AI Umum

Apollo: LLM Medis Multilingual Ringan Open-Source untuk Mendemokratisasi AI Medis bagi 6 Miliar Orang

Pendahuluan

Kecerdasan buatan (AI) medis berkembang pesat, memanfaatkan potensi besar model bahasa besar (LLM) untuk merevolusi layanan kesehatan. Kemajuan teknologi ini menjanjikan peningkatan akurasi diagnosis, menyesuaikan rencana perawatan, dan membuka akses ke pengetahuan medis yang komprehensif, yang pada dasarnya mengubah perawatan pasien. Integrasi AI ke dalam layanan kesehatan bertujuan untuk meningkatkan efisiensi dan presisi layanan medis, secara efektif menjembatani batas teknologi dengan perawatan yang berpusat pada pasien.

Tantangan Keragaman Bahasa dalam AI Medis

Keragaman bahasa yang menjadi ciri perawatan pasien di berbagai wilayah merupakan tantangan penting dalam lanskap layanan kesehatan global. Meskipun pengetahuan medis didominasi oleh bahasa Inggris, efektivitas layanan kesehatan di wilayah yang tidak berbahasa Inggris sangat bergantung pada ketersediaan informasi medis dalam bahasa lokal. Skenario ini menggarisbawahi kebutuhan penting untuk membuat teknologi AI medis dapat diakses secara universal, sehingga manfaatnya dapat dirasakan oleh audiens global yang mencakup lebih dari 6 miliar individu yang berbicara dalam berbagai bahasa.

Apollo: LLM Medis Multilingual

Pendekatan sebelumnya dalam mengembangkan LLM medis sebagian besar berfokus pada bahasa Inggris dan, pada tingkat yang lebih rendah, bahasa Mandarin. Fokus terbatas ini mengabaikan keragaman bahasa yang kaya dalam komunitas medis global, menggarisbawahi kebutuhan mendesak akan LLM yang mampu memproses dan menghasilkan pengetahuan medis dalam berbagai bahasa. Model multilingual tersebut sangat penting untuk memperluas jangkauan teknologi AI medis, menjadikannya lebih inklusif dan dapat diakses secara global.

Peneliti dari Shenzhen Research Institute of Big Data dan The Chinese University of Hong Kong, Shenzhen, memperkenalkan Apollo, serangkaian LLM medis multilingual yang inovatif, yang menandai lompatan signifikan menuju AI medis yang inklusif. Model Apollo dilatih dengan cermat pada ApolloCorpora, kumpulan data multilingual yang luas, dan dievaluasi secara ketat terhadap tolok ukur XMedBench. Pendekatan strategis ini memungkinkan Apollo untuk menyamai atau melampaui kinerja model yang ada dengan ukuran yang sebanding dalam berbagai bahasa, termasuk Inggris, Mandarin, Prancis, Spanyol, Arab, dan Hindi, sehingga menunjukkan keserbagunaannya yang tak tertandingi.

Metodologi di balik pengembangan Apollo berfokus pada penulisan ulang korpora pra-pelatihan ke dalam format tanya jawab dan penggunaan pengambilan sampel data pelatihan yang adaptif. Metodologi ini memfasilitasi transisi pembelajaran yang mulus, memungkinkan pelatihan model yang lebih kecil namun sangat efisien. Model-model ini tidak hanya unggul dalam memahami dan menghasilkan informasi medis multilingual tetapi juga dalam meningkatkan kemampuan model yang lebih besar melalui teknik penyetelan proksi yang baru, menghilangkan kebutuhan untuk penyetelan langsung.

Kinerja Apollo

Model Apollo, terutama Apollo-7B, telah menunjukkan kinerja yang luar biasa, menetapkan tolok ukur baru dalam LLM medis multilingual. Pencapaian ini merupakan bukti potensi Apollo untuk mendemokratisasi AI medis, membuat pengetahuan medis mutakhir dapat diakses melintasi batas bahasa. Selain itu, Apollo secara signifikan meningkatkan kemampuan medis multilingual dari LLM umum yang lebih besar, yang mengilustrasikan peran pentingnya dalam adopsi teknologi AI medis yang lebih luas secara global.

Kesimpulan

Sebagai kesimpulan, proyek Apollo muncul sebagai suar kemajuan dalam mendemokratisasi AI medis, dengan visi membuat pengetahuan medis canggih dapat diakses secara universal, terlepas dari hambatan bahasa. Inisiatif ini mengatasi kesenjangan kritis dalam komunikasi layanan kesehatan global dan meletakkan dasar bagi inovasi masa depan dalam AI medis multilingual. Poin-poin penting dari penelitian ini meliputi:

  • Apollo menjembatani kesenjangan bahasa dalam layanan kesehatan global, memastikan akses yang lebih luas ke teknologi AI medis.
  • Proyek ini secara inovatif menggunakan penulisan ulang tanya jawab dan pengambilan sampel adaptif untuk melatih model multilingual yang efisien.
  • Model Apollo, terutama Apollo-7B, menetapkan standar kinerja baru, menunjukkan kelayakan untuk memperluas manfaat AI medis ke audiens global.
  • Pendekatan ini meningkatkan kemampuan model yang lebih besar melalui penyetelan proksi, memperluas penerapan AI medis tanpa perlu modifikasi langsung.
  • Keberhasilan Apollo membuka jalan bagi penelitian dan eksplorasi lebih lanjut dalam AI medis multilingual, menjanjikan masa depan yang lebih inklusif untuk layanan kesehatan global.