Library Automation and Digital Archive
LONTAR
Fakultas Ilmu Komputer
Universitas Indonesia

Pencarian Sederhana

Find Similar Add to Favorite

Call Number KP-3902
Collection Type Kerja Praktek (KP)
Title Pengembangan Fine Tuned Large Language Model (LLM) dan Retrieval-Augmented Generation (RAG) dalam Biomedical Question Answering
Author Nicholas Sidharta;
Publisher Depok: Fasilkom UI, 2024
Subject Website Development
Location FASILKOM-UI;
Lokasi : Perpustakaan Fakultas Ilmu Komputer
Nomor Panggil ID Koleksi Status
KP-3902 TERSEDIA
Tidak ada review pada koleksi ini: 56237
ABSTRAK

Nama: Nicholas Sidharta
Program Studi: Ilmu Komputer
Judul: Pengembangan Fine Tuned Large Language Model (LLM) dan Retrieval-Augmented Generation (RAG) dalam Biomedical Question Answering
Pembimbing: Ichlasul Affan, S.Kom., M.Kom.

PT Kalbe Farma Tbk. adalah perusahaan yang bergerak di bidang farmasi yang menawarkan solusi kesehatan terpadu melalui empat divisi: Farmasi Resep, Kesehatan Konsumen, Nutrisi, dan Distribusi & Logistik. Dalam pengembangan teknologi, perusahaan telah berinvestasi dalam solusi berbasis kecerdasan buatan, salah satunya di bidang Natural Language Processing (NLP). Salah satu teknologi yang sedang dikembangkan belum dapat dievaluasi karena belum ada program untuk melakukan evaluasi tersebut. Oleh karena itu, dikembangkan sistem otomatisasi berbasis machine learning untuk aplikasi paper extractor yang bertujuan mengotomatiskan proses analisis dan pengolahan informasi dari dokumen ilmiah. Teknologi yang digunakan dalam pengembangan program evaluasi ini mencakup pemrograman dalam bahasa Python dengan bantuan library Selenium. Dengan teknologi tersebut, dihasilkan program yang efisien dalam melakukan proses evaluasi otomatis dengan jumlah data yang besar. Selain itu, penulis juga menulis sebuah karya tulis yang disubmisi ke PRICAI 2024 mengenai performa berbagai metode RAG dalam konteks biomedis. Teknologi RAG merupakan teknologi yang relatif baru sehingga masih banyak domain yang belum dieksplorasi, terutama dalam mengukur efektivitasnya di berbagai domain. Tujuan dilakukannya penelitian ini adalah untuk mengetahui performa terbaik dari semua metode RAG dalam domain biomedis. Pengembangan aplikasi ini menggunakan teknologi seperti BioBERT, RAG, Python, dan LLM. Dengan teknologi tersebut, diperoleh kesimpulan mengenai metode terbaik yang digunakan dalam RAG pada domain biomedis. Melalui program ini, penulis memperoleh manfaat teknis seperti penguasaan teknologi NLP terkini dan soft skills berupa manajemen waktu dan kolaborasi tim. Proyek ini juga menghadirkan tantangan dalam eksplorasi teknologi baru, yang dapat diselesaikan dengan baik melalui bimbingan mentor dan kerja sama tim yang solid.