Tác giả: Breanne Warner, Baladithya Balamurugan, Amin Dashti, Evan Grenda, Marco Punio, và Sunaina Kavi
Ngày phát hành: 12 JAN 2026
Chuyên mục: Amazon SageMaker AI, Customer Solutions

Bài viết này được đồng tác giả bởi Sunaina Kavi, Giám đốc Sản phẩm AI/ML tại Omada Health.

Omada Health, một nhà đổi mới lâu năm trong lĩnh vực cung cấp dịch vụ chăm sóc sức khỏe ảo, đã ra mắt trải nghiệm dinh dưỡng mới vào năm 2025, với OmadaSpark, một tác nhân AI được đào tạo với đầu vào lâm sàng mạnh mẽ, cung cấp phỏng vấn tạo động lực và giáo dục dinh dưỡng theo thời gian thực. Nó được xây dựng trên AWS. OmadaSpark được thiết kế để giúp các thành viên xác định những thách thức tạo động lực của riêng họ như ăn uống theo cảm xúc, cải thiện quyết định về thực phẩm, đặt mục tiêu và duy trì thay đổi hành vi lâu dài. Ảnh chụp màn hình sau đây cho thấy một ví dụ về tính năng Giáo dục Dinh dưỡng của OmadaSpark, minh họa cách các thành viên nhận được giáo dục dinh dưỡng cá nhân hóa theo thời gian thực.

Trong bài viết này, chúng tôi xem xét cách Omada hợp tác với AWS và Meta để phát triển giải pháp AI phù hợp với chăm sóc sức khỏe này bằng cách sử dụng các mô hình Llama trên Amazon SageMaker AI. Chúng tôi khám phá quá trình triển khai kỹ thuật, kiến trúc và đánh giá đã giúp Omada mở rộng quy mô hướng dẫn dinh dưỡng cá nhân hóa trong khi vẫn duy trì cam kết về chăm sóc dựa trên bằng chứng.

Cơ hội cho hướng dẫn dinh dưỡng được hỗ trợ bởi AI

Giáo dục dinh dưỡng đóng vai trò là nền tảng của các chương trình quản lý tình trạng mãn tính của Omada. Mặc dù các huấn luyện viên sức khỏe xuất sắc trong việc cung cấp dịch vụ chăm sóc cá nhân hóa, nhưng nhu cầu ngày càng tăng về thông tin dinh dưỡng nhanh chóng, tiện lợi đã tạo cơ hội để nâng cao tác động của các huấn luyện viên thông qua công nghệ. Omada tìm kiếm một giải pháp sáng tạo sẽ bổ sung cho chuyên môn của các huấn luyện viên bằng cách xử lý các tác vụ phân tích thường xuyên, để họ có thể tập trung sâu hơn vào các tương tác có ý nghĩa với thành viên. Mục tiêu là cung cấp giáo dục dinh dưỡng chất lượng cao, tức thì trong khi vẫn duy trì tuân thủ nghiêm ngặt các giao thức chăm sóc của Omada và những nét cá nhân hóa giúp chương trình của họ hiệu quả.

OmadaSpark của Omada Health nhằm mục đích giúp các thành viên xác định các rào cản cảm xúc và thực tế trong thế giới thực đối với việc ăn uống lành mạnh trong môi trường ngày nay, nơi thực phẩm siêu chế biến phổ biến và chế độ ăn kiêng có thể không mang lại kết quả lâu dài. OmadaSpark có tính năng phỏng vấn tạo động lực, sử dụng các câu hỏi để giúp các thành viên xác định mục tiêu của riêng họ, củng cố quyền tự chủ và tìm động lực để thay đổi thói quen. Tính năng Giáo dục Dinh dưỡng của OmadaSpark có thể giảm gánh nặng tinh thần của các quyết định thực phẩm theo thời gian thực và khuyến khích các thành viên dần dần kết hợp các lựa chọn thực phẩm lành mạnh hơn. Trải nghiệm dinh dưỡng của Omada cung cấp các khả năng theo dõi được cập nhật, như theo dõi lượng nước, quét mã vạch và công nghệ nhận dạng ảnh, cung cấp hỗ trợ linh hoạt và không hạn chế được thiết kế để thúc đẩy mối quan hệ lành mạnh với thực phẩm.

