Sempre Health 案例研究：通过 Hugging Face 专家加速计划加速 NLP 流水线

自动化患者消息分类

Sempre Health 使用自然语言处理（NLP）来识别并回复患者每日数千条关于药物依从性和可负担性的短信。系统旨在处理常见请求，例如简单的确认（“谢谢”）或特定的服务请求，如处方续药，这些请求会触发自动药房通知。

从基于规则到统计机器学习的转变

在采用专家加速计划之前，Sempre Health 依赖于一个基于规则的系统，成功捕获了约 80% 的入站消息。为了提升解析准确性和效率，公司转而使用 Hugging Face 的语言模型，采用统计机器学习方法。

尽管团队在机器学习和 NLP 方面拥有内部专业知识，但仍面临以下不确定性：

• 问题的最佳表述方式。
• 针对其特定用例最有效的模型或神经网络架构的选择。
• 利用现有训练数据的最有效方式。

专家加速计划的角色

专家加速计划在 NLP 解决方案的整个实施生命周期中提供了技术指导。Hugging Face 团队的关键贡献包括：

• 数据标注： 提供获取具有代表性和准确的文本消息标签的建议。
• 模型选择： 通过立即识别合适的模型和方法，缩短研究时间。
• 开发速度： 加快开发进程，使团队比独立完成时更快进入生产。

商业影响与可扩展性

自从上线生产 NLP 流水线以来，Sempre Health 持续看到近 20% 的入站消息由新系统自动处理。这些消息此前需要为患者运营团队创建手动工单，自动化直接减少了低价值手动任务的数量，并提升了运营工作流。

对机器学习团队的建议

Sempre Health 推荐专家加速计划给希望快速将 AI 流水线集成到产品中的小团队或组织。该计划特别适合希望最大限度减少机器学习开发常见的开发时间和研究麻烦的团队。