🏥 Архитектура #MedAssistGA: что важно понимать для интеграции с AI-платформами 🏥

На схеме показана часть архитектуры медицинской системы, связанная с интеграцией с Groq для реализации AI-чат-бота.
Выбрали микросервисный подход.


Что важно:

👉 Взаимодействие с нейросетью
Groq не вызывает наши сервисы напрямую, когда нужно получить список врачей или записать пациента на приём.

Схема работы такая:

1. Сервис AI-чата отправляет запрос в Groq

2. Когда для ответа нужны данные из системы, Groq возвращает не просто текст, а команду (tool call) — «вызови этот инструмент с этими параметрами»

3. Сервис AI-чата сам выполняет вызов нужного сервиса и возвращает результат обратно в Groq

4. Groq формирует финальный ответ пациенту

Инструменты (tools), которые может запросить ИИ:
▫️ Сервис Врачей — список специалистов и специализаций
▫️ Сервис Расписаний и Записей — доступные слоты, создание записи

Сервис AI-чата — не просто прокси между пользователем и Groq.
Это оркестратор, который управляет циклом: запрос → tool call → вызов сервиса → ответ в модель → следующий шаг.


👉 Защита данных: что намеренно не передаём в AI-чат
Персональные данные пациента в Сервис AI-чата не передаются.

Детальный профиль, история болезней и другие ПДн — вне доступа нейросети. Это осознанное архитектурное решение, хотя вопрос ещё будем обсуждать при проектировании сценариев.


👉 Уведомления через Kafka
Два источника событий уходят в брокер асинхронно, чтобы отправлять уведомления пользователям:
▫️ Сервис расписаний и записей → при создании записи на приём
▫️ Сервис AI-чата → при отправке исходящих сообщений чата


👉 RAG - обучение AI
В проектах, где AI работает на собственных данных компании (база знаний, документы, история обращений), в архитектуру добавляют RAG-слой:
векторная БД + компонент поиска по ней.

Нейросеть ищет релевантный контекст перед ответом.

В текущей версии RAG нет.
AI получает данные через tool calls к API системы.
Но когда выйдем за рамки записи к врачу и захотим отвечать на любые вопросы пациентов — RAG станет следующим шагом.


💡 Рекомендация
Один из первых вопросов при проектировании AI-интеграции — что вообще имеет право знать нейросеть.

Это не технический вопрос, это требование.

Аналитик фиксирует его явно: разрешённые tool calls, передаваемые данные, история чата по токену.


👉 Зачем это знать аналитику
AI-интеграция — это не только промпты и нейросети.

Это архитектурные решения:
+ какие сервисы вызывает AI,
+ что ему разрешено знать,
+ как данные движутся через систему,
+ и где проходит граница между “можно” и “нельзя”.

Именно поэтому AI-интеграция проектируется не вокруг модели, а вокруг доступа к данным.



P.S.
А вообще, в идеале, желательно разворачивать свою локальную LLM для проекта, а не пользоваться публичным Groq.
Но у нас открытая практика, так что можно 😉


#ИнтеграцииGA #АрхитектураGA

📱 GetAnalyst | 💙 VK | 💬 Max