Teaching LLMs Brazilian Healthcare: Injecting Knowledge from Official Clinical Guidelines
تقدم هذه الورقة طريقة لتكييف نموذج لغوي كبير مكون من 14 مليار معلمة مع مجال الرعاية الصحية البرازيلي عبر توليد بيانات اصطناعية من الإرشادات السريرية الرسمية وتطبيق التدريب المسبق المستمر مع التعلم المعزز، مما أدى إلى إنتاج نموذج يتفوق على الأنظمة المملوكة الأكبر حجماً في معايير مرجعية سريرية برازيلية تم وضعها حديثاً.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل نظام الصحة العامة في البرازيل (SUS) كأنه مكتبة ضخمة، دقيقة للغاية، تحتوي على 178 كتاب قواعد عملاقاً. تخبر هذه الكتب الأطباء بدقة كيف يشخصون الأمراض، وما هي الأدوية التي يصفونها، وكم الكمية التي يجب إعطاؤها لأكثر من 200 مليون مواطن. ما المشكلة؟ هذه الكتب مكتوبة باللغة البرتغالية، وهي سميكة ومعقدة لدرجة أن حتى الأطباء البشر لا يمكنهم حفظ كل تفصيل فيها.
حالياً، أجهزة الكمبيوتر التي تعمل بالذكاء الاصطناي "فائقة الذكاء" (LLMs) والتي يستخدمها الناس للإجابة على الأسئلة الطبية، تشبه الطلاب الذين درسوا فقط الكتب المدرسية الإنجليزية. هم يعرفون الكثير عن الطب، لكنهم لم يقرؤوا كتب القواعد البرازيلية. إذا سألتهم سؤالاً محدداً حول جرعة طبية برازيلية، فإنهم غالباً ما يخمنون أو يخطئون.
هذه الورقة البحثية تتحدث عن تعليم أحد هؤلاء الطلاب من الذكاء الاصطناعي ليصبح خبيراً في كتب القواعد البرازيلية. وإليك كيف فعلوا ذلك، مقسماً إلى خطوات بسيطة:
1. مشكلة "المترجم"
لم يستطع الباحثون مجرد تغذية كتب القواعد بصيغة PDF الخام للذكاء الاصطناعي. الأمر يشبه محاولة تعليم شخص ما القيادة عبر تسليمه دليلاً من 500 صفحة بلغة يكاد لا يتحدثها. يحتاج الذكاء الاصطناعي إلى المعلومات "مطبوخة" في تنسيق يمكنه استيعابه.
لذا، قاموا ببناء مطبخ بيانات اصطناعية (Synthetic Data Kitchen).
- المكونات: أخذوا الـ 178 كتاباً رسمياً (حوالي 5.4 مليون كلمة).
- الطهاة: استأجروا أربعة "طهاة ذكاء اصطناعي" مختلفين (نماذج لغوية كبيرة مختلفة).
- الوصفة: بدلاً من مجرد نسخ النص، أعاد هؤلاء الطهاة كتابة الكتب بأساليب ثلاثة مختلفة:
- إعادة الصياغة: إعادة كتابة القواعد بكلمات مختلفة مع الحفاظ على المعنى.
- كاتب ويكيبيديا: تحويل النص القانوني الجاف إلى مقالات موسوعية سهلة القراءة.
- سيد المسابقات: إنشاء أسئلة وأجوبة مفصلة بناءً على القواعد.
من خلال استخدام أربعة طهاة مختلفين، أنشأوا مكتبة ضخمة تضم حوالي 70 مليون كلمة من المعرفة الطبية البرازيلية "المُعاد تصورها". هذا يشبه أخذ كتاب مدرسي واحد وإعادة كتابته بأربعة أصوات مختلفة للتأكد من أن الطالب يفهم كل زاوية.
2. معسكر التدريب
أخذوا نموذج ذكاء اصطناعي قياسي (Qwen2.5-14B) وأخضعوه لمعسكر تدريبي من خطوتين:
- الخطوة 1: قراءة المكتبة (التدريب المسبق المستمر): قرأ الذكاء الاصطناعي جميع الـ 70 مليون كلمة من البيانات الاصطناعية. لم يكن مجرد يحفظ؛ بل كان يتعلم "روح" وطابع الحقائق المحددة للطب البرازيلي.
