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.

Entwicklung und Orchestrierung generativer KI-Lösungen für das Gesundheitswesen

Um die Lösungen in diesem Leitfaden zu entwickeln, müssen Sie eine RAG-Architektur aufbauen, die fein abgestimmte LLMs verwendet, um Gesundheitsdienstleistern erweiterte Patientendaten, klinische und diagnostische Erkenntnisse und prognostizierte Patientenergebnisse bereitzustellen. Dies erfordert die Integration mehrerer Tools, um einen kohärenten AWS-Services und effizienten Arbeitsablauf zu schaffen. In diesem Abschnitt wird Folgendes behandelt:

Amazon Q Developer

Beim Aufbau einer generativen KI-Lösung kann es schwierig sein, KI-Agenten zu erstellen und die wichtigsten Dienste miteinander zu verbinden. Amazon Q Developer hilft Datenwissenschaftlern und KI-Ingenieuren jedoch, indem es Zugriff auf einen fortschrittlichen generativen KI-Assistenten bietet. Amazon Q kann schnell und präzise auf Benutzerfragen und Codefehler eingehen, was Ihnen helfen kann, den LLM-Entwicklungsprozess zu optimieren. Amazon Q bietet Entwicklern, die Anwendungen erstellen, die Amazon Bedrock Foundation-Modelle verwenden, erhebliche Vorteile. Es kann Arbeitsabläufe rationalisieren und die Codequalität verbessern. Es automatisiert die Generierung von Python-Skripten und Infrastructure-as-Code-Konfigurationen (IaC) und reduziert so die Entwicklungszeit und den Entwicklungsaufwand erheblich. Durch erweiterte Refactoring-Funktionen kann Amazon Q die Codeleistung verbessern, Sicherheitslücken identifizieren und sicherstellen, dass Entwickler sich an bewährte Methoden halten. Darüber hinaus erleichtert es Anfängern das Lernen und die Einführung, indem es kontextsensitive Vorschläge und Erklärungen bietet, wodurch komplexe Codierungsaufgaben leichter zugänglich und effizienter werden.

Multi-retriever RAG-Design

In einer generativen KI-Anwendung kann eine RAG-Pipeline mit mehreren Retrievern effizient Informationen aus mehreren Datenquellen abrufen, um Gesundheitsdienstleistern und Klinikern bei der Beantwortung medizinischer Fragen zu helfen. Diese Pipeline verwendet verschiedene Arten von Retrievern, um relevante Daten aus verschiedenen Wissensdatenbanken abzurufen. Jeder Retriever ist darauf spezialisiert, eine bestimmte Art von Informationen abzurufen, z. B. Patientenanamnese, diagnostische Erkenntnisse, klinische Notizen oder Inhalte aus medizinischer Forschung und akademischen Texten.

Ermitteln Sie anhand der Art der Daten und der spezifischen Anwendungsanforderungen, welche Backend-Wissensdatenbank für Ihren Anwendungsfall geeignet ist. Eine Amazon OpenSearch Service-Vektordatenbank eignet sich gut für große Mengen unstrukturierter oder halbstrukturierter Gesundheitsdaten, einschließlich Zusammenfassungen von Bilddiagnosen, Entlassungszusammenfassungen, klinischen Berichten, medizinischen Forschungsergebnissen und akademischen Textinhalten. Andererseits kann ein Graphdatenbank-Service wie Amazon Neptune ideal für Anwendungsfälle im Gesundheitswesen sein, die eine gründliche Untersuchung der zeitlichen Beziehungen zwischen Entitäten erfordern, wie z. B. Patient, Patientengeschichte, Gesundheitsdienstleister, Medikamente, Symptome und Behandlungen.

Eine wichtige Komponente dieser Pipeline ist die Vorhersage der Absicht von Benutzeranfragen. Dadurch wird sichergestellt, dass das System die Abfrage an die richtige Retrieverkette weiterleitet. Wenn ein Arzt beispielsweise nach der Behandlungsgeschichte, den Symptomen, der Interaktion mit dem Krankenhaus, der Wahrscheinlichkeit einer erneuten Aufnahme in das Krankenhaus oder möglichen Behandlungsergebnissen eines Patienten fragt, identifiziert das Modul zur Vorhersage der Abfrageabsicht diese Absicht. Es leitet die Anfrage an die Retriever-Kette weiter, die Patientenakten oder chronologische Behandlungsdaten aus dem Medical Knowledge Graph abrufen kann. Wenn es sich bei der Frage um die Entdeckung von Krankheiten, spezifische diagnostische Beurteilungen oder Einzelheiten bestimmter klinischer Verfahren aus akademischen Lehrbüchern handelt, wird die Anfrage alternativ an die Retriever-Kette weitergeleitet, die diese Informationen aus der Service-Vektordatenbank abrufen kann. OpenSearch Sie können die Funktion zum Aufrufen von Tools verwenden, LangChain um ein benutzerdefiniertes Tool an Amazon Bedrock LLM zu binden, das eine Benutzerfrage in vordefinierte Absichten klassifizieren kann.

