คนรุ่นใหม่คืออะไร?
ด้วย RAG LLM จะดีกว่าเพื่อเพิ่มประสิทธิภาพผลลัพธ์ของเขาก่อนที่จะสร้างคำตอบ Tehsin Syed ผู้จัดการทั่วไปของ Amazon Web Services สำหรับ Health AI กล่าว สิ่งนี้มีค่าเมื่อผู้ใช้ถามคำถามเฉพาะหรือทางเทคนิค
“ ฐานความรู้ภายนอกที่เชื่อถือได้มักจะเป็นปัจจุบันมากกว่าข้อมูลการฝึกอบรมของโมเดลซึ่งเป็นข้อได้เปรียบที่สำคัญ” เขากล่าว “สำหรับการดูแลสุขภาพซึ่งหมายความว่า LLM สามารถใช้การวิจัยทางการแพทย์ล่าสุดแนวทางปฏิบัติทางคลินิกและข้อมูลผู้ป่วยเพื่อให้คำตอบที่แม่นยำและเกี่ยวข้องกับบริบทมากขึ้น”
นอกเหนือจากการปรับปรุงความถูกต้องแล้ว RAG สามารถช่วยองค์กรจัดการกับความกังวลเกี่ยวกับอคติในโมเดล AI ที่ผิดความเสี่ยงและประมาทความต้องการการดูแลในประชากรชนกลุ่มน้อย LLMs ขึ้นอยู่กับความรู้ก่อนหน้าเพียงอย่างเดียวในขณะที่ Syed อธิบายว่า RAG อนุญาตให้องค์กร “รวบรวมฐานความรู้ที่แตกต่างกันมากขึ้น” และอนุญาตให้ผู้ใช้ติดตามคำตอบกลับไปยังแหล่งข้อมูล
เป็นสิ่งสำคัญที่จะต้องทราบว่าผ้าขี้ริ้วนั้นเกินกว่าที่จะปรับ LLM ที่มีอยู่ การปรับแต่งอย่างละเอียดปรับรูปแบบให้เป็นโดเมนเฉพาะและต้องใช้ลูปข้อเสนอแนะที่ครอบคลุมเพื่อป้อนเนื้อหาการออกกำลังกายเพิ่มเติมและสร้างคำถามและคำตอบใหม่ Stroum กล่าว ไม่น่าแปลกใจที่มันอาจเป็นเวลา -ใช้เวลานานและมีราคาแพง
ในทางกลับกัน RAG ไม่ได้เปลี่ยนโมเดล แต่ “เพิ่มความสามารถโดยการดาวน์โหลดและรวมข้อมูลภายนอกในเวลาทำงาน” Syed กล่าว “วิธีการนี้ให้ความยืดหยุ่นมากขึ้นช่วยให้แบบจำลองสามารถเข้าถึงข้อมูลล่าสุดได้โดยไม่ต้องได้รับการฝึกอบรมใหม่”
สำรวจ: นี่คือสามพื้นที่ที่สามารถปรับปรุงการใช้งาน RAG ได้
ประโยชน์ของผ้าขี้ริ้วสำหรับสถาบันสุขภาพ
ด้วยการวาดข้อมูลเกี่ยวกับข้อมูล RAG มีจุดประสงค์เพื่อจัดการกับข้อ จำกัด ของ LLM แบบดั้งเดิมที่ไม่สามารถเข้าถึงการวิจัยทางการแพทย์ล่าสุดได้ Syed กล่าว ใช้กรณีการใช้บริการการประมวลผลภาษาธรรมชาติของ Amazon Comprey Medical ในกระบวนการทำงาน RAG รวมถึงระบบอัตโนมัติของการเข้ารหัสทางการแพทย์การสร้างบทสรุปทางคลินิกการวิเคราะห์ผลข้างเคียงทางการแพทย์และการใช้งานระบบสนับสนุนการตัดสินใจ
ภายใน RAG ช่วยให้ LLM สามารถวาดในบันทึกของผู้ป่วยและแหล่งที่เป็นความลับอื่น ๆ ที่ LLM ทั่วไปไม่เคยได้รับการฝึกฝน ระบบสุขภาพสามารถใช้ RAG เพื่อสร้างวัสดุการศึกษาผู้ป่วยที่เป็นส่วนตัวมาก
สิ่งนี้เน้นถึงข้อได้เปรียบที่สำคัญของ RAG ซึ่งเป็นความสามารถในการนำทางข้อมูลที่ไม่มีโครงสร้าง Stroum ชี้ไปที่หลักฐานการครอบคลุมเอกสาร; บริษัท ประกันภัยที่ดำเนินงานในหลายรัฐสามารถมีได้ง่ายหลายร้อยแห่ง ด้วยผ้าขี้ริ้วเป็นไปได้ที่จะขอให้แบบจำลองการดึง copay ขึ้นไปตามขั้นตอนเฉพาะภายใต้แผนเฉพาะในเขตที่เฉพาะเจาะจง
ผ้าขี้ริ้วยังเป็นขั้นตอนที่สำคัญไปข้างหน้าจากฟังก์ชั่นการค้นหาแบบดั้งเดิมที่ดิ้นรนเพื่อรับทราบว่าความแตกต่างระหว่างเวลาคำกริยา วิ่ง และ วิ่ง) ไม่ควรส่งผลกระทบต่อผลการค้นหา
“ นางแบบของวันนี้สามารถเห็นสิ่งที่คุณถามและพวกเขาให้อภัยมากขึ้น” Stroum กล่าว
เป็นผลให้ RAG สามารถเข้าถึงได้มากขึ้นสำหรับผู้ใช้ที่มีความรู้ทางเทคนิคน้อยกว่าซึ่งอาจผิดหวัง นอกจากนี้ยังช่วยให้ได้พรอมต์ระดับความลึกมากขึ้น ตัวอย่างเช่นทีม HR สามารถค้นหาหุ้น CV สำหรับผู้สมัครที่มีประสบการณ์อย่างน้อยสามปีในคำศัพท์ขั้นตอนปัจจุบัน “ ผ้าขี้ริ้วยังคงใช้ความคาดหวังพื้นฐานของรูปแบบภาษา แต่ตอนนี้คุณสามารถปรับระดับการสนทนาได้” Stroum กล่าวเสริม