Google показала будущее медицины через команду ИИ-агентов. ai.. ai. google.. ai. google. Блог компании BotHub.. ai. google. Блог компании BotHub. ИИ.. ai. google. Блог компании BotHub. ИИ. искусственный интеллект.. ai. google. Блог компании BotHub. ИИ. искусственный интеллект. Машинное обучение.. ai. google. Блог компании BotHub. ИИ. искусственный интеллект. Машинное обучение. машинное+обучение.. ai. google. Блог компании BotHub. ИИ. искусственный интеллект. Машинное обучение. машинное+обучение. научно-популярное.. ai. google. Блог компании BotHub. ИИ. искусственный интеллект. Машинное обучение. машинное+обучение. научно-популярное. нейросети.. ai. google. Блог компании BotHub. ИИ. искусственный интеллект. Машинное обучение. машинное+обучение. научно-популярное. нейросети. Программирование.

Google опубликовала 150-страничный отчёт о проекте Health AI Agents, включающий более 7 000 аннотаций и свыше 1 100 часов экспертов. Однако главное в документе — не цифры и метрики, а новая философия дизайна медицинских AI-систем. Вместо создания монолитного «Doctor-GPT» компания предлагает концепцию Personal Health Agent (PHA) — модульную систему из трёх специализированных агентов, каждый из которых выполняет свою роль.

Обзор персонального здравоохранительного агента.(a) Мы описываем анатомию личных потребностей в здоровье через процесс проектирования, ориентированный на пользователя.(b) Далее разрабатываем многоагентную систему на базе передовых больших языковых моделей, включающую специализированных агентов: Data Science (DS), отраслевого эксперта по здравоохранению (Domain Expert, DE) и Health Coach (HC), чтобы закрывать широкий спектр пользовательских задач. Под базовой моделью подразумевается семейство Gemini 2.0.(c) Наша работа представляет собой наиболее комплексную на сегодня оценку медицинского агента (>7000 аннотаций и 1100 часов работы на 10 бенчмарках).
Обзор персонального здравоохранительного агента.(a) Мы описываем анатомию личных потребностей в здоровье через процесс проектирования, ориентированный на пользователя.(b) Далее разрабатываем многоагентную систему на базе передовых больших языковых моделей, включающую специализированных агентов: Data Science (DS), отраслевого эксперта по здравоохранению (Domain Expert, DE) и Health Coach (HC), чтобы закрывать широкий спектр пользовательских задач. Под базовой моделью подразумевается семейство Gemini 2.0.(c) Наша работа представляет собой наиболее комплексную на сегодня оценку медицинского агента (>7000 аннотаций и 1100 часов работы на 10 бенчмарках).

Первый агент, Data Science Agent, отвечает за анализ данных с носимых устройств и лабораторных исследований. Второй, Domain Expert Agent, проверяет медицинские факты и актуальные знания. Третий, Health Coach Agent, ведёт диалог с пользователем, ставит цели, добавляет элементы эмпатии и поддержки. Все три агента связаны оркестратором с памятью, который хранит цели, барьеры и инсайты пользователя, обеспечивая согласованность и персонализацию взаимодействия.

Исследование WEAR-ME включает пользователей Fitbit, которые дали согласие на участие. После согласия и регистрации участникам предложили посетить один из центров Quest для сдачи крови и сбора биохимических данных. Для каждого участника доступны мультимодальные данные: показания Fitbit, результаты анализов крови и анкеты. (b) Для гуманитарной оценки мы выбрали подмножество данных WEAR-ME на основе наиболее распространённых у участников состояний здоровья. Выделили 10 типовых профилей и случайным образом отобрали по пять человек из каждого.
Исследование WEAR-ME включает пользователей Fitbit, которые дали согласие на участие. После согласия и регистрации участникам предложили посетить один из центров Quest для сдачи крови и сбора биохимических данных. Для каждого участника доступны мультимодальные данные: показания Fitbit, результаты анализов крови и анкеты. (b) Для гуманитарной оценки мы выбрали подмножество данных WEAR-ME на основе наиболее распространённых у участников состояний здоровья. Выделили 10 типовых профилей и случайным образом отобрали по пять человек из каждого.

Результаты тестирования показывают эффективность нового подхода. PHA превзошёл базовые модели на десяти бенчмарках. Пользователи предпочли взаимодействие с PHA по сравнению с обычными LLM: в тесте участвовали 20 участников и 50 персон. Эксперты отметили, что в сложных медицинских запросах ответы PHA оказались лучше на 5,7–39 % по сравнению с конкурентами.

Дизайн-принципы системы включают учёт всех потребностей пользователя, адаптивное комбинирование агентов, отказ от запроса данных, которые можно вывести из имеющейся информации, а также минимизацию задержки и сложности взаимодействия. Протестированные сценарии охватывают общие вопросы о здоровье, интерпретацию данных носимых устройств и биомаркеров, рекомендации по сну, питанию и активности, а также оценку симптомов (без постановки диагноза).

Тем не менее, система пока не лишена ограничений. Она работает медленнее одиночных агентов (244 секунды против 36), требует аудита предвзятости, защиты данных и соблюдения регуляторных требований. Следующим шагом Google планирует внедрить адаптивный стиль общения, который будет балансировать между эмпатией и ответственностью.


Делегируйте часть рутинных задач вместе с BotHub! Для доступа к сервису не требуется VPN и можно использовать российскую карту. По ссылке вы можете получить 100 000 бесплатных токенов для первых задач и приступить к работе с нейросетями прямо сейчас!

Источник

Автор: cognitronn

Источник

Rambler's Top100