Terry Miller, Phó Chủ tịch, Machine Learning, AI và Chiến lược Dữ liệu của Omada, giải thích: “Chúng tôi coi AI là một yếu tố nhân lên sức mạnh cho các huấn luyện viên sức khỏe của mình, chứ không phải là sự thay thế. “Sự hợp tác của chúng tôi với AWS và Meta đã cho phép chúng tôi triển khai một giải pháp AI phù hợp với các giá trị chăm sóc cá nhân hóa, dựa trên bằng chứng của chúng tôi.”

Tổng quan giải pháp

Omada Health đã phát triển tính năng Giáo dục Dinh dưỡng bằng cách sử dụng mô hình Llama 3.1 được tinh chỉnh trên SageMaker AI. Việc triển khai bao gồm mô hình Llama 3.1 8B được tinh chỉnh bằng cách sử dụng các kỹ thuật Quantized Low Rank Adaptation (QLoRA), một phương pháp tinh chỉnh cho phép các mô hình ngôn ngữ học hiệu quả trên các bộ dữ liệu nhỏ hơn. Huấn luyện ban đầu sử dụng 1.000 cặp câu hỏi-trả lời được tạo từ các giao thức chăm sóc nội bộ của Omada và tài liệu được đánh giá ngang hàng cũng như hướng dẫn của các hiệp hội chuyên ngành để cung cấp giáo dục dinh dưỡng dựa trên bằng chứng.

Sơ đồ sau đây minh họa kiến trúc cấp cao của việc triển khai Llama của Omada Health trên AWS.

Quy trình làm việc của giải pháp bao gồm các bước cấp cao sau:

1. Các cặp Q&A cho bộ dữ liệu giáo dục dinh dưỡng được tải lên Amazon Simple Storage Service (Amazon S3) để huấn luyện mô hình.
2. Amazon SageMaker Studio được sử dụng để khởi chạy một tác vụ huấn luyện bằng cách sử dụng các trình ước tính Hugging Face để tinh chỉnh mô hình Llama 3.1 8B. Các kỹ thuật QLoRA được sử dụng để huấn luyện mô hình và các tạo phẩm mô hình được lưu vào Amazon S3.
3. Quy trình suy luận được kích hoạt thông qua câu hỏi của người dùng qua ứng dụng di động cho tính năng giáo dục dinh dưỡng của OmadaSpark. Một yêu cầu được gọi để lấy dữ liệu cá nhân của thành viên dựa trên hồ sơ người dùng cũng như lịch sử trò chuyện, để thông tin phản hồi được cá nhân hóa. Ví dụ, một công thức thịt bò nướng sẽ không được gửi đến người ăn chay. Đồng thời, tính năng này không cung cấp thông tin y tế liên quan đến tình trạng y tế cụ thể của một người, chẳng hạn như kết quả xét nghiệm đường huyết mới nhất của họ. Điểm cuối SageMaker AI được gọi để tạo ra thông tin dinh dưỡng dựa trên truy vấn của thành viên và các cuộc trò chuyện lịch sử làm ngữ cảnh.
4. Mô hình tạo ra giáo dục dinh dưỡng cá nhân hóa, được đưa trở lại ứng dụng di động, cung cấp giáo dục dựa trên bằng chứng cho những người tham gia chương trình chuyển hóa tim mạch của Omada.
5. Để đánh giá hiệu suất mô hình, LangSmith, một dịch vụ quan sát và đánh giá nơi các nhóm có thể giám sát hiệu suất ứng dụng AI, được sử dụng để thu thập chất lượng suy luận và phân tích cuộc trò chuyện nhằm cải thiện mô hình liên tục.
6. Các chuyên gia dinh dưỡng đã đăng ký thực hiện các quy trình đánh giá của con người, xác minh độ chính xác lâm sàng và an toàn của giáo dục dinh dưỡng được cung cấp cho người dùng. Các phản hồi được ủng hộ và phản đối được xem trong hàng đợi chú thích của LangSmith để xác định việc tinh chỉnh trong tương lai và cập nhật lời nhắc hệ thống.

