Lokalne AI do analizy pytań administracyjnych w placówce
Kierownik placówki chce ustalić, które informacje o obsłudze wizyt wymagają lepszego wyjaśnienia. Same liczby wiadomości niewiele mówią: pod wspólnym tematem rezerwacji mogą kryć się pytania o potwierdzenie terminu, zmianę danych lub miejsce kontaktu. Lokalna aplikacja AI może pomóc pogrupować treść przygotowanego zbioru wiadomości administracyjnych i pokazać, co warto omówić z zespołem rejestracji.
Syntalith
W Syntalith możemy przygotować aplikację do takiego przeglądu: kierownik widzi tematy, otwiera przypisane im fragmenty z dopuszczonego zbioru i poprawia nietrafne przypisania. Po sprawdzeniu zestawienia wybiera z zespołem informację do przeredagowania, na przykład treść potwierdzenia rezerwacji. Początek może opierać się na fikcyjnych wiadomościach. Wykorzystanie rzeczywistego zbioru wymaga osobnego przygotowania i oceny anonimizacji przez odpowiedzialne za to osoby.
Jeden temat rezerwacji, różne pytania
Załóżmy, że w fikcyjnym zbiorze są wiadomości: „Czy po wysłaniu formularza mam już zarezerwowany termin?” oraz „Gdzie znajdę potwierdzenie rezerwacji?”. Model może zaproponować wspólną kategorię dotyczącą potwierdzenia, ale kierownik potrzebuje rozróżnić ich sens. Pierwsza dotyczy tego, kiedy rezerwacja staje się potwierdzona. Druga pyta o dostęp do potwierdzenia. W widoku analizy można zachować oba podtematy i przeczytać przypisane do nich fragmenty.
Takie rozróżnienie pomaga wybrać, co obejrzeć w obecnym sposobie komunikacji. Kierownik może porównać pytania z treścią wyświetlaną po formularzu oraz z wiadomością wysyłaną przez placówkę. Samo zestawienie nie dowodzi, że te komunikaty są przyczyną pytań. Daje konkretny temat do rozmowy z rejestracją i sprawdzenia, zanim placówka zmieni tekst.
Zestawienie tematów do pracy kierownika
Przy kategorii warto pokazać liczbę przypisanych wiadomości oraz przykłady z analizowanego zbioru. Kierownik może wtedy zauważyć, że model połączył różne sprawy, i rozdzielić je przed wykorzystaniem raportu. Niejasna wiadomość może pozostać bez rozstrzygnięcia. Wymuszona kategoria ukrywałaby pracę potrzebną do zrozumienia treści.
Raport opisuje wybrany zbiór i okres, z którego go przygotowano. Liczba wiadomości nie jest liczbą osób ani dowodem, że jedna osoba kontaktowała się wielokrotnie. W tym zastosowaniu nie łączymy korespondencji z historią konkretnego pacjenta. Kierownik otrzymuje przegląd pytań administracyjnych, bez analizy dokumentacji klinicznej, oceny pilności medycznej czy rekomendacji dotyczących leczenia.
Jeśli zbiór obejmuje tylko wiadomości z formularza, raport powinien to pokazać, aby kierownik nie traktował go jako obrazu wszystkich kontaktów z rejestracją.
Czy wystarczy obecny raport
Jeżeli formularz lub system obsługi już zapisuje sensowne kategorie zgłoszeń, warto zacząć od jego raportu. Przy niewielkiej liczbie wiadomości ręczne oznaczenie tematów może być prostsze niż budowa aplikacji. Model jest wart porównania, gdy treść jest zróżnicowana, a ogólny temat nadany w systemie nie wyjaśnia, o co ludzie pytają.
Na tym samym przygotowanym materiale można obejrzeć raport obecnego narzędzia i proponowane grupowanie. Kierownik ocenia, czy nowe zestawienie ujawnia użyteczne rozróżnienia oraz ile kategorii i przypisań trzeba poprawić. To lepsza podstawa decyzji o dalszych pracach niż sam płynnie napisany opis najczęstszych tematów.
Obsługa pojedynczej sprawy wymaga innego rozwiązania. Opisujemy ją w artykule o agencie dla administracji przychodni, który pomaga zebrać brakujące informacje. Tutaj zakup dotyczy zbiorczego przeglądu tematów na potrzeby organizacji obsługi.
Przygotowanie danych i lokalne przetwarzanie
Usunięcie nazwisk z wiadomości nie wystarcza, by uznać zbiór za anonimowy. Komisja Europejska wyjaśnia, że dane pozwalające ponownie zidentyfikować osobę pozostają danymi osobowymi, a anonimizacja musi być nieodwracalna. Ocena przygotowanego zbioru jest osobnym zadaniem od sprawdzenia, czy model dobrze przypisuje tematy. Fikcyjne przykłady pozwalają najpierw omówić sam widok i przydatność kategorii.
Jeśli placówka wybiera przetwarzanie na własnym komputerze lub serwerze, można tam zaplanować działanie modelu. Ollama opisuje modele lokalne i chmurowe oraz możliwość wyłączenia funkcji chmurowych. Miejsce działania modelu nie potwierdza anonimizacji.
Uzgodnienia dotyczące aplikacji obejmują również zapis zbioru i raportów, kopie, dostęp użytkowników oraz sposób utrzymania narzędzia. Te elementy warto omówić razem z osobami odpowiedzialnymi za IT i dopuszczenie materiału do analizy.
Od pytania kierownika do proponowanej aplikacji
Pierwszy etap prac z Syntalith może objąć jedno pytanie o komunikację administracyjną i fikcyjną próbkę wiadomości, na której omówimy proponowane zestawienie. Kierownik rejestracji objaśnia znaczenie tematów i ocenia, czy wynik nadaje się do rozmowy o zmianach w obsłudze. Dopiero po ustaleniu zasad przygotowania rzeczywistych materiałów można rozszerzyć próbę na dopuszczony zbiór i ocenić działanie w wybranym środowisku.
Opisz pytanie, które regularnie wraca do rejestracji, oraz informację, którą kierownik chciałby dzięki analizie poprawić. Do pierwszej rozmowy wystarczy własny opis lub fikcyjny przykład, bez przesyłania wiadomości pacjentów. Omówimy potrzebny widok, przygotowanie materiału i dalszą obsługę aplikacji. Informacje o wycenie znajdziesz w cenniku.
Oceńmy prywatne AI w warunkach Twojej firmy
Pomagamy firmom i osobom prywatnym dobrać sprzęt, uruchomić model i sprawdzić go na własnych zadaniach. Możesz zacząć od komputera, który już masz, albo od rozmowy przed zakupem.
Prywatne modele LLM i fine-tuning