RAG

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная архитектура иерархической модели на базе больших языковых моделей (LLM) с использованием технологии Retrieval-Augmented Generation (RAG) для управления диабетической болезнью почек (ДКБ). Основная цель разработки — преодоление проблемы «галлюцинаций» ИИ и обеспечение строгого соответствия актуальным медицинским протоколам. Методология включает многоуровневый процесс извлечения знаний, где модель сначала обращается к верифицированным клиническим руководствам, а затем формирует персонализированные рекомендации. Результаты показывают, что использование иерархического RAG значительно повышает точность ответов и безопасность предложенных терапевтических стратегий по сравнению со стандартными LLM. Данная технология позволяет минимизировать риски неверного назначения препаратов и обеспечивает высокую степень доверия к автоматизированным системам поддержки принятия врачебных решений. Внедрение подобных моделей в клиническую практику может существенно оптимизировать ведение пациентов с хроническими заболеваниями почек.

Представлен новый фреймворк RAG-GNN, объединяющий графовые нейронные сети с модулем плотного поиска по текстовому корпусу для улучшения анализа белковых взаимодействий. Исследование показало, что использование механизмов RAG позволяет улучшить функциональную кластеризацию белков по сравнению с классическими GNN-моделями.

Группа «Т-Технологии» выпустила в открытый доступ T-Search — специализированную русскоязычную модель, предназначенную для агентного поиска с использованием технологии RAG (Retrieval-Augmented Generation). В отличие от стандартных поисковых систем, T-Search способна выполнять многошаговые запросы, имитируя логику работы ИИ-агента для глубокого анализа данных. Модель оптимизирована для решения сложных бизнес-задач, требующих не просто выдачи ссылок, а синтеза информации из множества источников. Технология позволяет значительно повысить точность извлечения знаний и минимизировать галлюцинации нейросетей при работе с корпоративными базами данных. Это решение представляет интерес для интеграции в медицинские информационные системы и исследовательские платформы, где требуется автоматизированный поиск по научным публикациям или сложным клиническим протоколам. Внедрение подобных агентных моделей может автоматизировать процесс сбора доказательной базы для врачей и аналитиков.

Компания BSS представила обновление своего программного продукта NLU-Suite версии 3.8, ориентированное на автоматизацию аудита генеративного искусственного интеллекта. Главным нововведением стало внедрение механизмов оценки качества систем RAG (Retrieval-Augmented Generation) с использованием больших языковых моделей (LLM). Данный функционал позволяет автоматизировать проверку точности, релевантности и фактической достоверности ответов, которые генерируют ИИ-агенты на основе предоставленных медицинских или иных баз знаний. Применение LLM-оценки (LLM-as-a-judge) позволяет значительно сократить время на ручную валидацию ответов и снизить риск галлюцинаций нейросетей. В контексте здравоохранения это критически важно для обеспечения безопасности при использовании ИИ в качестве ассистента врача. Обновление NLU-Suite предоставляет разработчикам инструменты для непрерывного мониторинга качества работы сложных интеллектуальных систем в реальном времени.

Разработана новая система MMCRAG-Resp, использующая мультимодальный RAG для диагностики респираторных заболеваний на основе звуков, спирометрии и текста. Метод значительно снижает уровень галлюцинаций ИИ и обеспечивает клинически обоснованные, объяснимые ответы с использованием локальных языковых моделей.

Разработано специализированное решение T21 Research Assistant — система с использованием архитектуры RAG (генерация с дополнением извлечением), оптимизированная для работы с научной литературой по синдрому Дауна. В отличие от стандартных языковых моделей, данный инструмент использует метод 'section-aware RAG', который приоритизирует разделы 'Результаты' (Results) в научных статьях, чтобы минимизировать влияние фоновой информации и опираться исключительно на первичные экспериментальные данные. Система обучена на базе из 1 789 статей из PubMed Central, включая 327 исследований, финансируемых инициативой NIH INCLUDE. Технологический стек базируется на моделях NVIDIA Nemotron и включает многоступенчатый конвейер валидации запросов, переранжирования и верификации цитат. В ходе тестирования на экспертных вопросах система показала высокую точность, достигнув показателя BERTScore F1 на уровне 0,712 и полноты (recall) 0,758, что сопоставимо с ведущими проприетарными моделями. Инструмент представляет высокую ценность для биомедицинских исследователей, позволяя эффективно обрабатывать огромный массив данных (более 34 000 публикаций) с высокой степенью доказательности.

В статье представлен LLooMi — открытая RAG-конверсационная система на базе больших языковых моделей для оказания поддержки в кризисных ситуациях ментального здоровья, медицинских чрезвычайных ситуациях и других гуманитарных контекстах. Система адаптирует тон и содержание ответов на основе психологического состояния пользователя, достигая 92.4% точности ответов и 84.9% релевантности. Результаты подтверждают потенциал инструмента для цифровой психиатрии и кризисной помощи.