Նույն պացիենտը, հակասական փաստաթղթեր. կարո՞ղ է արհեստական բանականությունը պահպանել ապացույցները
ChartReplay-ի վերջին փորձարկումը ուսումնասիրում է արհեստական բանականության (LLM) օգտագործման մարտահրավերները՝ ճշգրիտ և աղբյուրների վրա հիմնված բժշկական գրառումներ պահպանելու համար: Հետազոտությունը բացահայտում է կարևոր խնդիր. երբ ԱԲ մոդելները տվյալներ են հանում բազմաթիվ, հաճախ հակասական փաստաթղթերից, նրանք հաճախ բաց են թողնում պնդումները կամ չեն պահպանում տեղեկատվության ծագումնաբանությունը: GPT-6 և Claude Sonnet 5 մոդելների թեստավորումը ցույց է տալիս, որ նույնիսկ եթե վերջնական գրառումը ճիշտ է թվում, հիմքում ընկած պատմությունը կարող է թերի լինել՝ փաստացի թաքցնելով չլուծված հակասությունները: Հեղինակը պնդում է, որ բժշկական ոլորտում ԱԲ-ի հուսալիության համար համակարգերը պետք է պահպանեն հստակ և ստուգելի կապ վերջնական գրառման և սկզբնաղբյուրների միջև: Արդյունքները ցույց են տալիս, որ թեև գրառումների ամբողջական վերակառուցումը կարող է բարելավել ճշգրտությունը, ներկայիս «քաղվածք և հաշվառում» մոտեցումը հաճախ չի կարողանում պահպանել պացիենտի պատմության ամբողջականությունը, ինչը լուրջ ռիսկեր է ստեղծում բժշկական որոշումների կայացման համար:
This is a summary. Read the full article at the original source:
Dev.toԿապակցված
Ինչո՞ւ է նեյրոնային ցանցին անհրաժեշտ «կապակցում» (harness). ինչպե՞ս LLM-ը վերածել աշխատանքային AI-ծառայության
Selectel-ի այս հոդվածը նվիրված է բիզնես գործընթացներում մեծ լեզվական մոդելների (LLM) ներդրման ճարտարապետական ասպեկտներին: Հեղինակը շեշտում է, որ Huggi…
Տոկիոյի դատարանը վճռել է, որ ձայնի AI-կլոնավորումը խախտում է հրապարակայնության իրավունքները
Տոկիոյի շրջանային դատարանը նախադեպային վճիռ է կայացրել՝ հայտարարելով, որ մարդկային ձայնը պաշտպանված է հրապարակայնության իրավունքներով, ինչը կարևոր իրա…
Որտե՞ղ անցկացնել սահմանագիծը AI-ի հարցում. դասեր թվային դատաբժշկական փորձաքննությունից
Քանի որ արհեստական բանականությունը (AI) ինտեգրվում է մասնագիտական աշխատանքային գործընթացներում, թվային դատաբժշկական փորձաքննության և միջադեպերի արձագա…