Etki alanına özgü yanıt verme hızını artırmak için vektör yerleştirmeleri aracılığıyla büyük dil modellerini artırma

Araştırmamız, kanser bakımında çok çeşitli makine öğrenimi ve büyük dil modeli uygulamalarına odaklanmaktadır. Bu, hem doğrudan hasta bakımının iyileştirilmesini hem de zamanlama ve dokümantasyon gibi operasyonel zorlukların ele alınmasını içerir. Nihayetinde şu soruyu yanıtlamaya çalışıyoruz: Bu teknolojiler sağlık hizmetlerini hastalar, sağlayıcılar ve araştırmacılar için nasıl daha iyi hale getirebilir?

Büyük dil modelleri, araştırma ortamını dönüştürmeye başladı bile. Daha önce engelleyici olan doğal dil işleme görevleri, yapılandırılmamış verileri içeren birçok yeni araştırma hattını mümkün kılarak çok daha fazla araştırmacı tarafından ulaşılabilir hale geldi. Büyük bir zorluk, büyük dil modeli araçlarının ve altyapısının hızla değişen ortamıdır.

Birçok klinisyen ve araştırmacı uygulamalar için fikirlere sahip olabilir, ancak şu anda uygulama için gereken bağlamsal veya teknik bilgiye sahip değildir veya farklı yaklaşımların ödünleşimlerinin düşünceli bir şekilde değerlendirilmesine sahip değildir. Başlamak için bilgisayara Git, python ve PIP'yi yükleyin ve yüklemeyi doğrulamak için komutları bir terminalde çalıştırın. Ardından depoyu indirmek ve gerekli gereksinimleri yüklemek için git clone komutunu çalıştırın.

Bir vektör veritabanı oluşturmak için yapılandırmayı düzenleyin. py dosyası, aşağıdaki değişkenin değerini, büyük dil modelini artırmak için kullanılacak belgeleri içeren klasörün dosya yolu ile değiştirir. Ardından güncellenen dosyayı makaleler dizinine kaydedin.

Ardından, aynı dizindeki bir terminalde, veritabanını oluşturmak ve kalıcı hale getirmek için Python 3 build index komutuyla kodu yürütün. Veritabanının şimdi vektör veritabanı klasörüne kaydedilip kaydedilmediğini doğrulayın. Artırılmış LLM'yi sorgulamak için Python 3 run augmented llm'yi yürütün.

Terminalde py komutunu kullanın. Belge kümesindeki verilerle zenginleştirilmiş yanıtları almak için kullanıcı sorgularını sınayın. Ardından, işiniz bittiğinde çıkmak için kontrol artı C'ye basın.

MCQ'lar oluşturmak için dosya sorularını düzenleyin. py, örneklerin formatını not alarak. Benzer bir biçim izleyerek sorular ekleyin ve dosyayı kaydedin.

Yapılandırmayı düzenlemek için. pi dosyası, açık AI veya sarılma yüzü için API anahtarını ekleyin. Amaç, her iki sağlayıcının modelleriyle kıyaslama yapmaksa.

Şimdi dosyayı kaydedin. Ardından karşılaştırma llms'yi düzenleyin. py dosyasını açın ve test edilecek model kümesini seçin.

Karşılaştırılacak modellerin yorumunu kaldırdıktan sonra. Son olarak, bir terminalde, kodu compare llms komutuyla çalıştırın ve yürütmeden sonrai Derecelendirme veya başka bir inceleme için belirtilen klasördeki model yanıtlarını görüntüleyin. Test edilen MCQ'lar arasında, gömülü model, artırılmış açık AI modellerinde olduğu gibi, temel modelden önemli ölçüde daha iyi performans gösterdi.