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
Fondements de l'IA agentique pour la santé
- Applications d'LLM agentiques vs. simples applications d'outils.
- Limites de l'autonomie, politiques et supervision humaine.
- Paysage des données de santé et contraintes (DMP, FHIR, DPI).
Concevoir des flux de travail d'agents
- Planification, mémoire, utilisation d'outils et boucles de réflexion.
- Ingénierie de prompts, fonctions/outils et sélection d'actions.
- Gestion de l'état et modèles d'orchestration.
Agents augmentés par récupération d'informations
- Ingestion et découpage de documents médicaux.
- Représentations vectorielles (embeddings), magasins vectoriels et évaluation de la pertinence.
- Ancrage des réponses et stratégies de citation.
Intégrations et interopérabilité dans la santé
- Bases de FHIR/SMART pour la connectivité des agents.
- Manipulation de données cliniques structurées et non structurées.
- Événementiel, API et journaux d'audit.
Sécurité, risque et gouvernance
- Garde-fous, tests adverses (red-teaming) et conception de sécurité (fail-safe).
- Gestion des DPI, anonymisation et contrôles d'accès.
- Revue par l'humain dans la boucle et chemins d'escalade.
Évaluation et surveillance
- Évaluations hors ligne, jeux de données de référence (golden sets) et définition des KPI.
- Détection des hallucinations et vérifications de facticité.
- Observabilité, journalisation et gestion des coûts/latences.
Modèles de déploiement et laboratoire pratique
- Choix entre modèles via API et modèles sur site (on-prem).
- Création d'un agent augmenté par récupération d'informations avec LangChain, FastAPI et ChromaDB.
- Simulation de réponse à incident et procédures de restauration (rollback).
Résumé et prochaines étapes
Pré requis
- Une compréhension de la programmation Python de base.
- Une expérience des analyses de données ou des flux de travail ML.
- Une familiarité avec les concepts de données de santé (par exemple, DMP, FHIR).
Public cible
- Scientifiques de données et ingénieurs ML dans le secteur de la santé.
- Équipes d'informatique clinique et de produits de santé numérique.
- Responsables IT et managers de l'innovation dans le secteur de la santé.