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 la santé
- Applications LLM agentiques vs applications LLM à simple utilisation d'outils.
- Limites de l'autonomie, politiques et supervision humaine.
- Paysage des données de santé et contraintes (DSE, FHIR, PHI).
Conception de flux de travail d'agents
- Planification, mémoire, utilisation d'outils et boucles de réflexion.
- Conception de prompts, fonctions/outils et sélection d'actions.
- Gestion de l'état et modèles d'orchestration.
Agents enrichis par la récupération d'informations (RAG)
- Ingestion et découpage de documents médicaux.
- Embeddings, bases vectorielles et évaluation de la pertinence.
- Ancre des réponses et stratégies de citation.
Intégrations et interopérabilité dans le domaine de la santé
- Basiques de FHIR/SMART pour la connectivité des agents.
- Manipulation de données cliniques structurées et non structurées.
- Événementiel, API et journaux d'audit.
Sécurité, risques et gouvernance
- Garde-fous, tests d'attaques (red-teaming) et conception de sécurité par défaut (fail-safe).
- Gestion des PHI, anonymisation et contrôles d'accès.
- Révision avec intervention humaine et chemins d'escalade.
Évaluation et surveillance
- Évaluations hors ligne, ensembles de référence (golden sets) et définition des KPI.
- Détection des hallucinations et vérifications de factualité.
- Observabilité, journalisation et gestion des coûts/latence.
Modèles de déploiement et laboratoire pratique
- Choix entre modèles basés sur API et modèles on-premises.
- Construction d'un agent enrichi par la récupération d'informations avec LangChain, FastAPI et ChromaDB.
- Réponse à des incidents simulés et procédures de rollback.
Synthèse et prochaines étapes
Pré requis
- Une compréhension de la programmation Python de base.
- Une expérience en analyse de données ou en flux de travail ML.
- Une familiarité avec les concepts de données de santé (par exemple, DSE, FHIR).
Public cible
- Scientifiques des données et ingénieurs ML du secteur de la santé.
- Équipes en informatique clinique et produits de santé numérique.
- Dirigeants informatiques et managers de l'innovation dans le domaine de la santé.