RAG или дообучение: что выбрать для медицинского ИИ
В здравоохранении редко нужен выбор «или-или»: поиск по базе знаний быстрее подключает клинические протоколы, дообучение — закрепляет терминологию и стиль ответов. Разбираем, когда что работает.
В корпоративных проектах вопрос «RAG или дообучение?» звучит как противостояние двух лагерей. На деле это два разных инструмента: первый подтягивает актуальные документы в контекст модели, второй меняет само поведение сети. В медицине ошибка выбора дороже, чем в большинстве отраслей — здесь важны и точность формулировок, и возможность указать источник, и скорость обновления протоколов.
RAG — по сути связка поиска и генерации. Вы индексируете клинические рекомендации, приказы Минздрава, локальные регламенты больницы, справочники МКБ, внутренние памятки по препаратам — и при запросе модель опирается на найденные фрагменты. Главный плюс: базу можно обновить за часы, без нового цикла обучения. Выпустился новый протокол по диабету — перезалили документ, переиндексировали, система уже отвечает с учётом изменений. Для регуляторики это плюс: в ответе можно показать, из какого раздела какого документа взята мысль.
Минусы RAG тоже медицинские. Если чанки нарезаны грубо, модель получит обрывок таблицы дозировок без контекста — и это опаснее, чем честное «не знаю». Плохой семантический поиск путает похожие диагнозы. Скан PDF протокола без нормальной OCR даёт мусор. Качество RAG на практике определяется не размером LLM, а инженерией пайплайна: парсинг, структура документов, фильтры по версии и дате, проверка релевантности.
Дообучение — другая логика. Модель «привыкает» к медицинской лексике, формату выписки, тому, как в вашей клинике принято формулировать рекомендации пациенту или резюмировать анамнез. Это полезно, когда нужен стабильный стиль, узкая терминология, работа с шаблонами заключений. LoRA и другие лёгкие методы позволяют дообучить компактную модель без пересборки гигантского стека — особенно уместно рядом с трендом на «плотные» LLM.
Но дообучение не заменяет актуальную базу знаний. Веса модели не обновляются сами, когда изменилась клиническая рекомендация. Переобучение — это снова данные, GPU, валидация, иногда — повторное согласование с регуляторными требованиями. Зато «зашитая» в модель устаревшая дозировка может жить месяцами незаметно — в отличие от RAG, где неверный фрагмент хотя бы виден в цитате.
Для здравоохранения разумная схема чаще гибридная. RAG — для фактов, протоколов, ссылок на первоисточник. Дообучение — для тона, структуры ответа, типовых сценариев (опросник триажа, черновик направления, разбор терминов для врача). Жёсткие правила и пост-проверка — поверх обоих: блоклисты по дозировкам, сверка с формуляром, эскалация к специалисту при низкой уверенности.
Практический ориентир для команды: если знание меняется чаще раза в квартал и должно быть проверяемым — начинайте с RAG и качества корпуса. Если задача — «говорить как наш отдел и не путать латинские названия» — добавляйте дообучение на размеченных примерах. Если бюджет один — в медицине почти всегда сначала данные и retrieval, потом тонкая настройка поведения. Это дешевле, прозрачнее для аудита и ближе к тому, как врачи сами работают: сначала открыть протокол, потом сформулировать вывод своими словами.