La salut pública necessita respostes fiables, traçables i actualitzades. Els grans models de llenguatge (LLM) poden redactar textos amb aparença experta, però també poden inventar dades o quedar ancorats en recomanacions desactualitzades. La generació augmentada per recuperació (RAG) mitiga aquest risc en forçar el model a recolzar-se en un corpus extern de documents oficials. En lloc de respondre des del coneixement intern, el sistema identifica els passatges més rellevants, els incorpora al context i construeix una resposta delimitada per aquesta evidència. És una arquitectura que encaixa amb les exigències de la salut pública, on la traçabilitat importa tant com l'exactitud. Els ciutadans mereixen saber que una recomanació prové d'una font oficial i no d'una inferència estadística.
Un error habitual és pensar que la qualitat del sistema depèn només de la mida del model. En un sistema RAG, el recuperador és el vertader coll d'ampolla. Si els documents rellevants no es recuperen, el model no els pot utilitzar, per molt capaç que sigui. Hem vist models més petits superar models molt més grans quan la recuperació està ben ajustada i el corpus prou curat. A Q2BSTUDIO, empresa de desenvolupament de programari i tecnologia, apliquem aquesta idea quan construïm aplicacions a mida per a administracions i entitats sanitàries: primer assegurem que el sistema trobi la informació correcta, després triem el model generatiu adequat i finalment dissenyem el flux de revisió.
L'elecció del recuperador admet diverses estratègies. La recuperació densa fa servir embeddings semàntics per representar el significat de preguntes i documents. La recuperació dispersa es basa en coincidències de termes i és molt útil per a sigles, codis i noms propis. La recuperació híbrida combina totes dues i ofereix millors resultats a la pràctica. En corpus de salut pública, on conviuen termes tècnics, abreviatures i noms d'organismes, aquesta combinació redueix els falsos negatius i millora la posició dels documents rellevants en el rànquing. Ajustar el pes de cada component, així com el llindar de rellevància, és una tasca d'enginyeria que requereix experimentació contínua amb dades reals.
La segmentació del corpus també influeix en el resultat. Fragments massa llargs barregen idees i dificulten la precisió; fragments massa curts perden context i obliguen el model a omplir buits. A més, la longitud òptima depèn del tipus de pregunta: les consultes factuals es beneficien de passatges breus, mentre que les preguntes que exigeixen explicar un procediment necessiten més context. Les variables de chunking, la superposició entre fragments i la naturalesa del document interactuen amb el rànquing de rellevància. Per això no existeix una configuració universal; cada desplegament exigeix avaluar diverses opcions sobre un corpus representatiu i mesurar-ne l'impacte abans de passar a producció.
El segon gran pilar és l'avaluació. Les preguntes d'opció múltiple permeten comparar models, però no reflecteixen l'ús real en salut pública. Els ciutadans i els professionals pregunten de manera oberta i esperen respostes matisades. Per mesurar la qualitat, proposem rúbriques que valorin la fidelitat al document, la completesa de la resposta, la claredat expositiva i la consistència factual. Un LLM pot actuar com a jutge automàtic i aplicar aquestes rúbriques a gran escala, cosa molt útil durant el desenvolupament i el manteniment continu. També permet detectar desviacions quan el corpus o les preguntes canvien.
Tanmateix, el jutge automàtic no és infal·lible. La concordança entre un LLM i anotadors humans sol ser alta en fidelitat i completesa, però més feble en consistència factual i claredat. Això significa que, en dominis d'alt risc, l'avaluació automàtica s'ha de complementar amb revisió humana i amb un pla de mostreig que detecti biaixos. Les decisions sobre salut pública no poden dependre d'una única mètrica. La combinació de mètriques quantitatives i control qualitatiu permet decidir amb confiança quan un assistent està a punt per a producció i quan convé continuar ajustant.
A Q2BSTUDIO portem aquesta disciplina a entorns productius. Un assistent RAG sanitari no és un prototip aïllat, sinó una aplicació a mida que ha de conviure amb els sistemes d'informació existents. Per garantir disponibilitat i escalabilitat, despleguem el servei sobre infraestructura cloud en AWS o Azure, amb mesures de ciberseguretat que protegeixen les dades personals i els documents interns. A més, connectem els registres d'ús amb quadres de comandament BI/Power BI, de manera que els responsables del servei puguin monitorar la qualitat de les respostes, identificar llacunes documentals i prendre decisions basades en evidència. Aquesta visió integral converteix un experiment tècnic en un servei sostenible.
La següent evolució és convertir l'assistent en un agent IA capaç d'actuar, no només de respondre. Aquests agents poden resumir noves evidències, classificar consultes, avisar de canvis normatius o preparar informes per a revisió humana. El risc d'autonomia no està en el model, sinó en el disseny del circuit de confiança. Per això a Q2BSTUDIO construïm plataformes d'intel·ligència artificial amb fluxos d'aprovació, auditoria i traçabilitat. L'objectiu no és substituir el professional sanitari, sinó reduir-ne la càrrega de treball i donar-li millor informació per decidir. Habilitar la intervenció humana en els punts crítics és la diferència entre una automatització útil i una de perillosa.
La governança de les dades i del coneixement és un altre factor que no es pot ignorar. Un corpus de salut pública viu en canvi continu: apareixen noves guies, s'actualitzen protocols i es retiren recomanacions obsoletes. El sistema RAG ha de poder reflectir aquests canvis sense haver de reentrenar el model. Per aconseguir-ho, cal dissenyar un procés editorial que determini qui aprova els canvis, com es notifiquen als usuaris i com s'audita l'historial. A Q2BSTUDIO integrem aquestes regles en el cicle de desenvolupament, de manera que la traçabilitat no sigui un afegit, sinó una propietat estructural del sistema.
En resum, un sistema RAG per a salut pública és tan fiable com la seva recuperació i la seva avaluació. L'arquitectura híbrida, l'ajust del chunking, les rúbriques validades i el control humà són elements imprescindibles. Les organitzacions que adoptin aquesta visió aconseguiran assistents que inspirin confiança, compleixin els requisits de seguretat i millorin amb el temps. La tecnologia s'ha d'entendre com un projecte d'enginyeria integral, no com un simple model de llenguatge. A Q2BSTUDIO acompanyem aquest procés amb experiència en cloud, ciberseguretat, dades i intel·ligència artificial, ajudant cada organització a construir el sistema que realment necessita.
