· AI Engineer World's Fair 2026
От фоновой документации к клиническому интеллекту
From Ambient Documentation to Clinical Intelligence
Чтобы проверять клинические ответы LLM там, где генерировать и проверять почти одинаково сложно, команда Abridge опирается на рубрики, которые пишут врачи.
- Оценка без эталона — независимые врачи пишут элементы хорошего ответа, второй врач сводит две рубрики в одну, а четвёртый клиницист проверяет её. LLM-judge сравнивает ответы агента с этими элементами, и по этой метрике команда сравнивает архитектуры агента, модели и алгоритмы ранжирования поиска.
- Небольшие модели вместо frontier-модели — для заметки обучаются небольшие модели под отдельные разделы, а для поиска заказов лёгкие фильтры в реальном времени вызывают тяжёлую модель только на нужных моментах разговора. Это снижает стоимость и задержку.
- Данные как преимущество — по словам спикера, у компании около 100 миллионов медицинских разговоров в год, и это позволяет обгонять крупные модели в задачах, где качество ещё далеко от предела.
Кому полезно: тем, кто строит LLM-продукт в области с высокой ценой ошибки и думает, как оценивать ответы без готового эталона.
Статья по теме
Главы
Похожие доклады
ИИ, который приносит доход: уроки управления финансовыми потоками в здравоохранении
AI Engineer World's Fair 2025
Близко по содержанию
Не испытывайте дефицита данных
AI Engineer World's Fair 2026
Близко по содержанию
Страховые убытки — самая сложная проблема с данными для ИИ
Близко по содержанию
Как превратить LLM-приложение в эксперта предметной области: создание экспертной системы на базе LLM
AI Engineer World's Fair 2025
Близко по содержанию

