя только самые важные наборы данных. Одной из причин этого является необходимость привыкнуть к новым рабочим процессам, возникающим в результате получения степени LLM. Ознакомившись с этими рабочими процессами, организация может расширить свою деятельность за счет дополнительных наборов данных».

Йод Программное обеспечениеПо словам директора по продуктам и технологиям Прити Шаха, у нее есть необходимые соглашения о деловых партнерствах (BAA), чтобы получать данные о пациентах от своих клиентов. Она говорит, что 27% всех госпитализаций пациентов в США осуществляются с помощью растворов йода, включая данные в реальном времени.

Если вы вспомните, что ныне дискредитированный IBM Watson обучался на исследовательских работах, вы поймете, почему использование реальных данных о пациентах имеет решающее значение.

Мелвин Лай, старший научный сотрудник Кремниевый литейный завод, говорит, что варианты использования различаются, но «обучение на наборе данных размером от сотен гигабайт до нескольких терабайт текстовых данных должно привести к хорошо функционирующему LLM. ChatGPT-3 был обучен примерно на 45 терабайтах текстовых данных. Модели, ориентированные на конкретные задачи или области, обычно требуют меньше данных для разработки, но это повышает важность контроля качества входных данных».

Ник Степро, директор по продуктам и технологиям компании Аркадия, говорит: «Например, A1C пациента может быть отформатирован в EHR разными способами. Обучение модели выявлению этих переменных и последовательному их правильному отображению обеспечивает наиболее ценные и полезные результаты. Программистам следует обучать модели так, чтобы они каждый раз предоставляли выходные данные в определенном формате. Это делает приложение более надежным и надежным, обеспечивая согласованность, которую ожидают пользователи».

SS&C Голубая ПризмаПо словам Анны Туми, старшего директора по здравоохранению, модель искусственного интеллекта поколений разрабатывается следующим образом: они начинают либо с базовой модели, либо с модели, основанной только на медицинских записях. На традиционном языке машинного обучения результаты моделей называются векторные таблицы и состоят из таких правил, как «шесть процентов решения зависит от возраста, восемь процентов от наличия диабета» и т. д. Таким образом, SS&C Blue Prism анализирует собственные данные клиентов, чтобы применить настроенную векторную таблицу.

Для аудита и соблюдения требований инструмент может рассчитывать показатели на основе Набор данных и информации об эффективности здравоохранения (HEDIS). Они помогают организации отслеживать, насколько хорошо она проводит лечение, выявлять пробелы в общении с пациентами и устранять эти пробелы. На рис. 1 показан типичный экран SS&C Blue Prism.

Эрик Барнетт, руководитель консультационного отдела здравоохранения и биологических наук в Северной Америке в Avanade, говорит, что их клиенты обычно используют услуги на основе внутренних данных. Например, сотрудники могут создать презентацию, выполнив поиск в существующих документах компании, а также при необходимости принимая данные из Интернета.

Абхишек Шарма, директор по трансформации бизнеса в ловкость, говорит, что они используют генеративный искусственный интеллект для генерации синтетических данных для сценариев использования конкретных моделей машинного обучения для плательщиков и поставщиков, когда данные отсутствуют. Он советует учреждениям здравоохранения сочетать генеративный искусственный интеллект с другими цифровыми активами и глубоким опытом в предметной области для создания целостного решения.

Винеш Равикумар, партнер Сьерра Венчурспредсказывает, что со временем отрасли перейдут к более мелким и более специализированным LLM.

Главный директор по работе с клиентами Дейдре Леоне КонтрактПодАй считает, что успех генеративного искусственного интеллекта в разработке контрактов зависит от моделей, специфичных для конкретной области, где специализированные LLM обучены понимать сложные юридические ситуации, а также защищать конфиденциальную информацию о пациентах, чтобы избежать неточностей и неправильного использования. «Благодаря этой специализированной информации команда юристов может уверенно составлять контракты и контролировать их на протяжении всего жизненного цикла более продуктивно и эффективно, чем раньше».

Кэмерон Эндрюс, основатель и генеральный директор Сирона Медикал, пишет мне: «Выбор LLM похож на найм людей: некоторые умнее, некоторые более специализированы, а некоторые дороже других. Организации здравоохранения должны в первую очередь сосредоточиться на своей ИТ-инфраструктуре, чтобы гарантировать, что у них есть инструменты для легкого и быстрого выбора, замены, комбинирования и настройки LLM или выявления поставщиков и партнеров, которые это делают».

Акшай Шарма, директор по искусственному интеллекту в Лирика, говорит, что они используют комбинацию — то, что он называет «оркестром» — относительно малых языковых моделей (SML), которые можно точно настроить и запустить на более дешевых графических процессорах и даже центральных процессорах. Используя свои собственные данные в качестве входных данных, они могут разрабатывать специальные модели, например, для обоснования и понимания мошенничества, растрат и злоупотреблений, для координации выгод и для других задач, связанных с целостностью платежей.

Анализируя данные о претензиях и выявляя закономерности, которые могут указывать на мошеннические действия, поставщики медицинских услуг могут снизить риск финансовых потерь и повысить точность выставления счетов.

Дэвид Керейакес, управляющий партнер компании Виндхэм Венчур Партнерсговорит, что организации должны включать конечных пользователей в процесс проектирования, используя их для тестирования и формирования мнений.

ЦитиусТех недавно объявлено платформа тестирования для оценки качества генеративного искусственного интеллекта — CitiusTech Gen AI Quality & Trust Solutions. Шридхар Турага, старший вице-президент по данным и аналитике, отметил: «До сих пор не существует устоявшихся решений, не зависящих от технологий и платформ, которые комплексно измеряли бы качество и доверие к генеративному искусственному интеллекту в здравоохранении. Подходы, используемые при построении и оценке LLM и моделей фундамента, полезны, но не были разработаны специально для здравоохранения».

Решение CitiusTech позволяет клиентам измерять точность, калибровку, надежность, объективность, предвзятость, токсичность и эффективность своих моделей. Несколько новаторов в сфере здравоохранения провели бета-тестирование этого подхода, который можно интегрировать в существующие решения MLOps, DataOps и управления качеством.

Последняя статья этой серии будет посвящена важнейшему вопросу помощь мелким провайдерамуже преодолевшие свои пределы для удовлетворения текущих потребностей пациентов, извлекут преимущества, которые эта серия приписывает генеративному ИИ.