Qu'est-ce que l'ingénierie rapide dans les soins de santé?
L'ingénierie rapide est le processus de dire à une solution d'IA quoi faire et comment le faire. En utilisant des invites de langage naturel précises et efficaces, les utilisateurs fournissent au LLM un ensemble d'instructions sur la façon de terminer la tâche pour générer des réponses précises et utiles. Cela peut inclure de dire au LLM le type de sources à référence et le format dans lequel l'utilisateur souhaite les informations présentées.
Google note que «l'ingénierie rapide est l'art et la science de la conception et de l'optimisation des invites pour guider les modèles d'IA, en particulier les LLM, vers la génération des réponses souhaitées.» Amazon Web Services note que les ingénieurs rapides «choisissent les formats, phrases, mots et symboles les plus appropriés qui guident l'IA» et que le processus nécessite une combinaison de «créativité plus essais et erreurs» pour atteindre les résultats escomptés.
Quelles sont les meilleures pratiques clés pour l'ingénierie rapide de l'IA dans les soins de santé?
Voici quelques meilleures pratiques d'ingénierie rapides à garder à l'esprit:
Les invites doivent être spécifiques
Les invites d'IA doivent être très spécifiques pour éviter les réponses non pertinentes. Utilisez un langage clair et concis et dites au LLM le format de réponse souhaité, comme un résumé, un graphique ou une liste. Par exemple, un médecin pourrait demander au LLM de «résumer trois plans de traitement possibles pour un homme de 55 ans diagnostiqué avec un diabète de type 2 et limiter chaque résumé à 300 mots.»
«Dans les soins de santé, vous ne voulez pas que le LLM Sourcing Wikipedia ou un magazine de divertissement pour les recommandations de diagnostics», explique le Dr Tim Wetherill, directeur clinique chez Machinify. «Vous pouvez demander au LLM d'utiliser uniquement des sources évaluées par des pairs et de partager s'il y a des préoccupations signalées concernant la littérature informatique.»
Fournir un contexte pertinent avec des invites de suivi
Les invites de suivi fournissent plus de contexte et aident à générer des réponses plus spécifiques. Un suivi de l'invite sur les traitements d'un patient diabète pourrait être: «Le patient est immunodéprimé en raison d'une greffe d'organe récente. Ajustez le plan de traitement pour tenir compte des interactions médicamenteuses potentielles et du risque d'infection.»
Wetherill dit que lorsqu'il expérimente les invites de rédaction: «L'une des choses que je fais est de dire au LLM de me poser des questions ou de faire des suggestions qui amélioreront la sortie.» Il décrit l'ingénierie rapide comme «la moitié de l'art et la moitié des sciences. Ce n'est pas un processus en une étape. Vous devez être prêt à consacrer le temps à obtenir de la valeur.»
Donnez des exemples de sorties souhaitées
Dans l'ingénierie rapide, les utilisateurs peuvent générer des sorties souhaitées en démontrant à quoi ressemble une réponse appropriée. L'IA apprend des exemples fournis et peut utiliser ces connaissances pour améliorer continuellement les sorties. Un exemple négatif peut également montrer les sorties AI quoi éviter.
«Plus nous pouvons être spécifiques, moins nous quittons le LLM pour inférer quoi faire d'une manière qui pourrait être surprenante pour l'utilisateur final», explique Jason Kim, ingénieur rapide et membre du personnel technique d'Anthropic, qui a développé Claude AI. «Nous avons des exemples classiques pour que Claude suive qui stipule le format et la nature du processus que nous voulons qu'il construit.»
Considérez les commentaires des utilisateurs
Comme une organisation de soins de santé intègre un LLM dans son système, les meilleures pratiques d'ingénierie rapides peuvent évoluer en fonction de la façon dont l'IA fonctionne. Pour analyser le fonctionnement du LLM, «nous obtenons des évaluations des médecins et des chercheurs», explique Kim. « Avec les commentaires, vous pouvez modifier et mettre à jour la conception des invites. »
«L'ingénierie rapide des soins de santé devrait impliquer des tests, une évaluation et une amélioration continus en fonction des commentaires des métriques de performance et des professionnels de la santé», ajoute Harper. «Il est important que la sortie soit testée et validée dans des contextes cliniques réels avant d'être déployé à grande échelle.»