হেলথকেয়ার AI-র নির্ভুলতা ৪৫% থেকে ৯২%: আর্কিটেকচার বদলেই মিলল সাফল্য
প্রম্পট ইঞ্জিনিয়ারিং বা ফাইন-টিউনিং দিয়ে হেলথকেয়ার AI-র কর্মক্ষমতা বাড়ানো যায়নি। একটি আর্কিটেকচার পরিবর্তনই মেডিকেল কোডিংয়ের রিকল 45% থেকে 92%-এ নিয়ে গেছে। গবেষণাটি দেখাচ্ছে যে সারফেস-লেভেল অপটিমাইজেশনের চেয়ে মডেল আর্কিটেকচার কতটা গুরুত্বপূর্ণ।
প্রম্পট ইঞ্জিনিয়ারিং বা ফাইন-টিউনিং দিয়ে হেলথকেয়ার AI-র কর্মক্ষমতা বাড়ানো যায়নি। একটি আর্কিটেকচার পরিবর্তনই মেডিকেল কোডিংয়ের রিকল 45% থেকে 92%-এ নিয়ে গেছে। গবেষণাটি দেখাচ্ছে যে সারফেস-লেভেল অপটিমাইজেশনের চেয়ে মডেল আর্কিটেকচার কতটা গুরুত্বপূর্ণ।
হেলথকেয়ার ক্লেইমস প্ল্যাটফর্মের জন্য তৈরি একটি AI সিস্টেম মেডিকেল কোডিংয়ে মাত্র 45% রিকল দিচ্ছিল। অর্থাৎ রোগীর চিকিৎসার তথ্য থেকে সঠিক CPT ও ICD কোড চিহ্নিত করতে সিস্টেমটি অর্ধেকেরও কম সময় সফল হচ্ছিল। এই সমস্যা সমাধানে ফাইন-টিউনিং বা প্রম্পট ইঞ্জিনিয়ারিং কোনো কাজেই আসেনি।
এরপর বিকাশকারীরা একটি মৌলিক পরিবর্তন আনেন। তারা মডেলের আর্কিটেকচারই বদলে দেন। এই একক সিদ্ধান্ত CPT কোড রিকলকে 45% থেকে 92%-এ নিয়ে যায়। dev.to-তে প্রকাশিত একটি গবেষণা প্রতিবেদনে এই তথ্য জানানো হয়েছে।
গবেষণাটি বলছে, সারফেস-লেভেল অপটিমাইজেশন যেমন ফাইন-টিউনিং বা প্রম্পট ইঞ্জিনিয়ারিং দিয়ে সিস্টেমের কর্মক্ষমতা 45%-এর বেশি তোলা সম্ভব হয়নি। প্রতিবারই সিস্টেম একটি নির্দিষ্ট সীমার ওপরে যেতে ব্যর্থ হয়েছে। অথচ আর্কিটেকচার পরিবর্তনের পর রিকল প্রায় দ্বিগুণ হয়ে গেছে।
এই পরিবর্তন কেন গুরুত্বপূর্ণ? একটি ভুল CPT বা ICD কোড মানে ক্লেইমস ডিনায়েড হওয়া। তারপর বিলিং টিমকে ঘণ্টার পর ঘণ্টা ফোনে পেয়ারের সঙ্গে কথা বলতে হয়। এই সময়টুকু তারা তাদের প্রকৃত কাজে লাগাতে পারত না। 92% রিকল মানে প্রায় 100টির মধ্যে 92টি ক্লেইমস সঠিক কোড পাচ্ছে। এটি বিলিং প্রক্রিয়াকে অনেক বেশি নির্ভরযোগ্য করে তুলেছে।
বাংলাদেশের প্রেক্ষাপটে এই গবেষণার গুরুত্ব অনেক। দেশের হেলথকেয়ার সেক্টরে ডিজিটাল রূপান্তর দ্রুত এগোচ্ছে। অনেক স্টার্টআপ এবং হাসপাতাল AI-ভিত্তিক কোডিং এবং বিলিং সিস্টেম নিয়ে কাজ করছে। এই গবেষণা তাদের শেখায় যে শুধু ডেটা বা প্রম্পট নয়, মডেলের গঠনই আসল পার্থক্য তৈরি করতে পারে।
বাংলাদেশি ডেভেলপার এবং গবেষকদের জন্য এখানে একটি বড় শিক্ষা আছে। তারা যদি নিজেদের AI সিস্টেমের কর্মক্ষমতা নিয়ে হতাশ হন, তাহলে প্রথমে মডেল আর্কিটেকচার নিয়ে ভাবা উচিত। ফাইন-টিউনিং বা প্রম্পট ইঞ্জিনিয়ারিং শেষ ধাপ হওয়া উচিত, প্রথম নয়।
ভবিষ্যতে আরও গবেষণা দরকার। বিশেষ করে বিভিন্ন ধরণের মেডিকেল ডেটা এবং ভাষার জন্য আর্কিটেকচার কেমন হওয়া উচিত তা বোঝা জরুরি। এই গবেষণা দেখিয়ে দিয়েছে যে সঠিক পথ বেছে নিলে AI-র কার্যকারিতা নাটকীয়ভাবে বাড়ানো সম্ভব।
আরও পড়ুন
এই সংবাদটি আন্তর্জাতিক সূত্রের তথ্য অবলম্বনে AI-সহায়তায় বাংলায় উপস্থাপন ও বাংলাদেশের প্রেক্ষাপটে সম্পাদিত। মূল তথ্যের জন্য নিচের সূত্র দেখুন।
মূল প্রতিবেদন: dev.to AI
সোর্স দেখুন ↗মন্তব্য০
লোড হচ্ছে...