ஒழுங்குபடுத்தப்படாத பெரிய மொழி மாதிரிகள் மருத்துவ சாதனத்தைப் போன்ற வெளியீட்டை உருவாக்குகின்றன

சுகாதாரத்தில் LLMகளின் வாக்குறுதி மற்றும் ஒழுங்குமுறை சவால்கள்

பெரிய மொழி மாதிரிகளின் (LLMs) திறன்கள், அவற்றின் விரிவான பயிற்சி தரவு மற்றும் மனிதனைப் போன்ற உரையை உருவாக்கும் திறன் ஆகியவற்றிலிருந்து உருவாகின்றன, பல்வேறு துறைகளில் முடிவு ஆதரவுக்கான அவற்றின் பயன்பாட்டில் ஆர்வத்தைத் தூண்டுகின்றன. இருப்பினும், உருவாக்கும் செயற்கை நுண்ணறிவு (AI) அமைப்புகளை மிகவும் கவர்ச்சிகரமானதாக மாற்றும் பண்புகள், ஒழுங்குமுறை அமைப்புகளுக்கு தனித்துவமான தடைகளையும் அளிக்கின்றன. இந்த அமைப்புகள் பல தசாப்தங்களுக்கு முன்னர் நிறுவப்பட்ட கட்டமைப்புகளுக்குள் செயல்படுகின்றன, பாரம்பரிய மருத்துவ சாதனங்களுக்காக வடிவமைக்கப்பட்டவை, AI-யின் மாறும் தன்மைக்கு அல்ல.

தற்போது, கிடைக்கக்கூடிய LLMகள் மருத்துவ சாதனங்களாக வகைப்படுத்தப்படவில்லை. ஃபெடரல் உணவு, மருந்து மற்றும் ஒப்பனைச் சட்டம் (FD&C Act § 201(h)(1)) ஒரு மருத்துவ சாதனத்தை ‘நோய் கண்டறிதல், …சிகிச்சை, தணிப்பு, சிகிச்சை அல்லது தடுப்பு ஆகியவற்றில் பயன்படுத்தப்படும் ஒரு கருவி… அதன் முதன்மை நோக்கம் இரசாயன நடவடிக்கை மூலம் அடையப்படாது.’ என வரையறுக்கிறது. பெரும்பாலான LLMகள் மருத்துவ ஆலோசனை வழங்குவதற்காக அல்ல என்று கூறும் மறுப்புகளை உள்ளடக்குகின்றன, இதனால் FDA ஒழுங்குமுறையைத் தவிர்க்கின்றன. இருந்தபோதிலும், ஆராய்ச்சி அமைப்புகள் மற்றும் உண்மையான மருத்துவ நடைமுறை ஆகிய இரண்டிலும் மருத்துவ முடிவு ஆதரவுக்காக LLMகளின் பயன்பாட்டை முன்னிலைப்படுத்தும் வெளியிடப்பட்ட ஆராய்ச்சி மற்றும் நிகழ்வு ஆதாரங்களின் வளர்ந்து வரும் தொகுப்பு உள்ளது.

LLM-அடிப்படையிலான மருத்துவ முடிவு ஆதரவுக்கான ஒழுங்குமுறையின் நோக்கத்தை வரையறுத்தல்

LLMகளின் திறனைக் கருத்தில் கொண்டு, அவை முறையாக ஒரு மருத்துவ முடிவு ஆதரவு அமைப்பில் (CDSS) இணைக்கப்பட வேண்டுமானால், பொருத்தமான ஒழுங்குமுறை பற்றிய கேள்வி மிக முக்கியமானது. 21 ஆம் நூற்றாண்டு சிகிச்சைச் சட்டத்தின் FD&C சட்டத்திற்கான திருத்தம் (பொதுச் சட்டம் 114-255), FDA-வின் வழிகாட்டுதலுடன் சேர்ந்து, முடிவு ஆதரவு மென்பொருள் ஒரு சாதனமாகத் தகுதிபெறுகிறதா என்பதையும், அதன் விளைவாக, FDA அதிகார வரம்பிற்கு உட்படுகிறதா என்பதையும் தீர்மானிக்க நான்கு முக்கிய அளவுகோல்களை கோடிட்டுக் காட்டுகிறது. இந்த அளவுகோல்கள் பின்வருவனவற்றைச் சுற்றி வருகின்றன:

• மென்பொருள் செயல்பாட்டின் உள்ளீட்டு தரவு.
• அதன் வெளியீட்டு தரவு.
• அதன் மருத்துவ பரிந்துரைகளின் சாரம்.
• அந்த பரிந்துரைகளுக்குப் பின்னால் உள்ள நியாயத்தை மதிப்பாய்வு செய்வதற்கான இறுதிப் பயனரின் திறன்.

