Agentic AI: Video Segmentation for Polyp Detection (Gastro Clinic)
Implementarea vizează optimizarea detecției polipilor prin segmentare video în timp real, utilizând un agent colonoscopic bazat pe arhitecturi SOTA (State-of-the-Art).
Arhitectură și Metodologie
- Backbone: Se utilizează ConvNeXt, o arhitectură bazată pe CNN (ResNet) dar îmbunătățită cu principii specifice Transformerelor.
- Feature Extraction: Modelul este structurat în 4 etape; ultimele două furnizează trăsături de nivel scăzut (H/8 x W/8) și de nivel înalt (H/16 x W/16).
- Inovarea KAN: Arhitectura a fost îmbunătățită prin adăugarea a 3 straturi Kolmogorov-Arnold (KAN).
- Configurație straturi KAN: Un strat KAN este definit ca o matrice de funcții de activare și utilizează convoluții de tip depth-wise.
- Antrenare: Greutățile pentru backbone-ul ConvNeXt au fost obținute prin pre-antrenare pe setul de date ImageNet-22K.
Performanță și Validare
- Dataset: Evaluarea s-a realizat pe SUN-SEG, cel mai mare set de date de secvențe colonoscopice complet adnotate, utilizând 19.544 de imagini ce conțin polipi și măștile aferente.
- Metrici de referință (Dice SOTA): Modelele bazate pe Cross-Attention au ca referință PNS+ (73.7%), SALI (82.2%) și YOLO-SAM2 (90.2%).
- Rezultate Model Propus: Depășește PNS+ pe fiecare metrică pentru ambele grade de dificultate ale setului de date.
- Eficiență computațională: Modelul menține o viteză de procesare de peste 10 FPS, atingând o medie de 12.91 FPS.
Automatic Invoice Management & Resident Support System
Sistemul integrează procesarea documentelor administrative și suportul academic prin metode neuro-simbolice și ontologii.
Gestiunea Automată a Facturilor
- Ingestie de date: Facturile sunt descărcate automat din SPV (Spațiul Privat Virtual) și procesate într-un knowledge graph aliniat cu ontologia sistemului.
- Capabilități Ontologice: Integrarea ontologiilor pentru produse și facturi permite sugestii de actualizare bazate pe conținutul facturat.
- Automatizare GRN: Generarea automată a Notelor de Recepție și Constatare Diferențe (Goods Receipt Note) pe baza istoricului și a caracteristicilor produselor din ontologie.
Sistemul de Suport pentru Rezidenți
- Abordare Neuro-Simbolică: Clasificarea fișierelor și adnotarea acestora folosește ontologia ca bază, în timp ce clasificarea propriu-zisă utilizează o abordare neurală.
- Interogare: Funcția de căutare este implementată prin interogări SPARQL peste ontologia sistemului.
- Status Dezvoltare: Se analizează complexitatea ontologiei și selectarea motorului de raționament adecvat (GraphDB, Stardog sau soluții mai expresive).
Feedback-Driven Agentic LLM for Autonomous Research
Arhitectura multi-agent este concepută pentru fluxuri de lucru academice structurate și cercetare autonomă.
Fluxul de Lucru (Pipeline)
Sistemul utilizează contracte JSON pentru comunicarea între agenți și include bucle de revizie de tip editorial:
- Researcher: Primește task-ul de cercetare și colectează datele.
- Writer: Elaborează conținutul pe baza cercetării.
- Fact Checker: Realizează validarea afirmațiilor și asigură trasabilitatea dovezilor (claim-level evidence traceability).
- Editor: Refinează output-ul final; poate solicita reluarea procesului (redo) dacă criteriile de calitate nu sunt îndeplinite.
Obiective Tehnice
- Raționament Reproductibil: Documentarea procesului de raționament pentru a asigura reproductibilitatea.
- Output Final: Generarea unui rezumat de o pagină, incluzând lista de referințe și citările corespunzătoare pentru subiectul analizat.