📢 转载信息
原文作者：Breanne Warner, Baladithya Balamurugan, Amin Dashti, Evan Grenda, Marco Punio, and Sunaina Kavi
本文由 Omada Health 的 AI/ML 产品经理 Sunaina Kavi 联合撰写。
Omada Health 长期以来一直是虚拟医疗服务领域的创新者，于 2025 年推出了新的营养体验，其中包括 OmadaSpark，这是一个经过严格临床输入训练的 AI 智能体，可提供实时激励性访谈和营养教育。该产品基于 AWS 构建。OmadaSpark 旨在帮助会员识别自身在健康饮食方面的动机性障碍，例如情绪化进食，改善食物选择，设定目标并维持持久的行为改变。以下截图展示了 OmadaSpark 营养教育功能的一个示例，演示了会员如何实时获得个性化的营养教育。
在本文中，我们将探讨 Omada 如何与 AWS 和 Meta 合作，利用 Amazon SageMaker AI 上的 Llama 模型开发这一医疗健康领域的 AI 解决方案。我们将深入探讨技术实施、架构和评估过程，这些帮助 Omada 在保持对循证护理承诺的同时，实现了个性化营养指导的规模化。
AI 驱动的营养指导机会
营养教育是 Omada 慢性病管理计划的基石。尽管健康教练在提供个性化护理方面表现出色，但对快速、便捷的营养信息需求的增长，为通过技术增强教练影响力提供了机会。Omada 寻求一种创新解决方案，通过处理常规分析任务来补充教练的专业知识，使他们能够更深入地专注于有意义的会员互动。目标是提供即时、高质量的营养教育，同时严格遵守 Omada 的护理方案以及使其项目有效的个性化风格的医疗合规性。
Omada Health 的 OmadaSpark 旨在帮助会员识别在当今环境中（超加工食品普遍存在且饮食往往无法提供长期效果）健康饮食所面临的现实世界的情感和实际障碍。OmadaSpark 提供激励性访谈，通过提问帮助会员识别自己的目标，强化自主权，并找到改变习惯的动力。OmadaSpark 的营养教育功能可以减轻实时食物决策带来的精神负担，并鼓励会员逐步纳入更健康的食品替代品。Omada 的营养体验提供了更新的跟踪功能，如饮水跟踪、条形码扫描和照片识别技术，这些都提供了灵活、非限制性的支持，旨在促进与食物的健康关系。
Omada 机器学习、人工智能和数据战略副总裁 Terry Miller 解释说：“我们认为 AI 是我们健康教练的力量倍增器，而不是替代品。我们与 AWS 和 Meta 的合作使我们能够实施与我们循证、个性化护理价值观一致的 AI 解决方案。”
解决方案概述
Omada Health 使用在 SageMaker AI 上微调的 Llama 3.1 模型开发了营养教育功能。该实施采用了使用 量化低秩适应 (QLoRA) 技术的 Llama 3.1 8B 模型，这是一种微调方法，允许语言模型在较小的数据集上高效学习。初始训练使用了 1,000 个问答对，这些问答对来源于 Omada 的内部护理方案、同行评审文献和专业学会指南，以提供循证营养教育。
下图说明了 Omada Health 在 AWS 上 Llama 实施的高层架构。
解决方案工作流程包括以下高层步骤：
- 营养教育数据集的问答对被上传到 Amazon Simple Storage Service (Amazon S3) 以进行模型训练。
- 使用 Amazon SageMaker Studio 利用 Hugging Face 估算器启动训练作业，对 Llama 3.1 8B 模型进行微调。使用 QLoRA 技术训练模型，并将模型工件保存到 Amazon S3。
- 推理工作流程通过移动客户端发出的用户问题来调用，以支持 OmadaSpark 的营养教育功能。会调用请求来获取基于用户资料的会员个人数据以及对话历史记录，以便提供的响应信息是个性化的。例如，不会向素食者提供烤牛肉食谱。同时，此功能不提供与特定人员医疗状况相关的医疗信息，例如他们最新的血糖测试结果。调用 SageMaker AI 端点以基于会员的查询和历史对话作为上下文来生成营养信息。
- 模型生成个性化的营养教育内容，反馈给移动客户端，为 Omada 心血管代谢项目中的人们提供循证教育。
- 为了评估模型性能，使用 LangSmith（一种可观测性和评估服务，团队可以在其中监控 AI 应用性能）来捕获推理质量和对话分析，以实现持续的模型改进。
- 注册营养师进行人工审查流程，验证提供给用户的营养教育的临床准确性和安全性。在 LangSmith 注释队列中查看被点赞和被否定的回复，以确定未来的微调和系统提示更新。
下图更详细地说明了工作流程顺序。
协作与数据微调
Omada Health 在 AI 实施中取得成功的关键方面是其临床团队与 AI 开发团队之间的紧密合作。Omada AI/ML 产品经理 Sunaina Kavi 是这次合作的关键人物，她强调了这种协同作用的重要性：
Kavi 说：“我们与临床团队的合作对于建立信任并确保模型得到优化以满足现实世界的医疗保健需求至关重要。通过密切参与数据选择和评估，我们确保了 OmadaSpark 营养教育不仅提供准确和个性化的营养信息，而且还维护了高标准的患者护理。”
“AWS 和 Meta 的合作使我们能够使用最先进的基础模型，同时保持我们在医疗保健领域所需的自托管控制，以满足隐私、安全和质量要求。SageMaker AI 的微调功能使我们能够在不影响数据主权的情况下，根据我们特定的营养用例定制 Llama 模型。”
