Cognizant sait que la question de l’IA implique la participation de nombreux fournisseurs et de nombreux modèles. Dans le contexte crucial des sciences de la vie, l’entreprise travaille au déploiement d’une intelligence artificielle à la fois classique et générative. Les résultats positifs du secteur pharmaceutique peuvent immédiatement être un guide utile pour d’autres organisations qui cherchent un moyen d’adopter l’IA à l’épreuve du temps.
Le Dr Pierre Marchand a commencé sa carrière dans l’IA bien avant que le sujet ne soit devenu en vogue. « J’ai travaillé toute ma vie dans le domaine de l’analyse et de la science des données, notamment dans les secteurs de la banque, de la fabrication et de la chimie », explique-t-il. « Après une carrière de 30 ans, on commence à voir les choses dans leur ensemble. » Il y a six mois, l’expert a changé de poste pour rejoindre Cognizant, où il travaille aujourd’hui en tant que responsable de la stratégie des données.
Vision claire dans un secteur crucial
Ce changement a été très réfléchi. Avec l’essor de l’IA générative, Marchand voulait encore être au cœur de l’action. « Cognizant parlait déjà de l’IA générative avant la compétition », sait-il. « L’entreprise prend les devants et adopte le bon plan d’action. »
Nous parlons à Cognizant au sujet de l’IA dans les secteurs des sciences de la vie et de l’industrie pharmaceutique. Ce secteur comprend de grandes entreprises où les opérations commerciales sont caractérisées par une approche scientifique et une concurrence vigoureuse. D’une part, le potentiel de l’IA pour accélérer le développement et la production dans le secteur pharmaceutique est énorme, d’autre part, la confiance dans l’IA et la protection des données sensibles sont presque inégalées. Tout ce qui est bon pour les sciences de la vie le sera sans doute aussi pour d’autres secteurs, et nous sommes donc curieux de voir le rôle que l’IA y joue aujourd’hui.
Classique ou génératif ?
Marchand souligne que l’IA dans les sciences de la vie et le secteur pharmaceutique n’est pas nouveau. « L’IA classique a déjà été adoptée par tous les principaux acteurs de l’industrie, à travers de nombreux processus. » L’IA traditionnelle ou classique utilise des règles plus claires, créées par des experts. Les algorithmes optimisent déjà aujourd’hui un grand nombre de tâches et le grand avantage est qu’ils ne sont pas mystérieux. Les résultats sont le fruit d’une programmation bien comprise.
La révolution et le battage actuels portent sur l’IA générative. Elle diffère de l’IA classique par le fait que l’intelligence ne provient pas d’algorithmes distincts, mais d’un réseau neuronal formé à partir de grandes quantités de données. Au cours de la formation, le réseau se transforme en un modèle d’IA intelligent et utile, tandis qu’on ne sait pas exactement ce qui se passe sous le capot. Ces réseaux neuronaux peuvent contribuer à la révolution des processus, mais il faut tenir compte de leurs limites importantes.
Données pour la boîte noire
« Pour former un modèle d’IA génératif, il faut une grande quantité de données qualitatives », explique Marchand. « Elles ne sont pas toujours disponibles. Par exemple, les données disponibles sur certaines maladies rares sont limitées, ce qui réduit la fiabilité des prédictions. Quand les données sont rares ou mal équilibrées, la fiabilité de l’IA générative est compromise. »
Quand les données sont rares ou mal équilibrées, la fiabilité de l’IA générative est compromise.
Dr Pierre Marchand, Stratégiste principal des données Cognizant
Cette fiabilité est aussi problématique. Marchand parle du dilemme de la boîte noire. Les réseaux neuronaux sous-jacents à l’IA générative marchent, mais souvent, on ne sait pas très bien pourquoi certaines données d’entrée mènent à des données de sortie spécifiques. « Ce manque de transparence empêche l’acceptation des résultats générés par l’IA », explique-t-il. « Surtout dans le monde scientifique, où les décisions ont un impact sur la vie des gens. »
De la méfiance à la confiance
Pour le gourou de l’IA, il faut de l’intégrité pour avoir confiance. « Personne ne veut embaucher un comptable corrompu. L’intégrité provient de la traçabilité. Toute humain veut savoir d’où vient une réponse. Dans le cas spécifique de l’IA, il est utile de pouvoir vérifier pourquoi un modèle donne une certaine réponse. Cela crée la confiance. »
« Dans la plupart des cas, on constate que les gens vérifient les réponses une ou deux fois et qu’ainsi, la confiance arrive peu à peu. Personne ne veut risquer son emploi en acceptant une prédiction de l’IA. Mais quand on a la possibilité de tester et de faire des recherches par soi-même, la confiance commence à se développer. »
D’abord tester, ensuite utiliser
Dans le secteur pharmaceutique, il est impossible de simplement accepter une suggestion, aussi valable qu’elle soit. « Lorsque l’IA générative suggère une nouvelle molécule pour un traitement particulier, c’est un peu comme si elle suggérait une nouvelle note de musique jamais entendue », explique Marchand. « La suggestion est séduisante, mais elle doit encore être testée rigoureusement pour garantir à la fois la sécurité et l’efficacité. Pour passer des idées de l’IA à des applications utiles, il faut une validation approfondie, ce qui ralentit la vitesse d’implémentation. »
Pour passer des idées de l’IA à des applications utiles, il faut une validation approfondie.
