Prenez contact avec nous
 Durée 14 heures

Plan du cours

Fondamentaux de l'IA agentique pour les soins de santé

  • Applications d'IA générative agentiques vs. applications LLM utilisant uniquement des outils
  • Limites de l'autonomie, politiques et supervision humaine
  • Paysage des données de santé et contraintes (DSE, FHIR, DPI [Données Personnelles de Santé])

Conception de flux de travail d'agents

  • Planification, mémoire, utilisation d'outils et boucles de rétroaction
  • Ingénierie des prompts, fonctions/outils et sélection des actions
  • Gestion des états et motifs d'orchestration

Agents augmentés par la récupération d'informations (RAG)

  • Ingestion et morcellement de documents médicaux
  • Incrustations (embeddings), bases de données vectorielles et évaluation de la pertinence
  • Ancrage des réponses et stratégies de citation

Intégrations et interoperabilité dans le secteur de la santé

  • Bases de FHIR/SMART pour la connectivité des agents
  • Manipulation de données cliniques structurées et non structurées
  • Événementiel, API et pistes d'audit

Sécurité, risques et gouvernance

  • Garde-fous, tests d'intrusion (red-teaming) et conception fail-safe
  • Traitement des DPI, anonymisation et contrôles d'accès
  • Revue avec supervision humaine (human-in-the-loop) et parcours d'escalade

Évaluation et surveillance

  • Évaluations hors ligne, ensembles dorés et définition des KPI
  • Détection des hallucinations et vérifications de facticité
  • Observabilité, journalisation et gestion des coûts/latence

Modèles de déploiement et laboratoire pratique

  • Choix entre modèles via API et modèles sur site (on-prem)
  • Création d'un agent augmenté par la récupération d'informations avec LangChain, FastAPI et ChromaDB
  • Simulation de réponse aux incidents et procédures de retour arrière (rollback)

Résumé et prochaines étapes

Pré requis

  • Compréhension de la programmation Python de base
  • Expérience dans l'analyse de données ou les flux de travail ML (apprentissage automatique)
  • Connaissance des concepts des données de santé (p. ex. DSE [Dossier de Santé Électronique], FHIR)

Public cible

  • Scientifiques de la donnée et ingénieurs ML dans le secteur de la santé
  • Équipes d'informatique clinique et de produits de santé numérique
  • Dirigeants informatiques et managers de l'innovation dans le secteur de la santé

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires