🩺 Assistente Virtual Médico com IA - Solução Baseada em RAG

🙋🏽 O que é RAG

RAG (Retrieval Augmented Generation) é uma técnica que aprimora modelos de linguagem integrando informações externas relevantes de uma base de dados ou documentos. Isso ajuda a evitar erros de geração (conhecidos como "alucinações") e a garantir respostas mais precisas, especialmente em domínios complexos e especializados como a medicina.

⚙️ Arquitetura

User Input
   ↓
Query Embedding → Pinecone Vector DB ← Embedded Chunks ← Chunking ← PDF Loader
   ↓
Retrieved Docs
   ↓
     RAG Chain (Groq + LangChain)
   ↓
LLM-generated Answer

• Entrada do Usuário: O usuário faz uma consulta ao sistema.
• Embedding da Consulta: A consulta é convertida em embeddings para facilitar a recuperação de documentos relevantes.
• Banco de Dados Vetorial (Pinecone): Armazena vetores de documentos e permite a recuperação eficiente de informações.
• RAG Chain: Processa a consulta, acessando o modelo LLaMA3-70B da Groq através do LangChain para gerar respostas baseadas no conteúdo recuperado.
• Resposta Gerada pelo LLM: O modelo gera uma resposta contextualizada utilizando o conhecimento recuperado.

📋 Funcionalidades

• Carregamento de PDFs Médicos: Suporte para upload de documentos médicos em formato PDF (notas, livros, relatórios, etc.).
• Extração Automática de Texto: O conteúdo dos PDFs é extraído automaticamente e fragmentado em blocos semânticos para facilitar a recuperação.
• Embedding de Conteúdo: O texto extraído é transformado em embeddings usando Google/BGE para otimizar a recuperação de informações.
• Armazenamento de Vetores: Os vetores gerados são armazenados na base de dados vetorial Pinecone, permitindo buscas rápidas e precisas.
• Uso do LLaMA3-70B: Utilização do modelo LLaMA3-70B da Groq para gerar respostas baseadas nos dados recuperados.
• Backend em FastAPI: API desenvolvida com FastAPI para gerenciamento de uploads de documentos e consultas (Q&A).

🚀 🚀 Tecnologias Utilizadas

🛣️ Rotas