Construction d'un mini-assistant fournissant des conseils en matière de santé sur la base de RAG (projet pilote)

Introduction générale

LLM-RAG-Longevity-Coach est un chatbot basé sur les technologies LLM (Large Language Modelling) et RAG (Retrieval Augmented Generation) conçu pour fournir aux utilisateurs des conseils personnalisés en matière de santé et de longévité. Développé par Tyler Burleigh, le projet utilise Streamlit pour construire une interface utilisateur qui récupère les données de santé pertinentes (par exemple, les variantes génétiques, les résultats de laboratoire, les informations sur les suppléments) afin de générer des conseils de santé précis. Les utilisateurs peuvent poser des questions relatives à la santé ou à la longévité par l'intermédiaire d'une interface de chat simple, et le système leur fournira des conseils personnalisés pour les aider à mieux gérer leur santé et à vivre plus longtemps.

Liste des fonctions

• Conseils de santé personnalisésLe site Web de l'Institut de la santé publique et de la protection des consommateurs : il fournit des conseils personnalisés en matière de santé et de longévité sur la base des données génétiques de l'utilisateur, de ses résultats de laboratoire et d'informations sur les compléments alimentaires.
• Front-end StreamlitL'interface utilisateur, conçue avec Streamlit, est simple et intuitive, ce qui permet aux utilisateurs de saisir et de consulter facilement les suggestions.
• recherche contextuelle: Utilisation RAG La technologie extrait des informations pertinentes à partir de grandes quantités de données sur la santé afin de s'assurer que les recommandations générées sont exactes et pertinentes.
• Optimisation des coûts et de la précisionLe système d'information sur la vie privée : il permet d'éviter les transferts de données inutiles en récupérant les données pertinentes, de réduire les coûts de traitement et d'améliorer l'exactitude des recommandations.

Utiliser l'aide

Processus d'installation

1. projet de clonageLe code du projet doit être cloné : Exécutez la commande suivante dans le terminal pour cloner le code du projet :

   git clone https://github.com/tylerburleigh/LLM-RAG-Longevity-Coach.git

2. Installation des dépendancesLe projet doit être installé dans le répertoire du projet et les dépendances nécessaires doivent être installées :

   cd LLM-RAG-Longevity-Coach
pip install -r requirements.txt

3. Exécution de l'applicationL'application est exécutée à l'aide de Streamlit :

   streamlit run app.py

Lignes directrices pour l'utilisation

1. Saisir une question de santéLe chat : Saisissez votre question relative à la santé ou à la longévité dans l'écran de chat, par exemple : "D'après ma génétique et mes résultats de laboratoire, quels suppléments devrais-je envisager ?"
2. Voir les suggestionsLe système récupère les données de santé pertinentes et génère des conseils de santé personnalisés, qui sont affichés dans l'interface de dialogue en ligne.
3. Comprendre les étapes intermédiairesL'application indiquera les étapes intermédiaires de la génération des recommandations afin d'aider les utilisateurs à comprendre la source et la base des recommandations.

Fonction détaillée du déroulement des opérations

1. lancer une applicationAprès avoir suivi la procédure d'installation pour lancer l'application, ouvrez un navigateur pour accéder à l'application Streamlit exécutée localement.
2. Problèmes de saisie: Saisissez votre question sur la santé dans la boîte de dialogue et décrivez votre situation de la manière la plus détaillée possible afin que le système puisse vous donner des conseils plus précis.
3. Voir les résultatsLe système extrait les données de santé pertinentes et génère des recommandations personnalisées en fonction des informations que vous avez fournies. Vous pouvez consulter les recommandations complètes et les étapes intermédiaires dans l'interface de discussion.
4. Entrée d'ajustementSi vous n'êtes pas satisfait de la suggestion, vous pouvez ajuster la description de la question d'entrée pour fournir plus de détails ou une question plus spécifique et le système régénérera la suggestion.