GSOC project 24 medical

Analytics Edgeエコシステムワークロードプロジェクト

抽象的な

エッジコンピューティングは、エッジで分析を実行するのに非常に有益になり、それにより、コアまたはクラウドでサーバーに送信されるデータの量を減らし、それにより遅延が増加します。 Analytics Edge Ecosystem WorkLoads Projectは、クラウドネイティブのコンテナ化に焦点を合わせてビジネス分析を改善することにより、デジタル変革戦略をもたらすことを目的としています。

このプロジェクトでは、AI/MLと生成AI（GenAI）ワークロードが開発され、ヘルスケア/医療業界で直面する課題に対処します。このプロジェクトの開発には、AI/MLおよびGenaiワークロードのオープンソースの展開、およびSuseによる牧場を使用したKubernetesの展開が含まれます。さらに、K3Sは、エッジ用に設計された軽量のクベルネテスとして利用されます。

プロジェクトの実装には、データパイプライン、MLOPS、LLMOPSを管理するためのDataOPSなどのいくつかの技術スタックが含まれます。MLおよびLLMパイプラインを管理するだけでなく、プラットフォームエンジニアリングとプラットフォームを管理するITOPSが含まれます。

問題ステートメント

垂直：医療/ヘルスケア

多くの個人は、処方薬を扱う際にさまざまな課題に直面しています。これらの課題には、馴染みのない医学用語、誤った解釈の処方、不明確な投与量と使用法の指示、失効の逃した日付、予期しない副作用、および薬物相互作用が含まれます。これらの問題は、過剰摂取、事故、さらには死に至る可能性があります。

提案されたソリューション

このプロジェクトの目的は、機械学習と生成AIを活用して、患者と医師が医療処方に直面する課題のいくつかに対処することを目的としています。これには、以下に概説する4つの機能が含まれます。

1. 医学スキャナー：薬、投与量、副作用、有効期限の日付について知らせるために薬をスキャンします。
2. 医療報告スキャナー：患者が医療報告を理解できるように、テストレポートをスキャンおよび簡素化します。
3. 処方スキャナー：患者、薬剤師、その他が医師の指示を適切に解釈するのを助けるために、手書きの処方箋をスキャンして解釈します。
4. 処方ジェネレーター：医師は、正確で理解可能な処方箋をより迅速かつ簡単に生成できるようにします。

詳細な説明

データの抽出と変換

• データソース： UCIMLリポジトリ、Kaggle、およびその他の信頼できるソースからの医療データ。
• データ処理：機能エンジニアリングとデータクリーニングは、抽出後に実行されます。
• データストレージ：データは埋め込みに変換され、検索された生成（RAG）のためにベクトルデータベースに保存されます。

検索された生成（rag）

• モデルの利用：オープンソースの大型言語モデル（LLM）を活用して、ぼろをパワーします。
• モデルの微調整：薬のユースケースのモデルを微調整します。

ユーザーインターフェイスとLLMOPS

• ユーザーインターフェイス：ユーザーフレンドリーなインターフェイスを作成します。
• LLMOPSパイプライン：追加のトレーニングと微調整を可能にするために、エンドツーエンドのLLMOPSパイプラインを定義します。

ユーザーフレンドリーなインターフェイス

あなたの薬について尋ねてください

このプロジェクトには、Genai、MLOPS、およびLLMOPS Tech Stacksが含まれます。

プロジェクトのセットアップ方法

1. リポジトリをクローンします：

   git clone https://github.com/yourusername/analytics-edge-ecosystem.git
   cd analytics-edge-ecosystem
   

APIキーを設定します

2. 必要なすべてのAPIキーを設定します

• .ENVファイルを作成します

 HUGGINGFACEHUB_API_TOKEN="API key"
PINECONE_API_KEY = "API key"
PINECONE_INDEX = "medcial-rag-chatbot"
GENAI_API_KEY = "Gemini key"
GROQ_API_KEY = "Lama3-7b"

APIキーを追加します

仮想環境を作成します

3. 必要なすべてのパッケージをインストールします

 pip install -r requirements.txt

コマンドを実行します

4. app.pyを実行します

 steamlit run app.py

謝辞

• さまざまなツールとフレームワークを提供してくれたオープンソースコミュニティに感謝します。
• データセットを提供してくれたUCIML、Kaggle、およびその他の信頼できるソースに感謝します。
• Kubernetesの展開を可能にする強力なツールにsuse、opensuse leap、および牧場主への感謝。

将来の仕事

このプロジェクトは、機能を継続的に改善および拡大することを目的としています。将来の仕事には以下が含まれます：

• モデルトレーニングの強化： AI/MLモデルの精度と効率を継続的に改善します。
• より多くのデータソースとの統合：データソースを拡張して、より包括的で多様な医療データを含めます。
• ユーザーフィードバックメカニズム：ユーザーが問題を報告し、改善を提案するためのフィードバックシステムを実装します。
• モバイルアプリケーション：モバイルアプリケーションを開発して、ソリューションを患者や医療提供者がよりアクセスしやすくします。

データソース

• 政府の医療データソース
• アドバンスメディカルデータGov Source->ライセンスが必要です
• 医療百科事典
• ジャーナルリスト

[ステップ]

• 最初のプロジェクトのセットアップ
• 医学スキャナー、医療報告スキャナー、処方スキャナー、および処方ジェネレーターの実装
• ランチャーとK3を使用したKubernetesの展開
• LLMOPSパイプラインの開発

[1.0.0] -yyyy-mm-dd

• 初期リリース

著者

• アマン・クマール - 最初の作業

サポート

サポートが必要な場合は、GitHubリポジトリで問題を開きます。

---

このREADMEファイルは、セットアップ手順、貢献ガイドライン、ライセンス情報、謝辞、将来の作業、参照、FAQ、行動規範、Changelog、サポートの詳細など、プロジェクトの包括的な概要を提供します。プロジェクトに固有の実際の情報とリンクを使用してプレースホルダーを更新してください。