在整个开发过程中，患者数据保护始终是重中之重。模型训练和推理发生在符合 HIPAA 的 AWS 环境中（AWS 是 Omada 的 HIPAA 业务伙伴），通过 SageMaker AI 中的模型主权功能，微调后的模型权重仍处于 Omada 的控制之下。AWS 安全基础设施为实施奠定了基础，有助于在整个 AI 开发生命周期中维护患者数据保护。Llama 模型提供了针对医疗保健特定定制所需的灵活性，而不会影响性能。Omada 将技术实施的中心放在 SageMaker AI 上，用于模型训练、微调和部署。
最后，Omada 实施了严格的测试协议，包括合格人员对模型输出进行定期人工审查。Omada 在 4.5 个月内启动了包含模型的整个工作流程。在此过程中，他们持续监控回复准确性和会员满意度，并根据现实世界的反馈进行迭代微调。
业务影响
OmadaSpark 的引入极大地提高了使用该工具的会员的参与度。与没有使用该工具的会员相比，与营养助手互动的会员返回 Omada 应用的可能性高出三倍。通过提供全天候可用的个性化营养教育，Omada 将解决会员营养问题的时间从几天大幅缩短到几秒钟。
在成功发布后，Omada 正在深化与 AWS 和 Meta 的合作，以扩展 AI 功能，包括模型微调、上下文窗口优化和内存添加。他们正在开发一个持续训练管道，整合真实的会员问题，并用营养以外的附加健康领域来增强 AI 功能。
Miller 分享道：“我们与 AWS 和 Meta 的合作展示了战略合作在医疗保健创新中的价值。展望未来，我们很高兴能在此基础上开发更多创新的方式来支持我们的会员。”
结论
Omada Health 的实施展示了医疗保健组织如何在满足行业特定要求和会员需求的同时有效采用 AI。通过在 SageMaker AI 上使用 Llama 模型，Omada 增强了健康教练的人文关怀，进一步丰富了会员体验。Omada、AWS 和 Meta 的合作展示了在高度监管行业中的组织如何通过使用 AWS——值得信赖的医疗保健云提供商——上的创新基础模型来快速构建 AI 应用程序。通过将临床专业知识与先进的 AI 模型和安全的基础设施相结合，他们创建了一个可以在规模上改变护理交付的解决方案，同时保持使 Omada 有效的个性化、以人为本的方法。
Miller 总结道：“这个项目证明了负责任的 AI 在医疗保健中的采用不仅是可能的——对于以高质量护理惠及更多患者来说，这是必不可少的。”
Omada 仍然致力于利用 AI 赋能技术的效率来发展其人工护理团队。展望未来，该团队致力于创造新的创新，以增强会员的实时支持感、信心和自主权。
如需了解更多信息，请参阅以下资源：
作者简介
Sunaina Kavi 是 Omada 的 AI/ML 产品经理，致力于利用人工智能促进行为改变，以改善糖尿病、高血压和体重管理的治疗效果。她拥有密歇根大学罗斯商学院的生物医学工程理学学士学位和 MBA 学位，专攻创业和金融。在加入 Omada 之前，她曾在旧金山的科技、媒体和电信行业担任投资银行家。后来她加入了 Rivian，专注于信息娱乐部门的充电解决方案，并创办了自己的初创公司，旨在利用人工智能管理自身免疫性疾病的急性发作。Sunaina 还积极参与旧金山的生成式 AI 小组，致力于加强医疗保健领域的安全、保障和系统评估。
Breanne Warner 是亚马逊云计算服务 (AWS) 的企业解决方案架构师，为医疗保健和生命科学 (HCLS) 客户提供支持。她热衷于支持客户在 AWS 上使用生成式 AI，并宣传采用第一方和第三方模型的做法。Breanne 还是“亚马逊女性”组织（Women at Amazon）的副主席，旨在培养亚马逊包容和多元化的文化。Breanne 拥有伊利诺伊大学厄巴纳-香槟分校计算机工程学士学位。
Baladithya Balamurugan 是 AWS 的解决方案架构师，专注于推理的 ML 部署，以及使用 AWS Neuron 加速训练和推理。他与客户合作，在 Amazon SageMaker 和 Amazon EC2 等服务上启用和加速他们的 ML 部署。Baladithya 居住在旧金山，空闲时间喜欢修补、开发应用程序和他的家庭实验室。
Amin Dashti, 博士 是 AWS 的高级数据科学家，专注于使用 Amazon SageMaker 进行模型定制和训练。他拥有物理学博士学位，为他在机器学习和应用 AI 方面的工作带来了深厚的科学严谨性。他跨越学术界、金融界和科技界的跨学科背景，使他能够从理论和实践角度解决复杂的挑战。Amin 居住在旧金山湾区，空闲时间喜欢与家人一起探索公园、海滩和当地的小径。
Marco Punio 是专注于 GPU 加速 AI 工作负载、大规模模型训练和 AWS 上应用 AI 解决方案的资深专家解决方案架构师。作为 AWS Gen AI 应用科学 SA 团队的成员，他专注于 AI 的高性能计算，优化用于基础模型训练和推理的 GPU 集群，并担任 Meta–AWS 合作伙伴关系和技术战略的全球负责人。Marco 居住在华盛顿州西雅图，空闲时间喜欢写作、阅读、锻炼和构建 GPU 优化的 AI 应用程序。
Evan Grenda 是 AWS 的高级 GenAI 专家，他与顶级第三方基础模型和代理框架提供商合作，制定和执行联合上市战略，使客户能够有效地部署和扩展解决方案，以解决企业代理 AI 挑战。Evan 拥有南卡罗来纳大学的工商管理学士学位、奥本大学的 MBA 学位以及圣约瑟夫大学的数据科学理学硕士学位。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区