Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Nächste Schritte und Ressourcen
<a name="next-steps"></a>

Dieser Leitfaden hilft Ihnen dabei AWS-Services , medizinische NLP- und generative KI-Aufgaben für reale Anwendungen in Produktionsumgebungen zu automatisieren. Darin wird beschrieben, wie Sie Amazon Comprehend Medical, unterstützt durch Amazon Bedrock, vortrainierte medizinische Fachkräfte oder fein abgestimmt einsetzen können LLMs, um Ihre Geschäftsziele LLMs im Gesundheitswesen und in den Biowissenschaften LLMs zu erreichen. In diesem Leitfaden werden die Vor- und Nachteile der folgenden Ansätze beschrieben:
+ Unabhängige Nutzung von Amazon Comprehend Medical
+ Bereitstellung der Ergebnisse von Amazon Comprehend Medical für einen LLM
+ Verwendung eines vortrainierten allgemeinen LLM oder eines medizinischen LLM im Rahmen eines Retrieval Augmented Generation (RAG) -Ansatzes
+ Feinabstimmung eines allgemeinen LLM oder eines medizinischen LLM

Verwenden Sie den [Entscheidungsbaum](choosing-approach.md) und die [Überlegungen zur Geschäftsreife](choosing-approach.md#business-maturity) in diesem Leitfaden, um je nach Reifegrad Ihres Unternehmens AI/ML zwischen diesen Ansätzen zu wählen. Amazon Comprehend Medical und Amazon Bedrock LLMs bieten zwar leistungsstarke Funktionen, sind aber nur erfolgreich, wenn Sie sie ordnungsgemäß implementieren und auswerten. Verwenden Sie die in diesem Leitfaden beschriebenen [Bewertungsinformationen](evaluation.md) und [Kennzahlen](evaluation.md#evaluation-metrics), um die Leistung Ihrer Lösung zu überprüfen.

Für die nächsten Schritte empfehlen wir, dass IT-Manager, Architekten und technische Leiter des Gesundheitswesens mit AI/ML Ärzten zusammenarbeiten, um ihre medizinische NLP-Aufgabe zu ermitteln. Verwenden Sie diesen Leitfaden, um einen Entwicklungspfad auszuwählen, und verwenden Sie dann die entsprechenden AWS-Services Funktionen, um eine automatisierte Lösung erfolgreich zu implementieren. AWS

## AWS Ressourcen
<a name="aws-resources"></a>
+ Dokumentation von Amazon Comprehend Medical:
  + [Entwicklerhandbuch](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html)
  + [API Reference](https://docs.aws.amazon.com/comprehend-medical/latest/api/Welcome.html)
+ [Dokumentation zu Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html)
  + [Bewertung des Amazon Bedrock-Modells](https://docs.aws.amazon.com/bedrock/latest/userguide/model-evaluation.html)
  + [Feinabstimmung in Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/custom-model-fine-tuning.html)
+ [Feinabstimmung eines Modells in Amazon AI SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models-use-studio-updated-fine-tune.html)
+ [Amazon SageMaker Ground Truth](https://docs.aws.amazon.com/sagemaker/latest/dg/sms.html)
+ [Amazon Comprehend Toxizitätserkennung](https://docs.aws.amazon.com/comprehend/latest/dg/trust-safety.html#toxicity-detection)
+ [AWS Kompetenzpartner im Gesundheitswesen](https://aws.amazon.com/health/healthcare-partner-solutions/)

## Sonstige Ressourcen
<a name="other-resources"></a>
+ [Öffnen Sie die Medical-LLM-Bestenliste](https://huggingface.co/spaces/openlifescienceai/open_medical_llm_leaderboard)
+ [Eine Übersicht über umfangreiche Sprachmodelle für das Gesundheitswesen: von Daten, Technologie und Anwendungen bis hin zu Rechenschaftspflicht und Ethik](https://arxiv.org/pdf/2310.05694)
+ [Große Sprachmodelle sind schlechte Programmierer im medizinischen Bereich — Benchmarking bei der Abfrage von medizinischem Code](https://ai.nejm.org/doi/pdf/10.1056/AIdbp2300040)
+ [Vom Anfänger zum Experten: Medizinisches Wissen allgemein modellieren LLMs](https://arxiv.org/html/2312.01040v3)