Dr Pierre Marchand, Stratégiste principal des données Cognizant
Et quand même, l’IA générative joue déjà un rôle dans le secteur. « Atomwise utilise l’IA générative pour prédire l’activité moléculaire », explique Marchand. « L’entreprise utilise des modèles d’apprentissage profond pour potentiellement découvrir des médicaments. Insilico Medicine fait de même. Tempus déploie l’IA générative pour suggérer des traitements sur mesure basés sur les données des patients. Deep Genomics tente, à l’aide de modèles d’apprentissage profond, de prédire comment les mutations génétiques peuvent mener à des maladies. »
Le potentiel est presque infini. Au fil du temps, Cognizant s’attend à ce que l’IA générative soit déployée tout au long de la chaîne de valeur de l’industrie pharmaceutique. La technologie pourrait aider les experts dans la découverte de nouvelles molécules actives et d’autres activités de recherche et de développement, la préparation et le traitement des tests cliniques, ainsi que dans des domaines plus classiques tels que la création de contenu et la vente et le marketing de médicaments prêts à l’emploi. Toutefois, le but final est clair : obtenir des résultats toujours meilleurs chez les patients.
Dissertations avec du jus de fruit
En partenariat avec ces entreprises et d’autres, Cognizant intègre l’IA d’une manière structurellement saine. Il faut une approche judicieuse, car le secteur évolue rapidement. Marchand : « Pour rester au courant, il faut dévorer des articles scientifiques au petit déjeuner. Chaque semaine, il se produit un vrai tsunami de découvertes. Dans toute ma carrière, je n’ai jamais expérimenté un tel rythme de développement. Le rythme est presque trop intense, mais il faut souffrir pour suivre. »
Marchand et ses collègues supportent ce rôle pour aider les clients. Dans la pratique, il voit la plupart des organisations commencer leur parcours d’IA générative avec ce qu’il appelle le GPT employé. Une version interne de GPT-4 ou d’un modèle similaire est nourrie de nombreuses données et peut désormais répondre à des questions et aider les employés. « C’est une bonne preuve de concept, mais la valeur réelle ne se trouve pas là », prévient l’expert.
Tous pour un
« La véritable valeur ajoutée réside dans l’utilisation de l’IA pour améliorer les processus internes. » Pour y parvenir, il est nécessaire de bien aborder le domaine de l’IA, qui évolue rapidement. « L’IA connaît plusieurs fournisseurs. Auparavant, on pouvait investir en se fondant sur le quadrant magique de Gartner. On choisissait en haut à droite ce qui convenait à son budget, et on attendait la promotion. Avec l’IA générative, c’est inimaginable, car les règles du jeu changent tous les jours. »
Selon Marchand et Cognizant, une approche plus agile et plus large est la solution. « Pour des résultats parfaits, on n’a pas besoin d’un seul modèle d’IA, mais de plusieurs », explique-t-il. « Pour un chatbot, par exemple, on peut commencer la conversation avec la technologie d’OpenAI. Puis, quand la discussion tourne vers un sujet médical, MedPalm est mieux adapté. »
Chaque modèle contribue différemment à l’amélioration de la situation. « L’orchestration est importante. L’IA fonctionne mieux au sein d’un modèle où différents modèles peuvent travailler ensemble comme un tout. Pour cela, les modèles ont besoin d’une mémoire partagée : on ne veut pas devoir réexpliquer son problème quand on passe d’OpenAI à MedPalm. »
D’après le cerveau
C’est pourquoi Cognizant a créé Neuro R AI. Ce cadre est agnostique en matière de modèles. Il permet aux entreprises de combiner des modèles en un tout, mais aussi de les échanger contre de nouvelles versions plus performantes. Cette structure garantit que le modèle le plus adapté est déployé dans le bon contexte, tandis qu’une combinaison de mémoire à court et à long terme assure la cohérence de l’ensemble. Les explications de Marchand nous rappellent notre propre cerveau et la façon dont il est constitué de parties spécialisées qui fonctionnent toujours comme un tout.
« De plus, Neuro AI ne se limite pas à l’IA générative », note Marchand. « Le cadre combine parfaitement la nouvelle IA générative avec l’IA classique et l’analytique. » Pour Marchand, Neuro AI est l’une des motivations pour rejoindre Cognizant. Le domaine évolue à toute vitesse, mais il pense que l’approche d’orchestration agnostique est la bonne, compte tenu de son expérience.
Nous vivons une époque turbulente. L’IA générative fait bouger le monde et aura un impact majeur dans presque tous les secteurs, pas seulement dans les sciences de la vie. Cependant, tout le monde fait face à des défis similaires. L’évolution presque impossible à suivre de l’IA en ce moment est un défi important, tout comme la question de la confiance. Même si certaines questions restent à traiter, Marchand et Cognizant savent déjà comment résoudre le problème de l’implémentation de l’IA. Plusieurs modèles, algorithmes et types d’IA doivent collaborer pour obtenir les meilleurs résultats, ce qui nécessite un cadre agnostique.