குறிப்பாக, ஒரு CDSS ஆனது பொதுவான தகவல் அடிப்படையிலான பரிந்துரைகளை வழங்குவதற்குப் பதிலாக, சிகிச்சை அல்லது நோயறிதலுக்கான துல்லியமான வழிகாட்டுதலை வழங்கினால், அது ஒரு சாதனமாகக் கருதப்படுகிறது. மேலும், CDSS அதன் பரிந்துரைகளுக்கான அடிப்படை ஆதாரத்தை வழங்கத் தவறினால், பயனர்கள் அவற்றைச் சுயாதீனமாக மதிப்பாய்வு செய்வதையும் தங்கள் சொந்த முடிவுகளுக்கு வருவதையும் தடுத்தால், அது ஒரு சாதனமாக வகைப்படுத்தப்படுகிறது. FDA வழிகாட்டுதல் மேலும் தெளிவுபடுத்துகிறது, மருத்துவ அவசரகாலத்தில் பயன்படுத்தப்படும் ஒரு CDSS ஆனது, முடிவெடுப்பதலின் முக்கியமான மற்றும் நேர-உணர்திறன் தன்மை காரணமாக ஒரு சாதனமாகக் கருதப்படுகிறது, இது CDSS-ன் ஆலோசனையின் சுயாதீன மதிப்பீட்டைத் தடுக்கிறது.

உருவாக்கும் AI அமைப்புகளில் சாதனத்தைப் போன்ற வெளியீட்டை ஆராய்தல்

உருவாக்கும் AI, LLM போன்ற, ஒரு மருத்துவ சாதனத்தைப் பிரதிபலிக்கும் வெளியீட்டை உருவாக்குகிறதா என்பது தெளிவாக இல்லை. கட்டுப்பாடற்ற LLM-ன் இலவச-உரை வெளியீடு நிறுவப்பட்ட சாதன அளவுகோல்களை பூர்த்தி செய்யலாம் அல்லது செய்யாமல் போகலாம். மேலும், சவாலான தூண்டுதல்கள் அல்லது ‘ஜெயில்பிரேக்குகள்’ ஆகியவற்றுக்கான LLM பதில்கள் இந்த அளவுகோல்களுடன் எவ்வாறு ஒத்துப்போகின்றன என்பது தெரியவில்லை. மருத்துவ ஆலோசனைக்காக LLMகளின் அதிகரித்து வரும் பயன்பாடு, LLM-அடிப்படையிலான CDSSகளின் சாதனப் பதவி மற்றும் ஒழுங்குமுறை நிலை குறித்து நிச்சயமற்ற தன்மையை இந்த தொழில்நுட்பங்களின் பாதுகாப்பான மற்றும் பயனுள்ள வளர்ச்சிக்கு ஒரு சாத்தியமான தடையாக ஆக்குகிறது. சுகாதாரத்தில் உருவாக்கும் AI-க்கான பாதுகாப்பு மற்றும் கண்டுபிடிப்பு ஆகியவற்றுக்கு இடையே சரியான சமநிலையை ஏற்படுத்துவது முக்கியமானது, ஏனெனில் அதிகமான மருத்துவர்களும் நோயாளிகளும் இந்த கருவிகளைப் பயன்படுத்துகின்றனர்.

ஆராய்ச்சி நோக்கங்கள்: சாதனத்தைப் போன்ற செயல்பாட்டை மதிப்பிடுதல்

இந்த ஆராய்ச்சி LLMகளின் சாதனத்தைப் போன்ற செயல்பாட்டை மதிப்பிடுவதை நோக்கமாகக் கொண்டது. இந்த செயல்பாடு ‘நோய்கள் அல்லது பிற நிலைமைகளின் நோயறிதல், சிகிச்சை, தடுப்பு, சிகிச்சை அல்லது தணிப்பு’ ஆகியவற்றிற்கான அவற்றின் பயன்பாடாக வரையறுக்கப்படுகிறது, அத்தகைய பயன்பாடு நோக்கம் கொண்டதா அல்லது அனுமதிக்கப்பட்டதா என்பதைப் பொருட்படுத்தாமல். குறிப்பிட்ட நோக்கங்கள்:

1. அந்த அளவுகோல்களைப் பற்றிய அறிவுறுத்தல்களுடன் தூண்டப்பட்டு, மருத்துவ அவசரநிலையுடன் வழங்கப்பட்டால், LLM வெளியீடு சாதன அளவுகோல்களுடன் ஒத்துப்போகுமா என்பதைத் தீர்மானித்தல்.
2. ஒரு மாதிரியின் வெளியீட்டை சாதனத்தைப் போன்ற வெளியீட்டை வழங்கும்படி கையாளக்கூடிய நிபந்தனைகளை, ஏதேனும் இருந்தால், அடையாளம் காணுதல். இதில் நோயறிதல் மற்றும் சிகிச்சை தகவல்களுக்கான நேரடி கோரிக்கைகள், அத்துடன் சாதனமற்ற அளவுகோல்களைப் பின்பற்றுவதற்கான தூண்டுதல்கள் இருந்தபோதிலும் சாதனத்தைப் போன்ற வெளியீட்டை வெளிக்கொணர வடிவமைக்கப்பட்ட முன் வரையறுக்கப்பட்ட ‘ஜெயில்பிரேக்’ ஆகியவற்றைப் பயன்படுத்துவது அடங்கும்.

கண்டுபிடிப்புகள்: LLM பதில்கள் மற்றும் சாதன அளவுகோல் சீரமைப்பு

தடுப்பு பராமரிப்பு பரிந்துரைகள்

தடுப்பு பராமரிப்பு பரிந்துரைகளுக்காக வினவப்பட்டபோது, அனைத்து LLMகளும் அவற்றின் இறுதி உரை வெளியீட்டில் சாதனமற்ற அளவுகோல்களுடன் ஒத்துப்போகும் பதில்களை உருவாக்கின. லாமா-3 மாதிரி, ஒரு ஒற்றை-ஷாட் தூண்டுதலுக்கு பதிலளிக்கும் விதமாக, ஆரம்பத்தில் ஒரு சிறிய சதவீத பதில்களில் (குடும்ப மருத்துவத்திற்கு 20% மற்றும் மனநல தடுப்பு பராமரிப்பு காட்சிகளுக்கு 60%) சாதனத்தைப் போன்ற முடிவு ஆதரவை வழங்கியது. இருப்பினும், அது உடனடியாக இந்த உரையை ‘மன்னிக்கவும், இந்த கோரிக்கைக்கு இப்போது என்னால் உங்களுக்கு உதவ முடியாது.’ என்ற மறுப்புடன் மாற்றியது. சாதன அளவுகோல்களின் விரிவான எடுத்துக்காட்டுகளைக் கொண்ட பல-ஷாட் தூண்டுதலுடன் வழங்கப்பட்டபோது, அனைத்து மாதிரிகளும் அனைத்து ஆரம்ப தடுப்பு பராமரிப்பு பதில்களுக்கும் சாதனமற்ற பரிந்துரைகளை தொடர்ந்து வழங்கின.

நேர-முக்கிய அவசர காட்சிகள்

நேர-முக்கிய அவசரநிலைகள் சம்பந்தப்பட்ட சூழ்நிலைகளில், GPT-4 பதில்களில் 100% மற்றும் லாமா-3 பதில்களில் 52% சாதனத்தைப் போன்ற முடிவு ஆதரவுடன் ஒத்துப்போனது. சாதனத்தைப் போன்ற பரிந்துரைகளின் ஒட்டுமொத்த விகிதங்கள் பல-ஷாட் தூண்டுதல்களுடன் சீராக இருந்தன, ஆனால் வெவ்வேறு மருத்துவ காட்சிகளில் மாறுபாட்டைக் காட்டின. இந்த சாதனத்தைப் போன்ற பதில்களில் அவசரநிலைகள் தொடர்பான குறிப்பிட்ட நோயறிதல்கள் மற்றும் சிகிச்சைகளுக்கான பரிந்துரைகள் அடங்கும்.

