Un innovador uso de modelos de lenguaje de gran tamaño está transformando el manejo de tareas analíticas complejas en el sector de la salud. Hasta hace poco, responder a preguntas específicas como cuánto tiempo permanecen los pacientes con ciertas condiciones en hospitales diferentes dependía de la experiencia de especialistas en inteligencia empresarial y de ingenieros de datos. Este proceso tradicionalmente laborioso solía enfrentar demoras y obstáculos en la obtención de información precisa.

Sin embargo, los avances recientes en modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) han abierto un nuevo horizonte, permitiendo descomponer tareas complejas en múltiples pasos y utilizar herramientas que facilitan la ejecución de cada uno de ellos. Estas herramientas se refieren a capacidades o APIs externas a las que el modelo puede acceder e interactuar, expandiendo su funcionalidad más allá de simplemente proporcionar respuestas textuales. De esta manera, los LLM pueden realizar tareas especializadas como recuperar información en tiempo real, ejecutar código o generar imágenes, mejorando tanto la precisión como la pertinencia de las respuestas.

Un ejemplo particularmente destacado es la solución para la recuperación de registros de pacientes, que se basa únicamente en APIs y un conjunto de datos existente, evitando la complicada transición de texto a SQL. Esta estrategia busca responder a preguntas analíticas que implican razonamiento y ejecución en múltiples canales. Un usuario, por ejemplo, podría pedir el nombre y apellido del paciente con menos vacunas administradas, y el sistema ofrecería una respuesta precisa tras seguir una serie de pasos programáticos.

La implementación del proceso se organiza en dos etapas: planificación y ejecución. Durante la fase de planificación, se utilizan firmas de funciones API que permiten al LLM desarrollar un plan claro y lógico para responder la consulta del usuario. Este plan se presenta en un formato estructurado en JSON, lo que facilita su posterior ejecución.

En la etapa de ejecución, dicho plan se aplica de manera programática, llevando a cabo cada llamada a funciones de forma secuencial. La fortaleza del proceso se ve reforzada por mecanismos de manejo de errores que detectan y resuelven posibles problemas durante la ejecución, asegurando resultados fiables y precisos.

Este enfoque evidencia el potencial de los LLM para ir más allá de ser meramente generadores de texto, convirtiéndose en herramientas prácticas basadas en datos que pueden transformar significativamente los flujos de trabajo analíticos y la toma de decisiones en el ámbito empresarial.