تزداد الحاجة إلى أشكال تلخيص نصية فعّالة ودقيقة مع توسع حجم المعلومات النصية الرقمية بشكل لا يصدق في كل من القطاعين العام والطبي. يتضمن النص الملخص تكثيف جزء طويل من الكتابة في لمحة عامة موجزة مع الاحتفاظ بمعنى وقيمة المادة. لقد كان هذا بمثابة نقطة محورية لأبحاث معالجة اللغة الطبيعية (NLP) لبعض الوقت.
وقد تم الإبلاغ عن نتائج إيجابية مع إدخال الشبكات العصبية وتقنيات التعلم العميق، وخاصة نماذج التسلسل إلى التسلسل باستخدام بنيات فك التشفير لتوليد الملخصات. وبالمقارنة بالطرق القائمة على القواعد والإحصائية، كانت الملخصات التي تم إنشاؤها بواسطة هذه الطرق أكثر طبيعية وملاءمة للسياق. ويصبح المسعى أكثر صعوبة بسبب الحاجة إلى الحفاظ على السمات السياقية والعلائقية لهذه النتائج والرغبة في الدقة في الإعدادات العلاجية.
لقد استخدم الباحثون ChatGPT وقاموا بتحسينه لتلخيص التقارير الإشعاعية. وللاستفادة القصوى من قدرة التعلم في سياق ChatGPT وتحسينه باستمرار من خلال التفاعل، تم تطوير وتنفيذ طريقة تحسين تكرارية جديدة باستخدام الهندسة الرشيقة. وبشكل أكثر دقة، نستخدم خوارزميات البحث عن التشابه لبناء مطالبة ديناميكية تتضمن تقارير سابقة قابلة للمقارنة لغويًا وسريريًا. وقد تم تدريب ChatGPT باستخدام هذه التقارير المتوازية لفهم أوصاف النصوص وملخصات موضوعات التصوير المماثلة.
🚀 انضم إلى أسرع مجتمع Subreddit لتعلم الآلة
المساهمات الرئيسية
- يتيح البحث عن التشابه التعلم السياقي لنموذج اللغة (LLM) باستخدام بيانات متفرقة. يتم تطوير موجه ديناميكي يتضمن جميع البيانات الأكثر صلة بـ LLM من خلال تحديد الحالات الأكثر قابلية للمقارنة في المجموعة.
- نقوم بإنشاء نظام مطالبات ديناميكي لتقنية التحسين التكرارية. يقوم الموجه التكراري أولاً بتقييم الاستجابات التي تم إنشاؤها بواسطة LLM ثم يعطي توجيهات إضافية للقيام بذلك في التكرارات اللاحقة.
- نهج جديد لتعديل ماجستير الحقوق يستفيد من المعلومات الخاصة بالمجال. يمكن استخدام المنهجية المقترحة عندما تكون هناك حاجة إلى تطوير نماذج خاصة بالمجال لماجستير الحقوق الحالي بسرعة وفعالية.
طُرق
موجه متغير
يستخدم أخذ العينات الديناميكي البحث الدلالي للحصول على أمثلة من مجموعة تقارير يمكن مقارنتها بتقرير الأشعة المدخل؛ يحتوي الاستعلام النهائي على نفس الاستعلام المحدد مسبقًا المرتبط بجزء النتائج في تقرير الاختبار، ويصف وصف المهمة الدور.
التحسين من خلال التكرار
يمكن إنجاز أشياء عظيمة باستخدام مكون التحسين التكراري. ويتمثل هدف هذا النهج في السماح لبرنامج ChatGPT بتحسين إجابته بشكل متكرر باستخدام موجه تكراري. وهو أمر مهم للتطبيقات عالية المخاطر مثل ملخصات تقارير الأشعة، ويتطلب أيضًا مراجعة الاستجابة للتحقق من جودة الاستجابات.
يتم التحقيق في جدوى استخدام نماذج اللغة الكبيرة (LLMs) لتلخيص التقارير الإشعاعية من خلال تعزيز مطالبات الإدخال بناءً على عدد صغير من عينات التدريب وطريقة تكرارية. يتم استخراج المجموعة للحصول على أمثلة مناسبة للتعلم السياقي لـ LLM، والتي تُستخدم بعد ذلك لتوفير إشارات تفاعلية. لتحسين الناتج بشكل أكبر، يتم استخدام تقنية التحسين التكرارية. يتضمن الإجراء تعليم LLM ما يشكل استجابة جيدة واستجابة سلبية بناءً على ردود الفعل من التقييم الآلي. وبالمقارنة مع الأساليب الأخرى التي تستخدم كميات هائلة من بيانات النصوص الطبية للتدريب المسبق، فقد أثبتت استراتيجيتنا تفوقها. في الذكاء الاصطناعي الحديث، يعمل هذا العمل أيضًا كأساس لبناء المزيد من نماذج اللغة الخاصة بالمجال.
أثناء العمل على الإطار التكراري لـ ImpressionGPT، أدركنا أن تقييم جودة استجابات مخرجات النموذج مهمة أساسية ولكنها صعبة. افترض المؤلفون أن الاختلافات الواسعة بين النص المحدد للمجال والنص العام المستخدم لتدريب LLMs تساهم في التناقضات الملحوظة في النتائج. لذلك، يتم تعزيز فحص تفاصيل النتائج التي تم الحصول عليها من خلال استخدام تدابير تقييم صارمة.
لتحسين تضمين البيانات الخاصة بالمجال من مصادر البيانات العامة والمحلية، سنستمر في تحسين التصميم السريع في المستقبل مع معالجة قضايا خصوصية البيانات والأمان. خاصة عند التعامل مع العديد من المنظمات. كما نفكر في استخدام الرسم البياني المعرفي لتكييف التصميم الفوري مع المعرفة الموجودة في المجال. أخيرًا، نخطط لدمج المتخصصين البشريين، مثل أخصائيي الأشعة، في العملية التكرارية لتحسين المطالبات وتقديم ملاحظات موضوعية حول النتائج التي يوفرها النظام. من خلال الجمع بين حكم ومنظور المتخصصين البشريين في تطوير LLM، يمكننا الحصول على نتائج أكثر دقة.
مسح ضوئي ورق. لا تنسى الانضمام 20 ألف+ملليمتر فرعي على موقع ريديتو قناة ديسكوردو النشرة البريد الإلكترونيحيث نشارك أحدث أخبار أبحاث الذكاء الاصطناعي ومشاريع الذكاء الاصطناعي الرائعة والمزيد. إذا كانت لديك أي أسئلة بخصوص المقال أعلاه أو إذا فاتنا شيء ما، فلا تتردد في مراسلتنا عبر البريد الإلكتروني على عاصف@marktechpost.com
🚀 تعرف على 100 أداة ذكاء اصطناعي في نادي أدوات الذكاء الاصطناعي
دانشري شينواي هي مهندسة علوم كمبيوتر تتمتع بخبرة واسعة في شركات FinTech التي تغطي مجال التمويل والبطاقات والمدفوعات والخدمات المصرفية مع اهتمام كبير بتطبيقات الذكاء الاصطناعي. إنها شغوفة باستكشاف التقنيات والتطورات الجديدة في عالم اليوم المتطور مما يجعل حياة الجميع أسهل.
🚀 انضم إلى أسرع مجتمع Subreddit لتعلم الآلة
إرسال تعليق