Sơ đồ sau đây minh họa trình tự quy trình làm việc chi tiết hơn.

Hợp tác và tinh chỉnh dữ liệu

Một khía cạnh quan trọng trong thành công của Omada Health với việc triển khai AI là sự hợp tác chặt chẽ giữa nhóm lâm sàng và nhóm phát triển AI của họ. Giám đốc Sản phẩm AI/ML của Omada, Sunaina Kavi, một nhân vật chủ chốt trong sự hợp tác này, nhấn mạnh tầm quan trọng của sự phối hợp này:

Kavi nói: “Công việc của chúng tôi với nhóm lâm sàng là yếu tố then chốt trong việc xây dựng lòng tin và đảm bảo mô hình được tối ưu hóa để đáp ứng nhu cầu chăm sóc sức khỏe trong thế giới thực. “Bằng cách hợp tác chặt chẽ trong việc lựa chọn và đánh giá dữ liệu, chúng tôi đã đảm bảo rằng OmadaSpark Nutritional Education không chỉ cung cấp giáo dục dinh dưỡng chính xác và cá nhân hóa mà còn duy trì các tiêu chuẩn cao về chăm sóc bệnh nhân.

“Sự hợp tác giữa AWS và Meta đã cho chúng tôi quyền truy cập vào các mô hình nền tảng tiên tiến trong khi vẫn duy trì quyền kiểm soát tự lưu trữ mà chúng tôi cần trong chăm sóc sức khỏe, vì mục đích riêng tư, bảo mật và chất lượng. Các khả năng tinh chỉnh của SageMaker AI đã cho phép chúng tôi điều chỉnh Llama cho trường hợp sử dụng dinh dưỡng cụ thể của mình trong khi vẫn bảo toàn chủ quyền dữ liệu của chúng tôi.”

Bảo vệ dữ liệu bệnh nhân vẫn là ưu tiên hàng đầu trong suốt quá trình phát triển. Huấn luyện và suy luận mô hình diễn ra trong môi trường AWS tuân thủ HIPAA (AWS là Đối tác kinh doanh HIPAA của Omada), với trọng số mô hình được tinh chỉnh vẫn nằm dưới sự kiểm soát của Omada thông qua các khả năng chủ quyền mô hình trong SageMaker AI. Cơ sở hạ tầng bảo mật của AWS đã cung cấp nền tảng cho việc triển khai, giúp duy trì bảo vệ dữ liệu bệnh nhân trong suốt vòng đời phát triển AI. Các mô hình Llama cung cấp sự linh hoạt cần thiết cho việc tùy chỉnh dành riêng cho chăm sóc sức khỏe mà không ảnh hưởng đến hiệu suất. Omada tập trung triển khai kỹ thuật của họ xung quanh SageMaker AI để huấn luyện, tinh chỉnh và triển khai mô hình.

Cuối cùng, Omada đã triển khai các giao thức thử nghiệm nghiêm ngặt, bao gồm đánh giá thường xuyên của con người về đầu ra mô hình bởi các chuyên gia có trình độ. Omada đã khởi chạy toàn bộ quy trình làm việc với mô hình trong 4,5 tháng. Trong suốt quá trình này, họ liên tục theo dõi độ chính xác của phản hồi và sự hài lòng của thành viên, với việc tinh chỉnh lặp đi lặp lại dựa trên phản hồi trong thế giới thực.

Tác động kinh doanh

Việc giới thiệu OmadaSpark đã thúc đẩy đáng kể sự tương tác của các thành viên sử dụng công cụ này. Các thành viên tương tác với trợ lý dinh dưỡng có khả năng quay lại ứng dụng Omada nói chung cao gấp ba lần so với những người không tương tác với công cụ. Bằng cách cung cấp quyền truy cập 24/7 vào giáo dục dinh dưỡng cá nhân hóa, Omada đã giảm đáng kể thời gian cần thiết để giải quyết các câu hỏi dinh dưỡng của thành viên từ vài ngày xuống còn vài giây.

