Как Flo Health сократила время медицинской проверки контента на 60% с помощью AI
Команда женского health-приложения Flo Health внедрила AI-систему на Amazon Bedrock, которая проверяет медицинский контент по специализированным критериям. Результат: время проверки сократилось на 60%, производительность выросла втрое без расширения штата медицинских экспертов. Система использует трёхуровневую валидацию и специализированных AI-судей для разных аспектов проверки.
Показывает работающий путь масштабирования высокоспециализированных процессов через AI там, где наём экспертов невозможен или неэффективен. Конкретный кейс с метриками — не концепция, а рабочая система, которая решила реальный бизнес-боттлнек.
Как масштабировать медконтент без армии врачей
Команда Flo Health (популярного приложения для женского здоровья с миллионами пользователей) столкнулась с классической проблемой: каждая статья требовала 7 рабочих дней проверки медицинскими экспертами. Нанимать больше квалифицированных специалистов — дорого и долго, а контента нужно всё больше.
Архитектура решения
Вместо универсального AI команда построила систему специализированных AI-судей на Amazon Bedrock. Каждый Judge отвечает за свой аспект: медицинскую точность, юридическое соответствие, стиль бренда. Для каждого подобрана своя модель — где нужна безопасность, используются точные, но дорогие модели, для простых проверок — лёгкие и быстрые.
Трёхуровневая проверка
- Внутренние гайдлайны: AI сверяет контент с медицинскими правилами Flo
- Внешние источники: валидация по рецензируемым журналам, клиническим базам, регуляторным документам
- Человек-эксперт: финальная проверка с готовой разметкой, ссылками на источники и списком примененных правил
Интеграция с реальностью
Система адаптирована под существующий CMS (Contentful). Контент уже хранится кусочками (шаги опросников, чатов), что идеально подходит для chunking-подхода MACROS от AWS. Каждый элемент — заголовок, описание, текст кнопки — проверяется отдельно специализированным промптом.
Результаты
- -60% времени на проверку одной статьи
- ×3 объём контента без расширения медкоманды
- Меньше итераций между авторами и рецензентами
- Качество контента на входе к экспертам стало выше
Вместо масштабирования через найм система масштабирует экспертизу существующей команды — врачи занимаются финальным контролем, а рутинную проверку по чек-листам делает AI.
Ключевые выводы
- Специализированные AI-judges эффективнее универсального промпта: каждый Judge настроен под конкретный критерий с собственными примерами и моделью
- Для медицинского контента критично использовать AI с привязкой к источникам (RAG) вместо генеративных моделей — это снижает риск галлюцинаций
- Трёхуровневая валидация (внутренние правила → внешние источники → эксперт) позволяет автоматизировать рутину, оставляя человеку финальное решение
- Chunking контента под задачи AI можно совместить с существующей архитектурой CMS — не обязательно всё переделывать
- Масштабирование через усиление экспертов технологиями экономичнее найма новых специалистов в дефицитных областях
Автор: Марина Соколова · Источник: aws.amazon.com
Это один из тех редких кейсов, где AI реально решил проблему масштабирования в узкоспециализированной области. Нанять квалифицированных медэкспертов, которые ещё и умеют работать с контентом — квест уровня impossible. Flo пошли умным путём: вместо попытки заменить врачей AI они сделали AI помощником, который берёт на себя рутину.
Особенно круто, что они не просто запустили GPT с промптом "проверь статью", а построили систему специализированных judges с разными моделями под разные задачи. Где риск высокий (медточность) — тяжёлая модель, где проще (стиль) — лёгкая и дешёвая. Плюс привязка к источникам через RAG, чтобы AI не фантазировал. Результат 60% экономии времени и тройной рост производительности без найма — это не маркетинг, а реальная оптимизация бизнес-процесса. Главное, что эксперты остались в цепочке финальным фильтром, а не были заменены полностью — баланс автоматизации и контроля.
Комментарии