Qu'est-ce que la génération augmentée par récupération ?
Avec RAG, un LLM est mieux placé pour optimiser son rendement avant de générer une réponse, déclare Tehsin Syed, directeur général de l'IA en matière de santé chez Amazon Web Services. Ceci est utile lorsqu'un utilisateur pose des questions spécifiques ou techniques.
« Une base de connaissances externe faisant autorité est généralement plus à jour que les données de formation du modèle, ce qui constitue un avantage clé », explique-t-il. « Pour les soins de santé, cela signifie que les LLM peuvent exploiter les dernières recherches médicales, les directives cliniques et les données des patients pour fournir des réponses plus précises et contextuellement pertinentes. »
En plus d'améliorer la précision, RAG peut aider les organisations à répondre aux préoccupations concernant les biais dans les modèles d'IA qui dénaturent les risques et sous-estiment le besoin de soins dans les populations minoritaires. Les LLM reposent uniquement sur des connaissances pré-entraînées, tandis que Syed explique que RAG permet aux organisations de « constituer des bases de connaissances plus diversifiées et représentatives » et permet aux utilisateurs de retracer les réponses jusqu'à la source d'information.
Il est important de noter que RAG va au-delà de la simple mise au point d'un LLM existant. Le réglage fin adapte un modèle à un domaine spécifique et nécessite une boucle de rétroaction étendue consistant à saisir du matériel de formation supplémentaire et à générer de nouvelles questions et réponses, explique Stroum. Il n’est pas surprenant que cela puisse prendre beaucoup de temps et coûter cher.
RAG, en revanche, ne modifie pas le modèle mais « augmente ses capacités en récupérant et en incorporant des informations externes au moment de l'exécution », explique Syed. « Cette approche offre une plus grande flexibilité, permettant au modèle d'accéder aux informations les plus récentes sans avoir besoin d'être recyclé. »
Avantages de RAG pour les établissements de santé
En rassemblant des informations à jour, RAG vise à remédier aux limites des LLM plus traditionnels qui n'ont pas accès aux dernières recherches médicales, explique Syed. Les cas d'utilisation pour l'intégration du service de traitement du langage naturel Amazon Comprehend Medical dans un flux de travail RAG incluent l'automatisation du codage médical, la génération de résumés cliniques, l'analyse des effets secondaires des médicaments et le déploiement de systèmes d'aide à la décision.
En interne, RAG permet aux LLM d'extraire les dossiers des patients et d'autres sources confidentielles sur lesquelles les LLM à usage général n'ont jamais été formés. Les systèmes de santé peuvent utiliser RAG pour créer du matériel éducatif hautement personnalisé pour les patients, note Syed.
Cela met en évidence un avantage clé de RAG, à savoir sa capacité à naviguer dans des données non structurées. Stroum souligne les preuves des documents de couverture ; un assureur opérant dans plusieurs États peut facilement en avoir des centaines. Avec RAG, il est possible d'inciter un modèle à établir la quote-part pour une procédure spécifique dans le cadre d'un plan spécifique dans un comté spécifique.
RAG constitue également une avancée significative par rapport à la fonctionnalité de recherche traditionnelle, qui peine à reconnaître que les différences entre les temps des verbes (tels que et ) ne devraient pas nécessairement avoir un impact sur les résultats de recherche.
« Les modèles d'aujourd'hui peuvent voir ce que vous demandez et ils sont plus indulgents », explique Stroum.
En conséquence, RAG est plus accessible aux utilisateurs finaux moins férus de technologie, qui autrement pourraient être frustrés. Il permet également des invites plus approfondies. Une équipe RH, par exemple, peut rechercher dans un référentiel de CV des candidats ayant au moins trois ans d'expérience dans le codage de la terminologie procédurale actuelle. « RAG utilise toujours les attentes de base du modèle linguistique, mais vous pouvez désormais moduler le niveau de la conversation », ajoute Stroum.
