Хочу поделиться кейсом!
Ваша компания использует генеративный AI в продуктах, проектах и бизнес-процессах? Смело рассказывайте о своем опыте на страницах проекта Generation AI!
Правила отбора
Правила отбора
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
У вас есть вопросы и предложения? Напишите нам!
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
Хотите такой же кейс, но не знаете, с чего начать?
Запишитесь на консультацию, и наш эксперт ответит на ваши вопросы о генеративном AI!
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
Хотите внедрить GenAI в свои бизнес-процессы, но не знаете, с чего начать?
Запишитесь на консультацию, и наш эксперт ответит на ваши вопросы о генеративном AI!
Нажимая кнопку «Отправить», я даю свое согласие на обработку файлов cookie в соответствии с Политикой обработки персональных данных.
Как Medpoint создал AI-сервис для врачей: быстрый поиск по клиническим рекомендациям
Компания
Medpoint — образовательная платформа от Onpoint для врачей. Портал предлагает бесплатный контент и полезные сервисы для врачей разных специальностей, а также сотрудничает с крупнейшими фармкомпаниями. С 2024 года Medpoint делает ставку не на охваты, а на вовлеченность: предлагает продвинутую аналитику (CPA, OR) и умеет доказывать, что контент действительно усвоен.
Апрель 2025
Медицина
Инструменты
GPT-4
RAG
«Вам не нужна 1000 врачей, которые просто были на вебинаре, вам нужны 200, которые усвоили ваше сообщение, — и мы можем это доказать», — Medpoint
Вызов
Команда Medpoint планировала повысить вовлеченность врачей — главных пользователей портала. Стало ясно, что одних образовательных материалов недостаточно: врач изучает нужный вопрос и больше не возвращается. Нужно, чтобы аудитория заходила на портал чаще. Возникла гипотеза: если создать сервис, полезный для ежедневной практики врача, это повысит частоту визитов.
Во время анализа потребностей аудитории выявили два ключевых запроса:
Во время анализа потребностей аудитории выявили два ключевых запроса:
Нехватка оперативного доступа к клиническим рекомендациям
Потребность в консультациях по диагностике и лечению
Первый инструмент: Telegram-бот «Второе мнение»
Создали на базе API GPT-4. Бот предоставляет врачам экспертные консультации, основанные на доказательной медицине.
Разрабатывая Telegram-бот, команда сотрудничала с медицинским сообществом — врачами и кандидатами медицинских наук — для настройки качественных промптов. Итеративный подход и три этапа тестирования позволили оптимизировать модель взаимодействия.
Разрабатывая Telegram-бот, команда сотрудничала с медицинским сообществом — врачами и кандидатами медицинских наук — для настройки качественных промптов. Итеративный подход и три этапа тестирования позволили оптимизировать модель взаимодействия.
Чат-ботом пользуются врачи-ревматологи, отправляя в среднем по 5 запросов в месяц
Однако врачи отметили, что ответы бота, основанные только на общих данных GPT-4, недостаточно точны для медицинских задач и им не хватало контекста из официальных российских клинических рекомендаций.
Пример генерации в боте
Новый инструмент: переход к платформе Medpoint и AI Bolit
Полученный от врачей фидбэк показал, что Telegram-бот не может полностью удовлетворить потребности пользователей. Поэтому команда решила разработать полноценную систему на платформе Medpoint, которая обеспечит интеграцию с клиническими рекомендациями и позволит формировать более точные ответы.
Так появился AI Bolit — сервис, который не только отвечает на вопросы, но и находит релевантные клинические рекомендации для создания точных и полезных ответов
Что под капотом у AI Bolit
База данных с векторным поиском
Для хранения и поиска клинических рекомендаций (около 600 документов) использовали базу данных платформы Medpoint, расширенную поддержкой векторного поиска. Этот подход позволяет преобразовывать текст (например, названия рекомендаций) в числовые векторы и находить наиболее релевантные документы по запросу пользователя. Использование уже существующей базы данных упростило архитектуру и снизило затраты на инфраструктуру.
