Flo Health улучшила открытые модели с помощью пайплайна Databricks
Databricks рассказала, как Flo Health обучала открытые модели для задач женского здоровья с помощью синтетических данных, AI-судей и Databricks AI Runtime.
12 октября 2026 года Databricks опубликовала описание проекта Flo Health по дообучению открытых моделей. Компания разработала собственную систему оценки, которая измеряет одновременно медицинскую безопасность и полезность ответов и была откалибрована по проверкам клиницистов. Вместо набора пар, размеченных людьми, команда использовала синтетические данные с приоритетом конфиденциальности и AI-судей, превращая стандарты Flo в обучающий сигнал.
Затем Flo применила supervised fine-tuning и Direct Preference Optimization. Распределённое дообучение выполнялось на 32 NVIDIA H100 с помощью Databricks AI Runtime. По данным кейса, медицинская безопасность выросла с 34% примерно до 61%, полезность — с 42% до 76%, а объединённая оценка безопасности и полезности — с 16% до 47%.
Для Flo это часть перехода от использования только традиционного машинного обучения к персонализированным функциям на базе генеративного ИИ. Компания также рассматривает специализированные модели как способ учитывать собственную предметную экспертизу и не зависеть полностью от жизненного цикла внешней модели. В кейсе подчёркивается, что приложение имеет 81 млн ежемесячно активных пользователей, поэтому требования к безопасности медицинских ответов особенно существенны.
Почему это важно
Кейс показывает практический вариант постобучения открытых моделей для чувствительной медицинской области: качество оценивается по двум критериям, а обучающие данные создаются без ручной разметки пользовательских диалогов.
