Extractor de Embeddings y Monitor LoRA
Laboratorio de preparación y alineación dimensional en el borde
¿Por qué aplicar Embedding Multimodal?
La extracción de embeddings unificados tiene como objetivo traducir canales de información heterogéneos (texto de recetas médicas, microexpresiones faciales FACS en video, y entonación prosódica en audio) a un formato matemático unificado: un vector latente de 1024 dimensiones. La idea central de este proceso es alinear las diferentes modalidades clínicas, eliminando la asimetría dimensional para que el hipergrafo de atención conjunta DHCAN pueda asociar y cruzar de manera unificada los síntomas visuales y auditivos del paciente con sus prescripciones farmacológicas.
¿Por qué aplicar Fine-Tuning LoRA (PEFT)?
El Fine-Tuning Local con LoRA (PEFT) adapta el modelo de lenguaje de gran tamaño base (Gemma 4 12B Edge) sin alterar sus miles de millones de parámetros originales. Al entrenar solo adaptadores de bajo rango, especializamos el modelo local en farmacología, detección de dolor, y prevención de incidentes de seguridad (PRM / RNM) de forma proactiva. Esto reduce la latencia de inferencia en el borde (de 1450ms a 850ms) y optimiza el consumo de memoria local, asegurando una toma de decisiones diagnósticas rápida y privada con concordancia superior (Cohen's Kappa κ ≥ 0.81).
Configurar Entradas Clínicas
Representación Interna en Gemma 4 (hidden_states)
Gemma 4 unifica los tres canales (visual, auditivo y lingüístico) proyectando sus características en un único espacio latente dimensional de 1024 floats, que alimenta al hipergrafo DHCAN.