기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
의료 및 생명과학 사용 사례에 대한 FAQ
다음은 의료 NLP 작업에 Amazon Comprehend Medical 또는 LLMs을 사용하는 것과 관련하여 자주 묻는 질문입니다.
Amazon Comprehend Medical과 LLM 중에서 선택하려면 어떻게 해야 하나요?
의료 텍스트 내에서 의료 엔터티를 감지하는 경우 Amazon Comprehend Medical 설명서를 검토하여 추출할 수 있는 의료 엔터티와 사용 사례를 해결하는 온톨로지가 있는지 확인합니다. 그렇지 않은 경우 LLM 사용을 고려하세요. 자세한 내용은 이 설명서의 Amazon Comprehend Medical 사용 사례 및 LLM 사용 사례 단원을 참조하세요.
Amazon Comprehend Medical 결과를 LLM에 제공하려면 어떻게 해야 하나요?
Amazon Comprehend Medical 결과를 LLM 프롬프트 내에 컨텍스트로 통합할 수 있습니다. 이를 통해 LLM에 대한 추가 의학적 지식과 용어가 제공됩니다. 제공된 컨텍스트는 개체 인식, 요약 또는 질문 응답과 같은 작업에 대한 LLM의 성능을 개선할 수 있습니다. 이 가이드에서는 Amazon Comprehend Medical 결과로 프롬프트를 구성하는 방법에 대한 몇 가지 예를 제공합니다. 자세한 내용은 이 안내서의 Amazon Comprehend Medical과 대규모 언어 모델 결합 섹션을 참조하세요.
Amazon Comprehend MedicalLLMs과 함께 사용할 때의 모범 사례는 무엇입니까?
Amazon Comprehend Medical 신뢰도 점수를 사용하여 프롬프트 내의 개체를 필터링하거나 우선순위를 지정하는 것이 좋습니다. 또한 특정 데이터에 대한 성능을 평가하고 개체 정의가 요구 사항에 맞는지 확인하는 것이 중요합니다. Amazon Comprehend Medical을 도메인별 지식 소스와 결합하면 LLM의 성능이 더욱 향상될 수 있습니다. 자세한 내용은 이 안내서의 RAG 워크플로에서 Amazon Comprehend Medical을 사용하는 모범 사례 섹션을 참조하세요.
의료 사용 사례에 맞게 사전 훈련된 의료 LLM을 사용하거나 일반 LLM을 미세 조정해야 합니까?
결정은 특정 요구 사항과 고품질 훈련 데이터의 가용성에 따라 달라집니다. 사전 훈련된 의료 LLMs 좋은 출발점을 제공할 수 있습니다. 그러나 도메인별 데이터로 미세 조정해야 할 수도 있습니다. 레이블이 지정된 데이터가 충분한 경우 일반 LLM을 미세 조정하는 것이 실행 가능한 옵션일 수 있습니다. 자세한 내용은 이 설명서의 LLM 선택 및 의료 및 생명 과학을 위한 NLP 접근 방식 선택 단원을 참조하세요.
의료 NLP 작업에 대한 LLMs의 성능을 평가하려면 어떻게 해야 합니까?
텍스트 분류 및 명명된 개체 인식 작업에 정확도, 정밀도, 재현율 및 F1 점수와 같은 정량적 지표를 사용하는 것이 좋습니다. 텍스트 생성 작업에 ROUGE 및 METEOR를 사용할 수 있습니다. 주제 전문가가 신뢰할 수 있는 실측 데이터에 레이블을 지정하고 시간 경과에 따른 모델 성능 모니터링을 위한 프로세스를 구현하는 것이 중요합니다. 자세한 내용은 이 안내서의 의료 및 생명과학 애플리케이션을 위한 LLMs 평가 섹션을 참조하세요.
복잡성이 높은 LLM 솔루션과 복잡성이 낮은 LLM 솔루션의 장단점은 무엇인가요?
LLM을 미세 조정하거나 사용자 지정 LLM을 구축하는 것은 매우 복잡한 솔루션입니다. 이러한 접근 방식은 성능을 개선할 수 있지만 비용 및 유지 관리 요구 사항이 더 높습니다. 사전 훈련된 LLMs 또는 Amazon Comprehend Medical을 사용하는 것과 같은 더 간단한 솔루션은 더 낮은 비용과 더 빠른 개발 주기로 허용 가능한 성능을 제공할 수 있습니다. 그러나 이러한 접근 방식은 일부 사용 사례에 대한 엄격한 정확도 요구 사항을 충족하지 못할 수 있습니다. 자세한 내용은 이 안내서의 비즈니스 성숙도 고려 사항 섹션을 참조하세요.
