Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Langkah dan sumber daya selanjutnya
<a name="next-steps"></a>

Panduan ini membantu Anda menggunakannya Layanan AWS untuk mengotomatiskan NLP medis dan tugas AI generatif untuk aplikasi dunia nyata di lingkungan produksi. Ini menjelaskan bagaimana Anda dapat menggunakan Amazon Comprehend Medical, didukung LLMs di Amazon Bedrock, LLMs medis terlatih, atau LLMs disesuaikan untuk mencapai tujuan bisnis perawatan kesehatan dan ilmu hayati Anda. Panduan ini menjelaskan keuntungan dan batasan untuk pendekatan berikut:
+ Menggunakan Amazon Comprehend Medical secara mandiri
+ Memberikan hasil Amazon Comprehend Medical ke LLM
+ Menggunakan LLM umum yang telah dilatih sebelumnya atau LLM medis dalam pendekatan Retrieval Augmented Generation (RAG)
+ Menyesuaikan LLM umum atau LLM medis

Gunakan [pohon keputusan](choosing-approach.md) dan [pertimbangan kematangan bisnis](choosing-approach.md#business-maturity) dalam panduan ini untuk memilih di antara pendekatan-pendekatan ini berdasarkan tingkat AI/ML kematangan organisasi Anda. Meskipun Amazon Comprehend Medical dan LLMs Amazon Bedrock menawarkan kemampuan yang kuat, mereka hanya berhasil jika Anda menerapkan dan mengevaluasinya dengan benar. Gunakan [informasi evaluasi](evaluation.md) dan [metrik](evaluation.md#evaluation-metrics) yang dijelaskan dalam panduan ini untuk memvalidasi kinerja solusi Anda.

Untuk langkah selanjutnya, kami merekomendasikan agar manajer TI perawatan kesehatan, arsitek, dan pemimpin teknis bekerja dengan AI/ML praktisi untuk mengidentifikasi tugas medis NLP mereka. Gunakan panduan ini untuk memilih jalur pengembangan, lalu gunakan yang sesuai Layanan AWS dan fitur untuk berhasil menerapkan solusi otomatis AWS.

## AWS sumber daya
<a name="aws-resources"></a>
+ Dokumentasi Amazon Comprehend Medical:
  + [Panduan Pengembang](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html)
  + [Referensi API](https://docs.aws.amazon.com/comprehend-medical/latest/api/Welcome.html)
+ [Dokumentasi Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html)
  + [Evaluasi model Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/model-evaluation.html)
  + [Penyetelan halus di Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/custom-model-fine-tuning.html)
+ [Sempurnakan model di 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 deteksi toksisitas](https://docs.aws.amazon.com/comprehend/latest/dg/trust-safety.html#toxicity-detection)
+ [AWS Mitra Kompetensi Kesehatan](https://aws.amazon.com/health/healthcare-partner-solutions/)

## Sumber daya lainnya
<a name="other-resources"></a>
+ [Buka Papan Peringkat Medis-LLM](https://huggingface.co/spaces/openlifescienceai/open_medical_llm_leaderboard)
+ [Survei Model Bahasa Besar untuk Perawatan Kesehatan: dari Data, Teknologi, dan Aplikasi hingga Akuntabilitas dan Etika](https://arxiv.org/pdf/2310.05694)
+ [Model Bahasa Besar Adalah Coders Medis yang Buruk — Benchmarking Query Kode Medis](https://ai.nejm.org/doi/pdf/10.1056/AIdbp2300040)
+ [Dari Pemula hingga Pakar: Memodelkan Pengetahuan Medis menjadi Umum LLMs](https://arxiv.org/html/2312.01040v3)