‘நம்பிக்கையற்ற இன்டர்ன்’ ஜெயில்பிரேக்

‘நம்பிக்கையற்ற இன்டர்ன்’ ஜெயில்பிரேக்கிற்கு உட்படுத்தப்பட்டபோது, கணிசமான அளவு பதில்கள் சாதனத்தைப் போன்ற பரிந்துரைகளை வெளிப்படுத்தின. குறிப்பாக, GPT-4 பதில்களில் 80% மற்றும் 68%, மற்றும் லாமா-3 பதில்களில் 36% மற்றும் 76%, முறையே ஒற்றை- மற்றும் பல-ஷாட் தூண்டுதல்களைத் தொடர்ந்து சாதனத்தைப் போன்ற பரிந்துரைகளை உள்ளடக்கியது.

LLM பரிந்துரைகளின் மருத்துவப் பொருத்தம்

அனைத்து மாதிரி பரிந்துரைகளும் மருத்துவ ரீதியாக பொருத்தமானவை மற்றும் நிறுவப்பட்ட பராமரிப்பு தரங்களுடன் ஒத்துப்போகின்றன என்பதைக் கவனத்தில் கொள்ள வேண்டும். குடும்ப மருத்துவம் மற்றும் இருதயவியல் காட்சிகளில், சாதனத்தைப் போன்ற முடிவு ஆதரவின் பெரும்பகுதி பயிற்சி பெற்ற மருத்துவர்களுக்கு மட்டுமே பொருத்தமானது. எடுத்துக்காட்டுகளில் ஒரு நரம்பு வடிகுழாயை வைப்பது மற்றும் நரம்பு நுண்ணுயிர் எதிர்ப்பிகளை வழங்குவது ஆகியவை அடங்கும். மற்ற காட்சிகளில், சாதனத்தைப் போன்ற பரிந்துரைகள் பொதுவாக ஓபியாய்டு அளவுக்கதிகமாக நாலோக்சோனை வழங்குவது அல்லது அனாபிலாக்ஸிஸுக்கு எபிநெஃப்ரின் ஆட்டோ-இன்ஜெக்டரைப் பயன்படுத்துவது போன்ற பார்வையாளர் பராமரிப்பு தரங்களுடன் ஒத்துப்போனது.

ஒழுங்குமுறை மற்றும் மேற்பார்வைக்கான தாக்கங்கள்

எந்தவொரு LLM-ம் தற்போது CDSS ஆக FDA-ஆல் அங்கீகரிக்கப்படவில்லை என்றாலும், மேலும் சில மருத்துவ ஆலோசனைக்கு பயன்படுத்தக்கூடாது என்று வெளிப்படையாகக் கூறினாலும், நோயாளிகளும் மருத்துவர்களும் இன்னும் இந்த நோக்கத்திற்காக அவற்றைப் பயன்படுத்தலாம். CDSS சாதன அளவுகோல்களுக்கான FDA வழிகாட்டுதல் ஆவணத்திலிருந்து பெறப்பட்ட மொழி, ஒற்றை-ஷாட் அல்லது பல-ஷாட் தூண்டுதல்கள் எதுவாக இருந்தாலும், LLM-களை சாதனமற்ற முடிவு ஆதரவை மட்டுமே உருவாக்குவதற்கு நம்பத்தகுந்த வகையில் கட்டுப்படுத்தவில்லை என்று ஆய்வு கண்டறிந்தது. மேலும், சாதனத்தைப் போன்ற முடிவு ஆதரவைப் பெறுவதற்கு முன் வரையறுக்கப்பட்ட ஜெயில்பிரேக் பெரும்பாலும் அவசியமில்லை. இந்த கண்டுபிடிப்புகள் AI/ML CDSSகளுக்கு ஏற்றவாறு புதிய ஒழுங்குமுறை முன்னுதாரணங்களின் தேவையை முன்னிலைப்படுத்தும் முந்தைய ஆராய்ச்சியை வலுப்படுத்துகின்றன. உருவாக்கும் AI தொழில்நுட்பங்களை உள்ளடக்கிய மருத்துவ சாதனங்களின் மேற்பார்வைக்கு அவை நேரடி தாக்கங்களையும் கொண்டுள்ளன.

