Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
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