A Tether orvosi mesterséges intelligenciája 16-szor nagyobb modelleket veri

@pórázMesterséges Intelligencia Kutatócsoportja elindult @qvac A MedPsy szerdán bemutatta orvosi nyelvi modellek családját, amelyek elég kompaktak ahhoz, hogy okostelefonon fussanak, mégis képesek felülmúlni a sokszoros méretű versenytársaikat a klinikai teszteken.

Összehasonlító eredmények, amelyek megkérdőjelezik a skála-első feltételezést

A MedPsy két méretben, 1.7B és 4B paraméterrel kapható, és kifejezetten a QVAC ökoszisztémán keresztüli peremhálózati telepítésre készült. A kisebb, 1.7 milliárdos modell hét orvosi teszt során 11.42 ponttal múlta felül a Google MedGemma-4B-jét. A komolyabb HealthBench Hard teszten pedig a nála 16-szor nagyobb MedGemma-27B-t múlta felül. A 4B verzió 70.54 pontot ért el zárt végű orvosi benchmarkokon, meghaladva a MedGemma-27B-t annak ellenére, hogy közel hétszer kisebb volt, és a különbség tovább nőtt a realisztikus egészségügyi forgatókönyvek szerint, beleértve a HealthBench Hard (58.00 vs 42.00) és a MedXpertQA (30.61 vs 25.18) teszteket. A 4B modell 3.2-szer kevesebb token felhasználásával generált válaszokat, ami a nyers pontosság mellett a számítási hatékonyság jelentős növekedésére is utal.

Az orvosi nagy nyelvi modellek jelenlegi környezete éles kompromisszumot jelent a képesség és a telepíthetőség között. A Google MedGemma-27B modellje erős teljesítményt nyújt, de 27 milliárd paraméterrel teljesen kivitelezhetetlen a peremhálózati telepítéshez, mivel több tíz gigabájt VRAM-mal rendelkező GPU-kat igényel. Tether megközelítése a kurátori képzési módszertanra helyezi a hangsúlyt a nyers erő skálájával szemben.

Miért fontos az eszközön belüli telepítés az egészségügyben?

A modellek 1.2 GB és 2.6 GB kvantált formátumban kerülnek forgalomba, ami elég kicsi ahhoz, hogy internetkapcsolat nélkül is futtathatók legyenek okostelefonon vagy kórházi munkaállomáson. Az orvosi adatok különösen érzékenyek. A betegadatok, a diagnosztikai lekérdezések és a klinikai feljegyzések védett egészségügyi információkat tartalmaznak, amelyeket szigorú szabályozási keretek szabályoznak, beleértve az Egyesült Államokban a HIPAA-t és Európában a GDPR-t. A felhőalapú orvosi mesterséges intelligencia domináns paradigmája megköveteli, hogy ezek az adatok elhagyják a felhasználó eszközét, és távoli szervereken dolgozzák fel őket, ami megfelelési terheket és alapvető feszültséget teremt a mesterséges intelligencia képességei és a betegek adatainak védelme között. A lokális következtetés teljesen eltávolítja ezt az akadályt.

CEO @paoloardoino a kiadást a hatékonyság szándékos növelésének tekintette a méretezés helyett, összhangban a Tether szélesebb körű törekvéseivel az adatvédelmet megőrző, eszközön belüli mesterséges intelligencia felé a QVAC platformon keresztül. A MedPsy modellek az Apache 2.0 licenc alatt érhetők el kutatási és oktatási célokra, és kifejezetten sávszélesség-korlátozott környezetekben, adatvédelmi szempontból érzékeny klinikai munkafolyamatokban és alacsony erőforrás-igényű egészségügyi intézményekben való telepítésre tervezték őket, ahol az adatok soha nem hagyhatják el az eszközt.

A bevezetés egy fontos pillanatban érkezik az ágazat számára. A globális egészségügyi mesterséges intelligencia piacának értéke 2025-ben 36.67 milliárd dollár volt, és a becslések szerint 2033-ra eléri az 505.59 milliárd dollárt, ami 38.90%-os összetett éves növekedési ütemet jelent. Az adatvédelmi előírások betartása továbbra is az egyik leggyakrabban emlegetett akadály a szélesebb körű elterjedésben, és pontosan ez az a probléma, amelynek a megoldására a MedPsy épül.

Források:
QVAC MedPsy: Korszerű orvosi és egészségügyi nyelvi modellek peremhálózati eszközökhöz, Hugging Face
A Tether Data bemutatja a QVAC Fabric LLM-et, a Tether.io-t
Mesterséges intelligencia az egészségügyben Piacméret és Részesedés Jelentés, Grand View Research