L'apprendimento per rinforzo migliora gli agenti di chiamata agli strumenti FHIR
Un nuovo studio da arXiv (2605.14126) affronta la sfida di utilizzare agenti LLM per il ragionamento su Fast Healthcare Interoperability Resources (FHIR), lo standard dominante per lo scambio di dati sanitari. FHIR struttura le cartelle cliniche elettroniche come grafi diretti, richiedendo agli agenti di eseguire ragionamenti multi-step, filtraggi e aggregazioni. I precedenti agenti LLM potenziati con strumenti spesso selezionano risorse errate o violano i vincoli di attraversamento. I ricercatori inquadrano il ragionamento FHIR come un problema decisionale sequenziale su un grafo strutturato interrogabile, utilizzando il benchmark FHIR-AgentBench con dati ospedalieri reali. Implementano un agente CodeAct multi-turno post-addestrato con apprendimento per rinforzo tramite un'imbracatura e strumenti personalizzati, con un giudice LLM che fornisce ricompense basate sull'esecuzione. Questo approccio supera i metodi basati su prompt.
Fatti principali
- FHIR è lo standard dominante per lo scambio interoperabile di dati sanitari.
- FHIR rappresenta le cartelle cliniche elettroniche come un grafo diretto di risorse.
- Rispondere a domande cliniche richiede ragionamenti multi-step tra tipi di risorse.
- I precedenti agenti LLM potenziati con strumenti spesso selezionano risorse errate o violano i vincoli.
- Lo studio utilizza FHIR-AgentBench, un benchmark con dati ospedalieri reali.
- L'approccio inquadra il ragionamento FHIR come un problema decisionale sequenziale.
- Un agente CodeAct multi-turno viene post-addestrato con apprendimento per rinforzo.
- Un giudice LLM fornisce ricompense basate sull'esecuzione.
Entità
Istituzioni
- arXiv