Technické aspekty nasazení velkých jazykových modelů pro podporu fyzické aktivity a well-beingu
Autor(ka) práce:
Poláček, Tomáš
Typ práce:
Bakalářská práce
Vedoucí práce:
Doležel, Michal
Oponenti práce:
Vojíř, Stanislav
Jazyk práce:
Česky
Abstrakt:
Tato bakalářská práce se zabývá návrhem a implementací architektury pro integraci velkých jazykových modelů (LLM) s mHealth platformou HealthReact. Cílem práce bylo vytvořit systém schopný generovat personalizovaná zdravotní doporučení na základě dat uživatelů shromážděných platformou HealthReact, přičemž klade důraz na flexibilitu ve výběru LLM a efektivní správu promptů. Práce nejprve analyzuje dostupné LLM a jejich poskytovatele (včetně OpenAI, Google, Groq, E-infra, OpenRouter) a srovnává relevantní Python knihovny pro orchestraci LLM (LangChain, LlamaIndex, CrewAI, Haystack). Dále porovnává platformy pro sledování a verzování promptů, jako jsou LangSmith a LangFuse. Na základě této analýzy byla pro praktickou implementaci zvolena knihovna LangChain pro její modularitu a podporu více LLM a platforma LangFuse pro správu, verzování a sledování promptů. Praktická část práce popisuje vývoj Python aplikace, která komunikuje s API platformy HealthReact za účelem získání a agregace dat uživatelů (např. kroky, srdeční tep, spánek) v definovaných časových intervalech. Implementovaná architektura umožňuje dynamické připojení k různým poskytovatelům LLM. Součástí řešení je také grafické rozhraní vytvořené pomocí knihovny Tkinter pro správu a testování systémových a uživatelských promptů uložených v LangFuse. Výsledkem práce je funkční prototyp systému, který demonstruje propojení platformy HealthReact s různými LLM pro generování personalizovaných zdravotních doporučení a poskytuje nástroje pro efektivní správu a sledování promptů v kontextu mHealth aplikace.
Technical Aspects of Deploying Large Language Models to Support Physical Activity and Well-being
Autor(ka) práce:
Poláček, Tomáš
Typ práce:
Bachelor thesis
Vedoucí práce:
Doležel, Michal
Oponenti práce:
Vojíř, Stanislav
Jazyk práce:
Česky
Abstrakt:
This bachelor's thesis focuses on the design and implementation of an architecture for integrating Large Language Models (LLMs) with the mHealth platform HealthReact. The aim of the thesis was to create a system capable of generating personalized health recommendations based on user data collected by the HealthReact platform, emphasizing flexibility in LLM selection and efficient prompt management. The thesis first analyzes available LLMs and their providers (including OpenAI, Google, Groq, E-infra, OpenRouter) and compares relevant Python libraries for LLM orchestration (LangChain, LlamaIndex, CrewAI, Haystack). Furthermore, it compares platforms for prompt tracking and versioning, such as LangSmith and LangFuse. Based on this analysis, the LangChain library was chosen for practical implementation due to its modularity and multi-LLM support, and the LangFuse platform was selected for prompt management, versioning, and tracking. The practical part of the thesis describes the development of a Python application that communicates with the HealthReact platform's API to retrieve and aggregate user data (e.g., steps, heart rate, sleep) over defined time intervals. The implemented architecture allows for dynamic connection to various LLM providers. The solution also includes a graphical user interface created using Tkinter for managing and testing system and user prompts stored in LangFuse. The result of the thesis is a functional prototype system that demonstrates the integration of the HealthReact platform with various LLMs for generating personalized health recommendations and provides tools for effective prompt management and tracking within the context of mHealth applications.
Klíčová slova:
LLM; HealthReact; Large Language Models; mHealth; LangChain; LangFuse; personalized recommendations; Python; API; prompt versioning