GSOC project 24 medical

분석 에지 에코 시스템 워크로드 프로젝트

추상적인

Edge Computing은 Edge에서 분석을 실행하는 데 큰 도움이되어 서버로 전송 된 데이터의 양과 핵심 또는 클라우드에서 스토리지가 줄어들어 대기 시간이 증가합니다. Analytics Edge Ecosystem Workloads 프로젝트는 클라우드 네이티브 컨테이너화에 중점을 두어 비즈니스 분석을 개선하여 디지털 혁신 전략을 가져 오는 것을 목표로합니다.

이 프로젝트에서는 AI/ML 및 생성 AI (Genai) 워크로드가 의료/의료 산업에서 직면 한 문제를 해결하기 위해 개발 될 것입니다. 이 프로젝트의 개발에는 AI/ML 및 Genai Workloads의 오픈 소스 배포와 SUSE의 Rancher를 사용하여 Kubernetes의 배포를 포함하며 OpenSuse Leap은 기본 레이어 운영 체제로 포함됩니다. 또한 K3S는 가장자리를 위해 설계된 경량 Kubernetes로 사용됩니다.

프로젝트 구현에는 데이터 파이프 라인, MLOP 및 LLMOPS를 관리하기위한 DataOps와 같은 여러 기술 스택이 포함되어 ML 및 LLM 파이프 라인을 관리하고 플랫폼 엔지니어링 및 ITOPS를 관리하여 플랫폼을 관리합니다.

문제 진술

수직 : 의료/건강 관리

많은 사람들이 처방약을 다룰 때 다양한 도전에 직면합니다. 이러한 과제에는 익숙하지 않은 의료 용어, 잘못 해석 된 처방전, 불분명 복용량 및 사용 지침, 만료 날짜 누락, 예기치 않은 부작용 및 약물 상호 작용이 포함됩니다. 이러한 문제는 과다 복용, 사고 및 심지어 사망으로 이어질 수 있습니다.

제안 된 솔루션

이 프로젝트는 머신 러닝 및 생성 AI를 활용하여 환자와 의사가 의료 처방에 직면 한 문제를 해결하는 데 도움이됩니다. 여기에는 다음과 같은 네 가지 기능이 포함됩니다.

1. 의학 스캐너 : 약을 스캔하여 약, 복용량, 부작용 및 만료 날짜에 대해 알립니다.
2. 의료 보고서 스캐너 : 환자가 의료 보고서를 이해하는 데 도움이되는 테스트 보고서를 스캔하고 단순화합니다.
3. 처방전 스캐너 : 손으로 쓴 처방전을 스캔하고 해석하여 환자, 약사 및 기타 사람들이 의사의 지시를 올바르게 해석하도록 돕습니다.
4. 처방 발생기 : 의사가 정확하고 이해할 수있는 처방전을보다 빠르고 쉽게 생성 할 수 있습니다.

상해

데이터 추출 및 변환

• 데이터 소스 : UCIML 리포지토리, Kaggle 및 기타 신뢰할 수있는 출처의 의료 데이터.
• 데이터 처리 : 기능 엔지니어링 및 데이터 청소는 추출 후 수행됩니다.
• 데이터 저장 : 데이터는 임베딩으로 변환되고 검색 된 생성 생성 (RAG)을 위해 벡터 데이터베이스에 저장됩니다.

검색 세대 (rag)

• 모델 사용 : LLM (Open-Source Language Models)을 활용하여 RAG에 전원을 공급합니다.
• 모델 미세 조정 : 약물 사용 사례의 모델을 미세 조정하십시오.

사용자 인터페이스 및 llmops

• 사용자 인터페이스 : 사용자 친화적 인 인터페이스를 만듭니다.
• LLMOPS 파이프 라인 : 추가 교육 및 미세 조정을 가능하게하는 엔드 투 엔드 LLMOPS 파이프 라인을 정의하십시오.

사용자 친화적 인 인터페이스

약에 대해 물어보십시오

이 프로젝트는 Genai, Mlops 및 LLMOPS 기술 스택을 포함합니다.

프로젝트를 설정하는 방법

1. 저장소 복제 :

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

API 키를 설정하십시오

2. 필요한 모든 API 키 설정

• .env 파일을 만듭니다

 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 키를 추가하십시오

가상 환경을 만듭니다

3. 필요한 모든 패키지를 설치하십시오

 pip install -r requirements.txt

실행 명령

4. app.py를 실행하십시오

 steamlit run app.py

감사의 말

• 다양한 도구와 프레임 워크를 제공 한 오픈 소스 커뮤니티에 감사드립니다.
• UCIML, Kaggle 및 데이터 세트 제공에 대한 기타 신뢰할 수있는 소스에 특별한 감사를드립니다.
• Kubernetes 배포를 가능하게하는 강력한 도구에 대한 Suse, Opensuse Leap 및 Rancher에 대한 감사.

미래의 일

이 프로젝트는 기능을 지속적으로 개선하고 확장하는 것을 목표로합니다. 향후 작업은 다음과 같습니다.

• 향상된 모델 교육 : AI/ML 모델의 정확성과 효율성을 지속적으로 향상시킵니다.
• 더 많은 데이터 소스와의 통합 : 보다 포괄적이고 다양한 의료 데이터를 포함하도록 데이터 소스를 확장합니다.
• 사용자 피드백 메커니즘 : 사용자가 문제를보고하고 개선을 제안 할 수있는 피드백 시스템을 구현합니다.
• 모바일 애플리케이션 : 환자 및 의료 서비스 제공 업체가 솔루션을보다 쉽게 ​​액세스 할 수 있도록 모바일 애플리케이션을 개발하십시오.

데이터 소스

• 정부 의료 데이터 소스
• 사전 의료 데이터 GOV 소스 -> 라이센스 필수
• 의료 백과 사전
• 저널 목록

[단계]

• 초기 프로젝트 설정
• 의학 스캐너, 의료 보고서 스캐너, 처방전 스캐너 및 처방전 생성기 구현
• Rancher 및 K3S를 사용하여 Kubernetes에 배포
• LLMOPS 파이프 라인 개발

[1.0.0] -Yyyy-MM-DD

• 초기 릴리스

저자

• 아만 쿠마르 - 초기 작업

지원하다

지원이 필요한 경우 Github 저장소에서 문제를여십시오.

---

이 README 파일은 설정 지침, 기여 지침, 라이센스 정보, 승인, 미래의 작업, 참조, FAQ, 행동 강령, 변경 사항 및 지원 세부 사항을 포함하여 프로젝트에 대한 포괄적 인 개요를 제공합니다. 프로젝트와 관련된 실제 정보 및 링크로 자리 표시자를 업데이트하십시오.