MIT và Google đề xuất Health-LLM: Khung trí tuệ nhân tạo đột phá được thiết kế để điều chỉnh LLM cho dự đoán sức khỏe từ cảm biến đeo người
- Các nhà nghiên cứu từ MIT và Google đã phát triển Health-LLM, một framework AI tiên tiến nhằm điều chỉnh các Large Language Models (LLMs) để dự đoán sức khỏe sử dụng dữ liệu từ cảm biến đeo được.
- Health-LLM đánh giá 8 LLM hiện đại bao gồm GPT-3.5 và GPT-4, trên 13 nhiệm vụ dự đoán sức khỏe qua 5 lĩnh vực: sức khỏe tâm thần, theo dõi hoạt động, chuyển hóa, giấc ngủ, và tim mạch.
- Phương pháp nghiên cứu bao gồm: zero-shot prompting không cần đào tạo cụ thể, few-shot prompting với hỗ trợ kỹ thuật chain-of-thought và self-consistency, instructional fine-tuning tinh chỉnh mô hình, và nghiên cứu ablation tập trung vào cải thiện bối cảnh trong zero-shot.
- Mô hình Health-Alpaca, phiên bản đã được fine-tune của Alpaca, cho kết quả tốt nhất trong 5/13 nhiệm vụ, thậm chí vượt qua các mô hình lớn hơn như GPT-3.5 và GPT-4.
- Việc bổ sung thông tin bối cảnh gồm hồ sơ người dùng, kiến thức sức khỏe, và bối cảnh thời gian có thể cải thiện hiệu suất đến 23.8%.
📌 Nghiên cứu hợp tác giữa MIT và Google đã giới thiệu Health-LLM, một framework AI mang tính đột phá trong việc điều chỉnh LLMs cho các nhiệm vụ dự đoán sức khỏe bằng dữ liệu từ cảm biến đeo được. Health-LLM được đánh giá qua 8 LLM hiện đại trên 13 nhiệm vụ và cho thấy Health-Alpaca, một mô hình đã được tinh chỉnh, có kết quả xuất sắc, thậm chí vượt qua cả GPT-3.5 và GPT-4 trong một số nhiệm vụ. Thông qua việc bổ sung thông tin bối cảnh phong phú, mô hình có thể cải thiện hiệu suất lên đến 23.8%. Phát hiện này không chỉ mở ra hướng phát triển mới cho việc áp dụng LLMs vào y tế mà còn chứng minh giá trị của việc tùy chỉnh mô hình để phục vụ các mục đích cụ thể, đặc biệt là trong việc chăm sóc sức khỏe cá nhân hóa dựa trên dữ liệu thời gian thực từ cảm biến đeo được.