Сбор и обработка данных
Мы собирали клинические рекомендации с сайта Минздрава РФ, парсили и структурировали их. Сначала была выстроена работа только с названиями рекомендаций, которые были преобразованы в векторы для поиска. Позже, учитывая отзывы врачей, каждую рекомендацию разделили на тематические разделы (главы) и сохранили их в отдельной таблице со ссылками на оригинальные документы. Это обеспечило большую гибкость при работе с текстом.
Использование метода RAG
Чтобы ответы модели были основаны на клинических рекомендациях, применили метод RAG. Система сначала находит релевантные документы, а затем передает их содержимое в языковую модель вместе с вопросом пользователя. Это позволяет давать ответы, опираясь на официальные данные, а не только на общие знания модели.
Для хранения и поиска клинических рекомендаций (около 600 документов) использовали базу данных платформы Medpoint, расширенную поддержкой векторного поиска. Этот подход позволяет преобразовывать текст (например, названия рекомендаций) в числовые векторы и находить наиболее релевантные документы по запросу пользователя. Использование уже существующей базы данных упростило архитектуру и снизило затраты на инфраструктуру.
Сбор и обработка данных
Мы собирали клинические рекомендации с сайта Минздрава РФ, парсили и структурировали их. Сначала была выстроена работа только с названиями рекомендаций, которые были преобразованы в векторы для поиска. Позже, учитывая отзывы врачей, каждую рекомендацию разделили на тематические разделы (главы) и сохранили их в отдельной таблице со ссылками на оригинальные документы. Это обеспечило большую гибкость при работе с текстом.
Использование метода RAG
Чтобы ответы модели были основаны на клинических рекомендациях, применили метод RAG. Система сначала находит релевантные документы, а затем передает их содержимое в языковую модель вместе с вопросом пользователя. Это позволяет давать ответы, опираясь на официальные данные, а не только на общие знания модели.
Алгоритм поиска и обработки запросов
Первая версия: один запрос = одна рекомендация
В первоначальной версии на основе запроса пользователя система находила одну наиболее релевантную рекомендацию, сравнивая вектор запроса с векторами названий документов. Этот текст отправлялся в языковую модель для формирования ответа. Однако врачи отметили, что для сложных вопросов одной рекомендации недостаточно, так как снижается точность ответа.
Улучшенная версия: один запрос = 5 рекомендаций
Алгоритм переработали для повышения точности и качества ответов. Новый процесс выглядит Так:
1
Вопрос пользователя преобразуется в вектор
2
На основе вектора система находит 5 релевантных рекомендаций, используя векторное сходство с названиями документов
3
Из базы данных извлекаются названия рекомендаций и список их тематических разделов (глав)
4
Список передается в языковую модель с задачей выбрать главы и рекомендации, подходящие для ответа на конкретный вопрос, и вернуть результат в структурированном формате (например, в виде списка)
2
Извлекаются только те фрагменты текста, которые соответствуют выбранным главам, и они передаются в модель для формирования финального ответа
Такой подход позволяет обойти ограничения по объему данных, которые можно передать в модель и повышает точность ответов.
Пример работы AI-Medicus
Результаты
Тестирование с группой пользователей, использующих AI Bolit, и с группой, не использующей сервис, показало такие результаты:
Группа с AI Bolit:
Среднее время на сайте: +28%
Количество сессий: +21%
Количество сессий: +21%
Группа без AI Bolit:
Среднее время на сайте: +10%
Количество сессий: +8%
Количество сессий: +8%
Внедрение AI позволило достичь сразу двух стратегических целей. Во-первых, создать реальную ценность для врачей: AI-сервисы упрощают их работу и повышают лояльность к платформе. Во-вторых, собрать ценную аналитику: данные по пользовательским запросам помогают нам улучшать сервис и повышать вовлеченность.