大規模医療センターで大規模言語モデルをパイロット運用および展開する中で、ベンチマークベースの評価では、臨床医が主導するインタラクションの監視および評価には不十分であり、これにはパフォーマンスを監視するための新しい方法が必要であることがわかりました。