Группой исследователей из Института AIRI и Университета ИТМО представлена разработка, направленная на повышение качества работы генеративных моделей при составлении персональных советов по рациону. Предложенный метод PA-CoT (Profile-Adaptive Chain-of-Thought) призван минимизировать выдачу общих или потенциально рискованных рекомендаций за счет более глубокого анализа данных пользователя.
Универсальные советы в области диетологии могут быть нерелевантными или даже нежелательными для людей с разными физиологическими параметрами. Одно и то же предложение по составу пищи, безопасное для здорового человека, требует корректировки или врачебного контроля при наличии хронических заболеваний, аллергий или специфических целей. Стандартные ИИ-системы, даже имея доступ к базовым антропометрическим данным и сведениям об активности, часто дают усредненные ответы, поскольку не всегда могут выделить критические переменные и определить пробелы во входных данных.
Предложенный метод PA-CoT структурирует процесс формирования ответа в несколько последовательных шагов. На начальном этапе модель изолированно изучает пользовательский профиль, вычленяя ключевые факторы: цели, физическую нагрузку, диетические ограничения и указания на возможные хронические состояния. Затем генерируется основной блок рекомендаций с учетом выявленных параметров. Завершающий этап включает процедуру верификации безопасности (Safety Verification), которая проверяет итоговый совет на предмет потенциального вреда. При обнаружении спорных моментов система либо корректирует ответ, либо добавляет дисклеймер о необходимости визита к профильному специалисту.
В случае запроса о питании после тренировки от пользователя, стремящегося к набору мышечной массы, система предложит сочетание белков и углеводов. Для человека с диабетом и аллергическими реакциями при аналогичном запросе акцент сместится на продукты с низким гликемическим индексом, а также будет дана рекомендация по согласованию режима питания с лечащим врачом.
Эмпирическая проверка эффективности метода проводилась на специально собранном наборе данных, включающем 200 различных пользовательских кейсов с эталонными ответами диетологов. Оценка осуществлялась по четырем критериям: корректность, полнота, персонализация и безопасность. В ходе сравнения PA-CoT с одиннадцатью альтернативными подходами разработанный метод продемонстрировал наилучшие средние показатели. По шкале от 1 до 5 итоговые баллы по персонализации и безопасности превысили 4,7 и 4,6 соответственно, что оказалось выше результатов ближайшего конкурентного решения.
Представители научной группы подчеркивают, что полученные высокие баллы не означают приравнивания системы к врачу или абсолютной безошибочности. Речь идет о сравнительной эффективности в рамках тестовой выборки. Среди преимуществ разработки также отмечается экономическая эффективность: новый метод требует значительно меньшего количества обращений к вычислительной модели по сравнению с сопоставимым по качеству аналогом.
В ближайших планах ученых — расширение тестовой базы, проверка метода на других генеративных архитектурах и внедрение интерактивного функционала, позволяющего ассистенту запрашивать у пользователя недостающие данные. Конечной целью называется создание полноценного диалогового помощника в области нутрициологии.
Найти модель можно по ссылке: https://evgenfosgen.github.io/PA-CoT/.