Dieses Multi-Retriever-RAG-System umfasst LangChain Agenten, die für die Verwaltung des Zugriffs auf die jeweilige Wissensdatenbank konzipiert sind. Sie können LangChain es verwenden, um die Interaktion zwischen dem Amazon Bedrock LLM, den verschiedenen Retrievern und Tools zu orchestrieren. LangChainenthält eine Klasse zum Aufrufen von Tools, mit deren Hilfe Sie benutzerdefinierte Tools erstellen können, z. B. einen Intent Classifier, einen Retriever für Neptune, einen Retriever für OpenSearch Service oder jedes andere Tool, das entwickelt werden kann, um die Benutzerabsicht zu klassifizieren und auf Daten aus einer bestimmten Wissensdatenbank in einem strukturierten Format zuzugreifen. Anschließend geben Sie diese Tools an die Klasse weiter, um einen Agenten für Reasoning and Acting () zu erstellen. ReAct Der ReAct Agent verarbeitet die Benutzerfrage, plant die sequentiellen Schritte zur Beantwortung der Frage und führt dann iterativ die verfügbaren Tools aus und verarbeitet die Antworten der Tools, um schließlich die Benutzeranfrage zu beantworten.

Die folgende Abbildung zeigt, wie ein Multi-Retriever-RAG-System funktioniert, das für effizienten Wissensabruf und intelligente Abfrageauflösung konzipiert ist. Ein LangChain ReAct Agent analysiert die Absicht des Benutzers, formuliert einen strukturierten Ausführungsplan und wählt die relevantesten Tools zum Abrufen aus. Das System fragt einen Cache für frühere Fragen ab und sucht anhand von Schlüsselattributen wie Patienten-ID, Gesundheitszustand und Besuchsdatum nach ähnlichen Abfragen. Wenn eine sehr ähnliche Frage gefunden wird, wird die entsprechende Antwort direkt abgerufen. Andernfalls führt der Agent den entsprechenden Retriever aus. Für den Abruf patientenzentrierter Informationen wie Behandlungsanamnese, Symptome, Krankenhausinteraktionen oder Wahrscheinlichkeit einer erneuten Aufnahme verwendet das System einen Graph Retriever. Für diagnostische Untersuchungen, klinische Verfahren und strukturierte medizinische Befunde verwendet der Agent einen Vektor-Datenbankabruf. In Szenarien, die eine Kombination von Kontextwissen aus beiden Datenspeichern erfordern, um eine umfassende Antwort zu generieren, verwendet das System eine hybride Abrufstrategie, die Ergebnisse sowohl aus dem Wissensgraphen als auch aus der Vektordatenbank integriert.

ReAct Agenten

Die Agenten Reasoning and Acting (ReAct) sind für vielfältige RAG-Anwendungen konzipiert. Diese Agenten bieten eine leistungsstarke Kombination aus Argumentation und dynamischem Handeln, insbesondere für komplexe Anwendungen, die schrittweise logische Workflows zum Abrufen von Informationen beinhalten. Weitere Informationen finden Sie unter ReActSynergisierung von Argumentation und Handeln in Sprachmodellen.

In medizinischen und medizinischen Kontexten sind die Anfragen eines Klinikers oder Arztes oft vielschichtig. Ein Kliniker könnte beispielsweise fragen: „Welche Behandlungen wurden ähnlichen Patienten mit Bluthochdruck und Typ-2-Diabetes verabreicht?“ Nach der Identifizierung der Benutzerabsicht, die darin besteht, die Behandlungen für Bluthochdruck und Typ-2-Diabetes abzurufen, muss der KI-Agent diese Abfrage in Unteraufgaben unterteilen und dann die effizienteste Abrufstrategie auswählen. In diesem Fall sollte der KI-Agent die relevantesten Knoten (wie Alter, Geschlecht, Erkrankungen, Behandlungen und Medikamente) des Patienten identifizieren und dann das Diagramm nach diesen Entitäten und ihren Attributen und Beziehungen abfragen. ReAct Agenten sind sehr hilfreich, da sie die Fähigkeit eines LLM zum Denken (logische Folgerungen) mit einer Aktion (Abfragen oder Interaktion mit externen Ressourcen oder Wissensdatenbanken) kombinieren.

Um die Benutzerfrage „Welche Behandlungen wurden ähnlichen Patienten mit Bluthochdruck und Typ-2-Diabetes verabreicht?“ zu beantworten , das folgende Beispiel veranschaulicht, wie ein ReAct Agent funktioniert: