Recomendações Personalizadas Baseadas em LLM na Saúde

Atualmente, os LLMs não são bons em fornecer recomendações personalizadas. Eles aconselham médicos e consultores financeiros a buscar ajuda de profissionais em suas respectivas áreas, mesmo dispondo de informações do usuário. Ao responder perguntas de profissionais de software, o LLM precisa entregar respostas aprofundadas com códigos ou algoritmos, enquanto que para profissionais de outras áreas são necessárias definições e conceitos principais. O objetivo deste capítulo é fazer com que o LLM responda de forma personalizada às necessidades dos usuários, levando em consideração as informações disponíveis sobre eles. Para isso, é necessário generalizar as informações disponíveis sobre uma pessoa, como seu prontuário de saúde, mantendo a privacidade da mesma. Confiamos em técnicas de meta-aprendizagem para desenhar um prompt de LLM que produza um prompt de personalização para obter informações relevantes adequadas. Tal meta-prompt é produzido pela operação de generalização aplicada aos documentos disponíveis do usuário. Esses documentos precisam ser desidentificados para que sejam suficientes para a personalização por um lado e mantenham a privacidade do usuário por outro. A segunda técnica neuro-simbólica para suportar a personalização é o raciocínio abdutivo, atuando em paralelo ao fine-tuning do LLM. Técnicas tradicionais de recomendação e personalização, bem como as modernas baseadas em deep learning, são apresentadas, e é feita uma comparação com a abordagem proposta. Também compartilhamos a avaliação e análises comparativas dessas abordagens. Consideramos um exemplo de como construir sistemas de personalização LLM usando a plataforma Langchain. Exploraremos como construir cadeias para formar um perfil de personalização para um usuário e aplicá-lo a solicitações de busca e recomendação do usuário.