GSOC project 24 medical

Analytics Edge Ecosystem Workloads Projects

Абстрактный

Edge Computing стало чрезвычайно полезным для запуска аналитики на грани, тем самым уменьшая объем данных, отправляемых на серверы и хранилища в ядре или облаке, что, в свою очередь, увеличивает задержку. Проект Analytics Edge Ecosystem Workloads стремится к разработке стратегии цифрового преобразования, сосредоточив внимание на облачной контейнеризации для улучшения бизнес-аналитики.

В этом проекте будут разработаны рабочие нагрузки AI/ML и генеративных AI (Genai) для решения проблем, с которыми сталкиваются в здравоохранении/медицинской промышленности. Разработка этого проекта включает в себя развертывание рабочих нагрузок AI/ML и Genai с открытым исходным кодом, а также развертывания на Kubernetes с использованием ранчо SUSE, с OpenSuse Leap в качестве операционной системы базового уровня. Кроме того, K3S будет использоваться в виде легких Kubernetes, предназначенных для края.

Реализация проекта будет включать несколько технических стеков, таких как DataOps, для управления трубопроводами данных, MLOPS и LLMOP для управления трубопроводами ML и LLM, а также инженерные платформы и ITOPS для управления платформами.

Запись о проблеме

Вертикальная: медицинская/здравоохранение

Многие люди сталкиваются с различными проблемами при работе со своими рецептурными лекарствами. Эти проблемы включают незнакомую медицинскую терминологию, неверно истолкованные рецепты, неясные инструкции по дозировке и использованию, пропущенные сроки срока действия, неожиданные побочные эффекты и лекарственные взаимодействия. Эти проблемы могут привести к передозировке, несчастным случаям и даже смерти.

Предлагаемое решение

Этот проект направлен на использование машинного обучения и генеративного ИИ, чтобы помочь решить некоторые проблемы, с которыми сталкиваются пациенты и врачи с медицинскими рецептами. Это будет включать четыре функции, изложенные ниже:

1. Сканер медицины: сканирование медицины для информирования о медицине, дозировке, побочных эффектах и ​​дате истечения.
2. Сканер медицинского отчета: сканирует и упрощает отчеты о испытаниях, чтобы помочь пациентам понять свои медицинские отчеты.
3. Сканер по рецепту: сканирует и интерпретирует рукописные рецепты, чтобы помочь пациентам, фармацевтам и другим, правильно интерпретировать инструкции врача.
4. Генератор рецепта: позволяет врачам быстрее и легко генерировать точные, понятные рецепты.

Подробное объяснение

Извлечение и преобразование данных

• Источники данных: медицинские данные из репозиториев UCIML, Kaggle и других доверенных источников.
• Обработка данных: инженерная инженерия и очистка данных будут выполняться после извлечения.
• Хранение данных: Данные будут преобразованы в встраивание и хранятся в векторной базе данных для получения генерации поиска (RAG).

Поколение поиска (RAG) (RAG)

• Использование моделей: использует большие языковые модели с открытым исходным кодом (LLMS) для Power Rag.
• Модель тонкой настройки: точно настроить модель для варианта использования лекарств.

Пользовательский интерфейс и LLMOPS

• Пользовательский интерфейс: создайте удобный интерфейс.
• Трубопровод LLMOPS: Определите сквозное трубопровод LLMOPS, чтобы обеспечить дополнительную тренировку и тонкую настройку.

Удобный интерфейс

Спросите о своих лекарствах

Этот проект охватывает технические стеки Genai, Mlops и Llmops.

Как настроить проект

1. Клонировать репозиторий:

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

Установите клавиши API

2. Установка всех необходимых клавиш API

• Создать файл .env

 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"

Добавьте свои клавиши API

Создать виртуальную среду

3. Установите все необходимые пакеты

 pip install -r requirements.txt

Запустить команду

4. Запустить app.py

 steamlit run app.py

Благодарности

• Благодаря сообществу с открытым исходным кодом за предоставление различных инструментов и структур.
• Особая благодарность UCIML, Kaggle и другим надежным источникам за предоставление наборов данных.
• Благодарность SUSE, OPENSUSE LEAP и ранчо за их мощные инструменты, позволяющие развертываниям Kubernetes.

Будущая работа

Проект направлен на постоянное улучшение и расширение своих функций. Будущая работа включает в себя:

• Усовершенствованное обучение модели: постоянно повышать точность и эффективность моделей AI/ML.
• Интеграция с большим количеством источников данных: разверните источники данных, чтобы включить более полные и разнообразные медицинские данные.
• Механизм обратной связи с пользователями: внедрить систему обратной связи для пользователей, чтобы сообщать о проблемах и предложить улучшения.
• Мобильное приложение: Разработайте мобильное приложение, чтобы сделать решение более доступным для пациентов и медицинских работников.

Источники данных

• Правительственный источник медицинских данных
• Advance Medical Data Gov Source -> Licensed Требуется
• Медицинская энциклопедия
• Списки журналов

[Шаги]

• Первоначальная настройка проекта
• Внедрение сканера медицины, сканера медицинского отчета, сканера по рецепту и генератора рецептов
• Развертывание на Kubernetes с использованием ранчо и K3s
• Разработка трубопроводов LLMOPS

[1.0.0]-yyyy-mm-dd

• Первоначальный выпуск

Авторы

• Аман Кумар - начальная работа

Поддерживать

Если вам нужна поддержка, пожалуйста, откройте проблему в репозитории GitHub.

---

В этом файле Readme представлен комплексный обзор проекта, включая инструкции по настройке, руководящие принципы взносов, информацию о лицензии, подтверждения, будущие работы, ссылки, часто задаваемые вопросы, кодекс поведения, ChangeLog и данные поддержки. Обязательно обновите заполнителей фактической информацией и ссылками, специфичными для вашего проекта.