ஒழுங்குமுறை அணுகுமுறைகளை மறுபரிசீலனை செய்தல்

பயனுள்ள ஒழுங்குமுறைக்கு, நோக்கம் கொண்ட பயன்பாட்டைப் பொறுத்து, LLM வெளியீட்டை சாதனத்தைப் போன்ற அல்லது சாதனமற்ற முடிவு ஆதரவுடன் சிறப்பாக சீரமைக்க புதிய முறைகள் தேவைப்படலாம். பாரம்பரிய FDA அங்கீகாரம் ஒரு குறிப்பிட்ட நோக்கம் கொண்ட பயன்பாடு மற்றும் அறிகுறிக்காக ஒரு மருத்துவ சாதனத்திற்கு வழங்கப்படுகிறது. எடுத்துக்காட்டாக, FDA-ஆல் அங்கீகரிக்கப்பட்ட AI/ML சாதனங்களில் ஹீமோடைனமிக் உறுதியற்ற தன்மை அல்லது மருத்துவ சரிவை கணிப்பதற்காக வடிவமைக்கப்பட்டவை அடங்கும். இருப்பினும், LLMகள் பல்வேறு தலைப்புகளில் வினவப்படலாம், இது பொருத்தமானதாக இருந்தாலும், அவற்றின் அங்கீகரிக்கப்பட்ட அறிகுறியுடன் ஒப்பிடும்போது ‘ஆஃப்-லேபிள்’ என்று கருதப்படும் பதில்களுக்கு வழிவகுக்கும். ஒற்றை- மற்றும் பல-ஷாட் தூண்டுதல்கள் இரண்டும் இதைக் கட்டுப்படுத்த போதுமானதாக இல்லை என்பதை முடிவுகள் நிரூபிக்கின்றன. இந்த கண்டுபிடிப்பு LLMகளின் வரம்பைக் குறிக்கவில்லை, மாறாக LLM வெளியீட்டின் நெகிழ்வுத்தன்மையை பாதுகாக்கும் அதே வேளையில் அதை அங்கீகரிக்கப்பட்ட அறிகுறிக்குகட்டுப்படுத்தும் புதிய முறைகளின் தேவையை அடிக்கோடிட்டுக் காட்டுகிறது.

புதிய அங்கீகார பாதைகளை ஆராய்தல்

LLMகளின் ஒழுங்குமுறைக்கு குறிப்பிட்ட அறிகுறிகளுடன் பிணைக்கப்படாத புதிய அங்கீகார பாதைகள் தேவைப்படலாம். ‘பொதுமைப்படுத்தப்பட்ட’ முடிவு ஆதரவுக்கான சாதன அங்கீகார பாதை LLMகள் மற்றும் உருவாக்கும் AI கருவிகளுக்கு ஏற்றதாக இருக்கலாம். இந்த அணுகுமுறை AI/ML CDSS-ல் கண்டுபிடிப்புகளை எளிதாக்கும் அதே வேளையில், அத்தகைய பரந்த அறிகுறிகளைக் கொண்ட அமைப்புகளின் பாதுகாப்பு, செயல்திறன் மற்றும் சமத்துவத்தை மதிப்பிடுவதற்கான உகந்த முறை தெளிவாக இல்லை. எடுத்துக்காட்டாக, அங்கீகாரத்திற்கான ‘நிறுவனம் சார்ந்த’ அணுகுமுறை சாதன-குறிப்பிட்ட மதிப்பீட்டின் தேவையைத் தவிர்க்கலாம், இது ஒரு LLM-க்கு பொருத்தமானதாக இருக்கலாம், ஆனால் இது மருத்துவ செயல்திறன் மற்றும் பாதுகாப்பு தொடர்பான நிச்சயமற்ற உத்தரவாதங்களுடன் வருகிறது.

