Retrieval-augmented generation e LLM: um estudo de caso em aplicativos mobile e interfaces de chatbot

Abstract

Com o avanço das tecnologias de Large Language Models (LLMs) e sua crescente adoção em diversos domínios, surge a necessidade de otimizar o acesso a informações em ambientes complexos e com uma quantidade de dados elevada, como o de prontuários eletrônicos médicos. A busca por informações precisas e rápidas é essencial para os profissionais de saúde, especialmente em cenários críticos e para situações em que o contato e atenção para com o paciente é muito importante. Diante desse contexto, a aplicação de interfaces server-driven e técnicas de Recuperação Aumentada por Geração (RAG) pode proporcionar uma experiência mais eficiente e intuitiva para os usuários.

Este trabalho propõe o desenvolvimento de um sistema server-driven para aplicações móveis, utilizando tecnologias modernas, como Flutter, Python, Flask, Gemini, MongoDB e LangChain, com foco em criar uma interface que possibilite a interação em um chat estilo ChatGPT. O objetivo é avaliar como essas soluções podem melhorar o fluxo de informações para os médicos, ao mesmo tempo em que se analisa a integração de dados não estruturados em sistemas de recomendação e recuperação.