Шукаємо спеціаліста з LLM, RAG та prompt engineering для аудиту й удосконалення вже створеного ШІ-асистента операторів контакт-центру мережі медичних центрів.
Це не розробка з нуля. Наразі асистент працює в середовищі ChatGPT та використовує:
- власну навичку з інструкціями
SKILL.md; - базу знань у Project Sources;
- структуровані Markdown-файли, автоматично сформовані з CSV-вивантажень медичної інформаційної системи;
- окремі індекси цін, виконавців, підрозділів, пакетів, обладнання та рекомендованих комбінацій послуг.
База містить приблизно:
- 2 700+ медичних послуг;
- 90+ пакетів і комплексів;
- 300+ рекомендованих комбінацій;
- 600+ хірургічних втручань;
- ціни за різними підрозділами;
- виконавців, адреси, підготовку, обладнання та іншу довідкову інформацію.
Що має робити асистент
За запитом оператора асистент повинен швидко надавати перевірену відповідь:
- чи надається потрібна послуга;
- точний код, назву та ціну;
- у яких підрозділах вона доступна;
- хто з лікарів або інших спеціалістів її виконує;
- як підготуватися;
- який пакет або комплекс вигідніше запропонувати;
- які супутні послуги доцільно запропонувати;
- яка послідовність комплексного запису;
- які є дешевші або альтернативні варіанти;
- для операцій — окремо базову ціну та орієнтовну загальну вартість випадку хірургічного лікування.
Асистент не повинен вигадувати ціни, виконавців, підготовку, медичні показання або переносити інформацію між схожими послугами.
Наявні проблеми
Система вже працює, але потребує підвищення стабільності пошуку та якості відповідей. Зокрема:
- модель інколи знаходить основну послугу, але пропускає рекомендовані комбінації;
- не завжди витягує окремі поля з великих Markdown-файлів;
- може знаходити базову ціну операції, але пропускати загальну вартість хірургічного випадку;
- результати залежать від структури та розміру файлів у Project Sources;
- потрібно оптимізувати індекси, маршрутизацію джерел і правила пошуку;
- потрібно забезпечити однаково якісні відповіді на короткі, неточні та розмовні запити операторів.
Наприклад, простий запит «холецистектомія» повинен одразу повернути доступні варіанти операції, коди, базові ціни, загальну вартість лікування, підрозділи, виконавців та пов’язані послуги.
Завдання спеціаліста
- Провести аудит чинного
SKILL.md, структури бази знань і логіки пошуку. - Проаналізувати причини пропуску даних під час retrieval.
- Запропонувати оптимальну архітектуру бази знань для ChatGPT.
- Удосконалити або переписати
SKILL.md. - Оптимізувати структуру Markdown-файлів та компактних індексів.
- Налаштувати обов’язковий пошук:
- пакетів і комплексів;
- рекомендованих комбінацій;
- цін за підрозділами;
- виконавців;
- вартості випадку хірургічного лікування.
- Перевірити генератор бази знань із CSV-вивантажень та за потреби вдосконалити Python-скрипти.
- Створити набір контрольних запитів і критеріїв оцінювання відповідей.
- Провести тестування на реальних сценаріях контакт-центру.
- Надати фінальну документацію для подальшого оновлення та підтримки системи.
Очікуваний результат
Маємо отримати стабільного асистента, який:
- відповідає українською мовою;
- не пропускає критично важливі дані;
- повертає лише інформацію, підтверджену базою знань;
- правильно розрізняє послуги, пакети та рекомендовані комбінації;
- показує код, назву, ціну, підрозділ і виконавця;
- для операцій розділяє базову ціну та повну вартість лікування;
- пропонує оператору конкретний сценарій подальшого запису пацієнта;
- стабільно працює після наступних оновлень CSV-вивантажень;
- працює відносно швидко.
Вимоги до виконавця
Потрібен спеціаліст із практичним досвідом:
- ChatGPT Projects, Custom GPT або ChatGPT Skills;
- LLM, RAG, retrieval та семантичного пошуку;
- prompt engineering;
- проєктування баз знань для мовних моделей;
- Markdown, CSV, JSON/JSONL;
- Python для обробки та перетворення даних;
- тестування якості відповідей LLM.
Буде перевагою досвід із медичними інформаційними системами, контакт-центрами або великими каталогами послуг.
Ми шукаємо не лише автора промтів, а спеціаліста, який розуміє обмеження пошуку у великих джерелах, фрагментацію контексту та способи побудови надійних індексів.
Що надати у пропозиції
Просимо коротко зазначити:
- Ваш досвід із ChatGPT, RAG або корпоративними базами знань.
- Приклади схожих реалізованих проєктів.
- Як би ви підійшли до діагностики пропуску окремих полів у великих файлах.
- Орієнтовні строки та вартість аудиту й доопрацювання.
- Чи готові ви підписати угоду про конфіденційність.
Персональні дані пацієнтів у межах цього проєкту не передаватимуться.
Остаточна вартість робіт буде узгоджена після уточнення Технічного Завдання між Замовником та Виконавцем.
