Un novedoso enfoque en la aplicación de modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) está transformando la ejecución de tareas analíticas complejas en el sector salud. Tradicionalmente, responder preguntas acerca de, por ejemplo, la duración promedio de estancia de pacientes con condiciones específicas en diversos hospitales, dependía de la experiencia en inteligencia empresarial y análisis de datos. Este proceso frecuentemente derivaba en prolongadas demoras y cuellos de botella informativos.
Sin embargo, recientes avances en LLM han generado nuevas oportunidades, permitiendo descomponer tareas complejas en pasos más manejables. Esto se logra a través del uso de herramientas que facilitan cada parte del proceso y la formulación de soluciones finales. En este contexto, «herramientas» se refiere a las capacidades o APIs externas con las que el modelo puede interactuar, ampliando su operatividad más allá de simples respuestas textuales. Estas funcionalidades permiten a los LLM llevar a cabo tareas especializadas como recuperar información en tiempo real, realizar ejecuciones de código o incluso generar imágenes, elevando la precisión y relevancia de las respuestas generadas.
Un ejemplo claro de estas capacidades es el nuevo sistema de recuperación de registros de pacientes, el cual se basa en conjuntos de datos preexistentes y opera exclusivamente a través de APIs, evitando así la complejidad que supone a menudo el proceso tradicional de convertir texto a consultas SQL. Esta herramienta está destinada a responder preguntas analíticas que requieren un razonamiento y ejecución de múltiples canales. Por ejemplo, si un usuario consulta el nombre y apellido del paciente con menos vacunas administradas, el sistema puede proporcionar una respuesta precisa tras completar varios pasos programáticos.
La solución implementa un proceso en dos etapas: planificación y ejecución. Durante la planificación, se proporcionan las firmas de funciones API, permitiendo al LLM formular un plan claro y lógico para resolver la consulta del usuario. Esta planificación se detalla en un formato estructurado JSON, lo cual facilita su posterior ejecución.
En la etapa de ejecución, el plan diseñado se lleva a cabo de forma programática, ejecutando cada llamada a funciones en secuencia. La integridad del proceso se asegura mediante mecanismos de manejo de errores, que permiten detectar y solucionar problemas potenciales durante la ejecución, asegurando así resultados confiables y exactos.
Este enfoque ejemplifica cómo los modelos de lenguaje de gran tamaño pueden ir más allá de ser meros generadores de texto. Ofrecen soluciones prácticas basadas en datos que pueden revolucionar los flujos de trabajo analíticos y la toma de decisiones dentro del ámbito empresarial.