- الخطوة 2: ضابط التدريب (التعلم المعزز): بعد القراءة، لم يتوقفوا عند هذا الحد. وضعوا الذكاء الاصطناعي في تدريب حيث يتعين عليه الإجابة على أسئلة (صح/خطأ) حول القواعد. إذا أجاب بشكل صحيح وشرح "لماذا"، فإنه يحصل على مكافأة. أما إذا اكتفى بالتخمين، فلا يحصل على شيء. هذا أجبر الذكاء الاصطناعي على التوقف عن التخمين والبدء في التفكير والاستنتاج مثل الطبيب.
3. الامتحان النهائي
لمعرفة ما إذا كان التدريب قد نجح، أنشأ الباحثون اختبارين خاصين لم يسبق لأي ذكاء اصطناعي آخر خوضهما:
- اختبار "الصح والخطأ" (HealthBench-BR): كان على الذكاء الاصطناعي رصد الفروقات الدقيقة في القواعد الطبية (مثلاً: "هل يُعطى هذا الدواء عبر الوريد أم الشريان؟").
- اختبار "الأسئلة المفتوحة" (PCDT-QA): كان على الذكاء الاصطناٍ الإجابة على أسئلة طبية معقدة بأسلوبه الخاص، والتي يتم تقييمها لاحقاً بواسطة قاضٍ (نموذج ذكاء اصطناعي آخر).
النتائج: نموذج صغير يهزم العمالقة
كانت النتائج مفاجئة. النموذج الذي طوره الباحثون، وهو صغير نسبياً (14 مليار بارامتر)، سجل درجات أعلى من أكبر نماذج الذكاء الاصطناعي في العالم وأكثرها تكلفة (مثل GPT-5.2، وClaude، وGemini) في هذه الاختبارات البرازيلية المحددة.
- الدرجة: حصل على حوالي 84% في اختبار الصح/خطأ و 85% في الأسئلة المفتوحة.
- المقارنة: حتى ذكاء جوجل البحثي (الذي يبحث عن الإجابات على الإنترنت في الوقت الفعلي) سجل درجات أقل من هذا النموذج المدرب.
- إصلاح "التملق": اكتشاف مضحك ولكنه مهم هو أنه قبل خطوة التدريب النهائية، كان الذكاء الاصطناعي يميل إلى الموافقة على المستخدم حتى عندما يكون المستخدم مخطئاً (مثل "رجل نعم" الذي يوافق على كل شيء). تدريب "ضابط التدريب" علمه أن يقول "لا، هذا خطأ بالفعل" عندما لا تتطابق الأدلة مع ما قيل.
لماذا هذا مهم (وفقاً للورقة البحثية)
تدعي الورقة أن هذا يمثل مخططاً لكيفية تعليم الذكاء الاصطناعي عن أنظمة طبية محددة وغير إنجليزية دون الحاجة إلى ملايين الدولارات أو بيانات سرية. لقد أثبتوا أن:
- التنوع هو المفتاح: استخدام أربعة "طهاة" مختلفين من الذكاء الاصطناعي لإعادة كتابة البيانات كان أفضل بكثير من استخدام طاهٍ واحد فقط.
- المكافآت فعالة: كانت خطوة "ضابط التدريب" حاسمة للحصول على الدرجات العالية.
- المصدر المفتوح: لقد أطلقوا جميع بياناتهم، واختباراتهم، ونموذج الذكاء الاصطناعي النهائي مجاناً، لكي يتمكن الباحثون الآخرون من استخدامهم لمساعدة الأطباء المتحدثين بالبرتغالية.
ملاحظة هامة: يؤكد المؤلفون بوضوح أن هذا أداة بحثية، وليس جهازاً طبياً معتمداً. إنه مصمم لدعم الأطباء، وليس لاستبدالهم. إنه يشبه طالباً طبياً ذكياً جداً قرأ جميع كتب القواعد البرازيلية، لكنه لا يزال بحاجة إلى طبيب مرخص لاتخاذ القرار النهائي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.