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 utilisant uniquement des outils
- Limites de l'autonomie, politiques et supervision humaine
- Paysage des données de santé et contraintes (EHR, FHIR, PII)
Conception des flux de travail agentiques
- Boucles de planification, de mémoire, d'utilisation d'outils et de réflexion
- Ingénierie des invites (prompts), fonctions/outils et sélection d'actions
- Gestion d'état et motifs d'orchestration
Agents enrichis par la recherche (RAG)
- Ingestion et découpage (chunking) des documents médicaux
- Incrustations (embeddings), entrepôts vectoriels et évaluation de la pertinence
- Ancrage des réponses et stratégies de citation
Intégrations et interopérabilité en 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, risques et gouvernance
- Garde-fous, tests d'adversarité (red-teaming) et conception en cas de défaillance
- Traitement des PII, désidentification et contrôles d'accès
- Revue avec intervention humaine et voies d'escalade
Évaluation et surveillance
- Évaluations hors ligne, ensembles de référence (golden sets) et définition des KPI
- Détection des hallucinations et vérifications de facticité
- Observabilité, journalisation et gestion des coûts/latences
Motifs de déploiement et laboratoire pratique
- Choix entre modèles via API ou sur site (on-prem)
- Développement d'un agent enrichi par la recherche avec LangChain, FastAPI et ChromaDB
- Réponse simulée à une incident et procédures de retour arrière (rollback)
Récapitulatif et prochaines étapes
Pré requis
- Comprendre les bases de la programmation Python
- Expérience en analyse de données ou en flux de travail ML
- Connaissance des concepts de données de santé (p. ex., DSE, FHIR)
Public cible
- Scientifiques des données et ingénieurs ML du secteur de la santé
- Équipes d'informatique clinique et de produits de santé numérique
- Dirigeants TI et responsables de l'innovation en santé