Sau khi ra mắt thành công, Omada đang tăng cường hợp tác với AWS và Meta để mở rộng các khả năng AI bao gồm tinh chỉnh mô hình, tối ưu hóa cửa sổ ngữ cảnh và thêm bộ nhớ. Họ đang phát triển một quy trình huấn luyện liên tục kết hợp các câu hỏi thực tế của thành viên và nâng cao các tính năng AI với các lĩnh vực sức khỏe bổ sung ngoài dinh dưỡng.

Miller chia sẻ: “Sự hợp tác của chúng tôi với AWS và Meta đã cho thấy giá trị của các mối quan hệ đối tác chiến lược trong đổi mới chăm sóc sức khỏe. “Khi chúng tôi nhìn về tương lai, chúng tôi rất vui mừng được xây dựng trên nền tảng này để phát triển nhiều cách sáng tạo hơn nữa để hỗ trợ các thành viên của chúng tôi.”

Kết luận

Việc triển khai của Omada Health chứng minh cách các tổ chức chăm sóc sức khỏe có thể áp dụng AI một cách hiệu quả trong khi giải quyết các yêu cầu cụ thể của ngành và nhu cầu của thành viên. Bằng cách sử dụng các mô hình Llama trên SageMaker AI, Omada khuếch đại tính nhân văn của các huấn luyện viên sức khỏe và làm phong phú thêm trải nghiệm của thành viên. Sự hợp tác giữa Omada, AWS và Meta cho thấy cách các tổ chức trong các ngành được quản lý chặt chẽ có thể nhanh chóng xây dựng các ứng dụng AI bằng cách sử dụng các mô hình nền tảng sáng tạo trên AWS, nhà cung cấp dịch vụ đám mây chăm sóc sức khỏe đáng tin cậy. Bằng cách kết hợp chuyên môn lâm sàng với các mô hình AI tiên tiến và cơ sở hạ tầng an toàn, họ đã tạo ra một giải pháp có thể chuyển đổi việc cung cấp dịch vụ chăm sóc ở quy mô lớn trong khi vẫn duy trì cách tiếp cận cá nhân hóa, do con người dẫn dắt giúp Omada hiệu quả.

Miller kết luận: “Dự án này chứng minh rằng việc áp dụng AI có trách nhiệm trong chăm sóc sức khỏe không chỉ khả thi mà còn cần thiết để tiếp cận nhiều bệnh nhân hơn với dịch vụ chăm sóc chất lượng cao.”

Omada vẫn cam kết phát triển các nhóm chăm sóc con người của mình với hiệu quả của công nghệ hỗ trợ AI. Trong tương lai, nhóm cam kết tạo ra những đổi mới mới nhằm thúc đẩy cảm giác hỗ trợ, tự tin và tự chủ theo thời gian thực giữa các thành viên.

Để biết thêm thông tin, hãy xem các tài nguyên sau:

• Khám phá AI tạo sinh trên AWS
• Tìm hiểu về khai thác giá trị kinh doanh của AI tạo sinh
• Tìm hiểu các tùy chọn triển khai mô hình trên SageMaker AI
• Kho lưu trữ GitHub Llama trên AWS

---

Về tác giả

Sunaina Kavi là giám đốc sản phẩm AI/ML tại Omada, chuyên tận dụng trí tuệ nhân tạo để thay đổi hành vi nhằm cải thiện kết quả trong quản lý bệnh tiểu đường, tăng huyết áp và cân nặng. Cô có bằng Cử nhân Kỹ thuật Y sinh và bằng MBA từ Trường Kinh doanh Ross của Đại học Michigan, chuyên về Khởi nghiệp và Tài chính. Trước khi chuyển sang Omada, cô đã có kinh nghiệm làm việc với vai trò chuyên viên ngân hàng đầu tư trong lĩnh vực Công nghệ, Truyền thông và Viễn thông tại San Francisco. Sau đó, cô gia nhập Rivian, tập trung vào các giải pháp sạc trong nhóm thông tin giải trí của họ, và thành lập công ty khởi nghiệp của riêng mình nhằm sử dụng AI để quản lý các đợt bùng phát tự miễn. Sunaina cũng tích cực tham gia vào nhóm AI tạo sinh ở San Francisco, làm việc để nâng cao an toàn, bảo mật và đánh giá hệ thống trong cộng đồng chăm sóc sức khỏe.