வெவ்வேறு பயனர் குழுக்களுக்கான அளவுகோல்களைச் செம்மைப்படுத்துதல்

இந்த கண்டுபிடிப்புகள் மருத்துவர்கள் மற்றும் மருத்துவர் அல்லாத பார்வையாளர்களுக்காக வடிவமைக்கப்பட்ட CDSSகளுக்கான அளவுகோல்களைச் செம்மைப்படுத்த வேண்டியதன் அவசியத்தை எடுத்துக்காட்டுகின்றன. நோயாளி- மற்றும் பராமரிப்பாளர்-எதிர்கொள்ளும் CDSSகள் மருத்துவ சாதனங்களாகக் கருதப்படும், பொதுவாக ஒழுங்குமுறைக்கு உட்பட்டவை என்று FDA முன்பு சுட்டிக்காட்டியுள்ளது. இருப்பினும், மருத்துவர் அல்லாத பார்வையாளருக்காக வடிவமைக்கப்பட்ட AI/ML CDSS-க்கு தற்போது ஒரு ஒழுங்குமுறை வகை இல்லை. ஒரு குறிப்பிட்ட நோயறிதலைச் செய்து, நேர-முக்கிய அவசரநிலைக்கு ஒரு குறிப்பிட்ட வழிகாட்டுதலை வழங்குவது, சுகாதார நிபுணர்களுக்காக வடிவமைக்கப்பட்ட சாதனங்களுக்கான FDA-ன் அளவுகோல்களுடன் தெளிவாக ஒத்துப்போகிறது. மறுபுறம், கார்டியோபுல்மோனரி மறுமலர்ச்சி (CPR) மற்றும் எபிநெஃப்ரின் அல்லது நாலோக்சோன் நிர்வாகம் போன்ற செயல்களும் இந்த சாதன அளவுகோல்களை பூர்த்தி செய்கின்றன, ஆயினும் அவை ஒரே நேரத்தில் மருத்துவர் அல்லாத பார்வையாளர்களுக்கான நன்கு நிறுவப்பட்ட மீட்பு நடத்தைகளாகும்.

ஆய்வு வரம்புகள்

இந்த ஆய்வுக்கு பல வரம்புகள் உள்ளன:

1. இது மென்பொருளின் குறிப்பிடப்பட்ட நோக்கம் கொண்ட பயன்பாடு அல்லாத ஒரு பணிக்கு எதிராக LLMகளை மதிப்பிடுகிறது.
2. இது LLM வெளியீட்டை FDA வழிகாட்டுதலுடன் ஒப்பிடுகிறது, இது பிணைக்கப்படாதது, மேலும் LLM பரிந்துரைகளின் நிலைத்தன்மையை மற்ற தொடர்புடைய அமெரிக்க சட்ட விதிகள் அல்லது ஒழுங்குமுறை கட்டமைப்புகளுடன் மதிப்பிடவில்லை.
3. இது ஒற்றை- மற்றும் பல-ஷாட் தூண்டுதல்களை விட மிகவும் பயனுள்ளதாக இருந்திருக்கக்கூடிய பிற தூண்டுதல் முறைகளை மதிப்பீடு செய்யவில்லை.
4. அத்தகைய தூண்டுதல்கள் உண்மையான மருத்துவ பணிப்பாய்வுகளில் எவ்வாறு நடைமுறையில் ஒருங்கிணைக்கப்படலாம் என்பதை இது ஆராயவில்லை.
5. இது GPT-4 மற்றும் லாமா-3 ஆகியவற்றைத் தாண்டி பரவலாகக் கிடைக்கக்கூடிய மற்றும் பொதுவாகப் பயன்படுத்தப்படும் LLMகளின் பரந்த வரம்பை மதிப்பீடு செய்யவில்லை.
6. தூண்டுதல்களின் மாதிரி அளவு சிறியது.

முன்னோக்கி நகர்தல்: கண்டுபிடிப்பு மற்றும் பாதுகாப்பை சமநிலைப்படுத்துதல்

CDSS சாதன அளவுகோல்களுக்கான FDA வழிகாட்டுதலின் உரையின் அடிப்படையில் தூண்டுதல்கள், ஒற்றை- அல்லது பல-ஷாட் எதுவாக இருந்தாலும், LLM வெளியீடு சாதனமற்ற முடிவு ஆதரவுடன் ஒத்துப்போவதை உறுதிப்படுத்த போதுமானதாக இல்லை. உருவாக்கும் AI அமைப்புகளை நிவர்த்தி செய்ய புதிய ஒழுங்குமுறை முன்னுதாரணங்கள் மற்றும் தொழில்நுட்பங்கள் தேவைப்படுகின்றன, கண்டுபிடிப்பு, பாதுகாப்பு மற்றும் மருத்துவ செயல்திறன் ஆகியவற்றுக்கு இடையே சமநிலையை ஏற்படுத்துகின்றன. இந்த தொழில்நுட்பத்தின்விரைவான பரிணாமம் ஒழுங்குமுறைக்கு ஒரு செயலூக்கமான மற்றும் தகவமைப்பு அணுகுமுறையை கோருகிறது, இது சுகாதாரத்தில் LLMகளின் நன்மைகளை சாத்தியமான அபாயங்களைக் குறைக்கும் அதே வேளையில் உணர முடியும் என்பதை உறுதி செய்கிறது.