RAG 기반 건강 조언을 제공하는 미니 도우미 구축(시범 프로젝트)

일반 소개

LLM-RAG-Longevity-Coach는 사용자에게 맞춤형 건강 및 장수 관련 조언을 제공하기 위해 설계된 대규모 언어 모델링(LLM) 및 검색 증강 생성(RAG) 기술을 기반으로 하는 챗봇입니다. 타일러 벌리가 개발한 이 프로젝트는 Streamlit을 활용하여 관련 건강 데이터(예: 유전자 변이, 실험실 결과, 보충제 정보)를 검색하여 정확한 건강 조언을 생성하는 사용자 인터페이스를 구축합니다. 사용자는 간단한 채팅 인터페이스를 통해 건강 또는 장수와 관련된 질문을 입력하면 시스템이 맞춤형 조언을 제공하여 건강을 더 잘 관리하고 더 오래 살 수 있도록 돕습니다.

기능 목록

• 맞춤형 건강 조언사용자의 유전자 데이터, 실험실 결과 및 보충제 정보를 기반으로 맞춤형 건강 및 장수 관련 조언을 제공합니다.
• 간소화된 프론트 엔드스트림릿으로 구축된 사용자 인터페이스는 간단하고 직관적이어서 사용자가 쉽게 제안을 입력하고 확인할 수 있습니다.
• 문맥 검색사용 RAG 기술은 대량의 건강 데이터에서 관련 정보를 검색하여 생성된 권장 사항이 정확하고 관련성이 있는지 확인합니다.
• 비용 및 정확도 최적화관련 데이터를 검색하여 불필요한 데이터 전송을 방지하고 처리 비용을 절감하며 추천의 정확도를 높입니다.

도움말 사용

설치 프로세스

1. 복제 프로젝트터미널에서 다음 명령을 실행하여 프로젝트 코드를 복제합니다:

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

2. 종속성 설치프로젝트 디렉토리로 이동하여 필요한 종속성을 설치합니다:

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

3. 애플리케이션 실행스트림릿을 사용하여 애플리케이션을 실행합니다:

   streamlit run app.py

사용 가이드라인

1. 건강 관련 질문 입력"내 유전학과 실험실 결과에 따라 어떤 보충제를 고려해야 하나요?" 등 건강 또는 장수와 관련된 질문을 채팅 화면에 입력합니다.
2. 제안 보기시스템이 관련 건강 데이터를 검색하여 채팅 인터페이스에 표시되는 개인화된 건강 조언을 생성합니다.
3. 중간 단계 이해추천 생성의 중간 단계를 표시하여 사용자가 추천의 출처와 근거를 이해할 수 있도록 도와줍니다.

세부 기능 작동 흐름

1. 애플리케이션 실행설치 프로세스에 따라 앱을 실행한 후 브라우저를 열어 로컬에서 실행 중인 Streamlit 앱에 액세스합니다.
2. 입력 문제채팅창에 건강 관련 질문을 입력하고 시스템에서 보다 정확한 조언을 제공할 수 있도록 상황을 최대한 자세히 설명하세요.
3. 결과 보기: 사용자의 입력에 따라 시스템이 관련 건강 데이터를 검색하고 맞춤형 추천을 생성합니다. 채팅 인터페이스에서 전체 권장 사항과 중간 단계를 확인할 수 있습니다.
4. 조정 입력제안이 만족스럽지 않은 경우 입력 질문의 설명을 조정하여 더 자세한 내용이나 더 구체적인 질문을 제공하면 시스템에서 제안을 다시 생성합니다.