Resumo:

Embora os grandes modelos de linguagem (Large Language Models, LLMs) tenham alcançado excelente desempenho em várias tarefas que exigem respostas a perguntas de clínica médica, eles ainda enfrentam desafios. Os LLMs podem produzir respostas aparentemente coerentes, mas factualmente incorretas — um fenômeno conhecido como alucinação. Além disso, os corpora de treinamento dos LLMs podem não incluir o conhecimento mais recente, como atualizações recentes de diretrizes clínicas. Essas questões podem ser perigosas em domínios de alto risco, como assistência médica. Para minimizar esses riscos na geração de respostas a perguntas clínicas, utiliza-se a abordagem conhecida como Geração Aumentada por Recuperação (RAG). Esse método combina conhecimento externo ao LLM com sua capacidade de aprendizado em contexto (in-context learning), permitindo que o modelo produza respostas sobre informações que não foram explicitamente incluídas em seu treinamento. Assim, o modelo generativo elabora a resposta com base em um contexto recuperado de uma fonte externa, muitas vezes pertencente a um sistema privado. Esse processo reduz as limitações dos LLMs, garantindo maior precisão e alinhamento com diretrizes atualizadas. Várias aplicações no domínio da saúde podem se beneficiar da utilização de RAG, como chatbots, assistentes virtuais, sistemas de educação na saúde, suporte à tomada de decisão clínica, ente outros. São tópicos previstos no curso: Motivação para RAG no domínio da saúde, Componentes do RAG, Segmentação de texto, Modelos de embeddings, Recuperação da informação, Geração da resposta, Avaliação dos resultados do RAG, Exemplo de pipeline RAG e uma aplicação no domínio da saúde e, por fim, Oportunidades de Pesquisa.