S príchodom éry zrýchleného pokroku v oblasti AI, potenciál AI pre transformáciu personalizovanej zdravotnej starostlivosti a wellness je silnejší ako kedykoľvek predtým. S AI poháňaným koučovaním v oblasti zdravia môžu jednotlivci teraz získať vysoko personalizované odporúčania na základe rozsiahlych vedeckých výskumov, prispôsobených ich jedinečným fitness cieľom, zdravotným stavom a nutričným potrebám. V ESTEN sme využili Vertex AI od Google Cloud na vývoj inteligentného systému, ktorý kombinuje pokročilé LLM Gemini s analytikou založenou na dátach, a poskytuje vysoko personalizované odporúčania v oblasti zdravia a wellness na základe rozsiahlej zbierky vedeckých štúdií. Tento článok popisuje, ako sme pristúpili k problému a aké výzvy sme museli prekonať, spolu s inovatívnymi riešeniami, ktoré to umožnili.
Výzva: Personalizácia odporúčaní v oblasti zdravia a výživy
Mali sme prístup k približne 1700 PDF dokumentom, ktoré obsahovali podrobné lekárske štúdie skúmajúce účinky rôznych nutrientov na ľudské zdravie. Okrem týchto štúdií sme dostali aj persony – jednotlivcov s rôznymi fitness cieľmi, stravovacími návykmi, alergiami a zdravotnými problémami. Našou výzvou bolo vytvoriť systém schopný analyzovať tieto štúdie a generovať presné, personalizované odporúčania produktov pre každú personu, konkrétne zo zoznamu produktov GymBeam.
Náš prístup: Budovanie personalizovaného AI systému
Na vyriešenie tejto výzvy sme využili Vertex AI, silný nástroj od Google Cloud, ktorý umožňuje škálovateľný vývoj a nasadzovanie AI. Tu je podrobný prehľad, ako sme systém vybudovali:
Ukladanie a integrácia dát: Prvým krokom bolo nahranie PDF dokumentov obsahujúcich vedecké štúdie do Cloud Storage Bucket na Google Cloud. Tieto dokumenty sme následne prepojili s Datastore v platforme Vertex AI, čím sme získali škálovateľnú NoSQL databázu na efektívne ukladanie dát. Pre informácie o produktoch sme použili PostgreSQL, aby sme uložili detaily produktov GymBeam, dávkovanie a zloženie nutrientov, čo nám umožnilo prepojiť správny produkt s každým používateľom.
Implementácia AI modelu: Srdcom nášho riešenia bola Chat Grounding funkcionalita Vertex AI, ktorá nám umožnila spojiť výstup AI s výskumnými dátami z PDF dokumentov. Využitím Vertex AI Search agenta sme mohli dotazovať náš Datastore a získať najrelevantnejšie štúdie pre daný nutrient. To nám umožnilo integrovať odporúčania založené na dôkazoch do nášho AI systému bez problémov.
Fáza tvorby promptov: Na zabezpečenie, že AI pochopí špecifické potreby každého používateľa, sme využili iteratívne tvorenie promptov. Tým, že sme vytvárali veľmi špecifické prompty, sme jemne vylepšili výstup AI a zabezpečili, že sa vrátia relevantné odporúčania na základe profilu používateľa. Schopnosť modelu poskytovať personalizované návrhy na základe vedeckých štúdií bola vylepšená využitím Vertex AI Studio a jeho silnej chat funkcionality.
Integrácia Vertex AI-Chat: AI model bol integrovaný do našej backendovej infraštruktúry pomocou Vertex AI SDK, čo nám poskytlo potrebné nástroje na nasadenie chat funkcionality. To umožnilo plynulú komunikáciu medzi front-end používateľom a Vertex AI-Chat.
Personalizované odporúčania nutrientov: Výstup bol štruktúrovaný v JSON formáte, ktorý obsahoval nutrients, dávkovanie a odporúčané časy užívania, spolu s príslušnými výskumnými súbormi.
Prekonávanie výziev: Ladíme výstupy AI
Aj keď systém vykazoval sľubné výsledky, čelili sme niekoľkým výzvam:
Obmedzenia AI: Na začiatku AI odmietala určité odporúčania s odôvodnením, že nemôže poskytovať medicínske dáta. Tento problém sme vyriešili využitím spomenutej funkcionality Grounding.
Inkonzistentný výstup: Napriek našim najlepším snahám s presnými promptmi, AI niekedy vracala nekonzistentné výsledky. Napríklad, niekedy sa dávkovanie nutrientov vracalo slovne namiesto číselne, čo sťažovalo spracovanie dát. Prompt sme iteratívne upravovali, aby bol výstup konzistentný.
Správa kontextu: Jednou z technických prekážok bolo zabezpečiť, aby odpovede AI boli prispôsobené jednotlivému používateľovi. Implementovali sme mechanizmus na resetovanie kontextu, aby údaje o profile používateľa boli správne spracované bez zásahov z predchádzajúcich interakcií.
Výsledok: AI-poháňané personalizované koučovanie v oblasti zdravia
Po prekonaní technických výziev sme úspešne implementovali personalizovaného AI kouča v oblasti zdravia, ktorý dokáže odporučiť produkty GymBeam na základe vedeckých dôkazov, integrovaného do našej webovej aplikácie v React + Node.js.
Príklad pre konkrétnu personu: Persona: 30-ročný muž, 75 kg, 185 cm, pravidelne cvičí v posilňovni a robí kardio. Trpí depresiou, užíva antidepresíva, má intoleranciu na umelé sladidlá. Jeho cieľom je maximalizovať výkonnosť v práci a zlepšiť kvalitu spánku. Odporúčané produkty:
Kreatín monohydrát: 5 g denne – Zlepšuje silu a výkon pri vysoko intenzívnom cvičení.
Magnézium chelát (bisglycinát): 3 kapsuly denne – Podporuje relaxáciu a zlepšuje kvalitu spánku.
Omega-3: 2 kapsuly denne – Podporuje celkové zdravie a má pozitívny vplyv na náladu, čo je užitočné pri zvládaní depresie.
Kľúčové zistenia: Budúcnosť personalizovaného zdravia s AI
Tento projekt ukazuje silu AI v oblasti zdravia a wellness, kde Large Language Models ako Gemini dokážu analyzovať veľké objemy vedeckého výskumu a poskytovať personalizované, na dôkazoch založené odporúčania. Kombinovaním AI s cloud computingom a pokročilou analýzou dát môžeme vytvárať vysoko efektívne, škálovateľné systémy, ktoré ponúkajú akčné odporúčania v reálnom čase. Tento systém nielen zlepšuje používateľskú skúsenosť, ale tiež predstavuje obrovský potenciál pre rozvoj AI-poháňaných riešení v oblasti zdravotnej starostlivosti, kde AI môže slúžiť ako personalizovaný kouč v oblasti zdravia pre kohokoľvek, kdekoľvek.