Breanne Warner là Kiến trúc sư Giải pháp Doanh nghiệp tại Amazon Web Services, hỗ trợ các khách hàng trong lĩnh vực chăm sóc sức khỏe và khoa học đời sống (HCLS). Cô đam mê hỗ trợ khách hàng sử dụng AI tạo sinh trên AWS và truyền bá việc áp dụng các mô hình của bên thứ nhất và bên thứ ba. Breanne cũng là Phó Chủ tịch của Women at Amazon với mục tiêu thúc đẩy văn hóa hòa nhập và đa dạng tại Amazon. Breanne có bằng Cử nhân Khoa học Kỹ thuật Máy tính từ Đại học Illinois Urbana-Champaign.

Baladithya Balamurugan là Kiến trúc sư Giải pháp tại AWS tập trung vào triển khai ML cho suy luận và sử dụng AWS Neuron để tăng tốc huấn luyện và suy luận. Anh làm việc với khách hàng để kích hoạt và tăng tốc triển khai ML của họ trên các dịch vụ như Amazon SageMaker và Amazon EC2. Có trụ sở tại San Francisco, Baladithya thích mày mò, phát triển ứng dụng và phòng thí nghiệm tại nhà của mình trong thời gian rảnh rỗi.

Amin Dashti, PhD, là Nhà khoa học Dữ liệu cấp cao tại AWS, chuyên về tùy chỉnh và huấn luyện mô hình bằng Amazon SageMaker. Với bằng Tiến sĩ Vật lý, anh mang đến sự chặt chẽ khoa học sâu sắc cho công việc của mình trong học máy và AI ứng dụng. Nền tảng đa ngành của anh – trải dài từ học thuật, tài chính đến công nghệ – cho phép anh giải quyết các thách thức phức tạp từ cả góc độ lý thuyết và thực tiễn. Có trụ sở tại Khu vực Vịnh San Francisco, Amin thích dành thời gian rảnh rỗi với gia đình để khám phá các công viên, bãi biển và đường mòn địa phương.

Marco Punio là Kiến trúc sư Giải pháp Chuyên gia cấp cao tập trung vào các khối lượng công việc AI được tăng tốc bằng GPU, huấn luyện mô hình quy mô lớn và các giải pháp AI ứng dụng trên AWS. Là thành viên của nhóm Gen AI Applied Sciences SA tại AWS, anh chuyên về điện toán hiệu năng cao cho AI, tối ưu hóa các cụm GPU để huấn luyện và suy luận mô hình nền tảng, đồng thời đóng vai trò là trưởng nhóm toàn cầu cho Quan hệ đối tác Meta–AWS và chiến lược kỹ thuật. Có trụ sở tại Seattle, Washington, Marco thích viết, đọc, tập thể dục và xây dựng các ứng dụng AI được tối ưu hóa bằng GPU trong thời gian rảnh rỗi.

Evan Grenda là Chuyên gia GenAI cấp cao tại AWS, nơi anh làm việc với các nhà cung cấp mô hình nền tảng và khung tác nhân của bên thứ ba hàng đầu để phát triển và thực hiện các chiến lược tiếp thị chung, cho phép khách hàng triển khai và mở rộng các giải pháp một cách hiệu quả để giải quyết các thách thức AI tác nhân doanh nghiệp. Evan có bằng Cử nhân Quản trị Kinh doanh từ Đại học South Carolina, bằng MBA từ Đại học Auburn và bằng Thạc sĩ Khoa học Dữ liệu từ Đại học St. Joseph.