L’intelligence artificielle est un sujet d’actualité, mais elle ne s’arrête pas aux applications telles que ChatGPT. En effet, comment gérez-vous l’IA dans les sciences de la vie ?
Elisa Canzani, Data Science Lead chez Cognizant, nous emmène dans un voyage pour montrer que l’IA n’est pas une solution universelle, en particulier dans les sciences de la vie ou d’autres disciplines scientifiques. Avec Cognizant, nous explorons les pièges de l’IA dans les sciences de la vie et ce qui est nécessaire pour une fondation solide de l’IA.
Une gamme variée de LLM
De nombreux outils GenAI actuels fonctionnent sur la base de LLM(grands modèles de langage). En tant qu’organisation, il y a peu de chances que vous développiez vous-même un LLM. Il est préférable de se tourner vers un modèle pré-entraîné qui est disponible pour une utilisation (commerciale) et qui correspond à votre domaine de travail. OpenAI, Anthropic, Meta : la gamme de modèles disponibles est vaste. Consultez la liste complète ici.
“Vous voyez l’abréviation LLM partout, mais ce n’est pas toujours le meilleur choix pour les applications GenAI. Un petit modèle de langage (SLM) est souvent une option intéressante à peaufiner soi-même”, explique M. Canzani. “Ils sont très fiables, efficaces et accessibles pour des tâches spécifiques.
Choisissez un (L)LM et commencez à le personnaliser
Une méthode courante de personnalisation d’un LLM est l’ingénierie de l’invite. “L’invite du système est le moyen le plus courant d’imposer un comportement” et garantit que les instructions sont utilisées pour générer la sortie souhaitée afin de répondre aux questions de l’utilisateur.
Bien que les messages-guides soient efficaces, ils sont limités dans la quantité d’instructions qui peuvent être données. La génération assistée par récupération (RAG) est un moyen très puissant de procéder à des ajustements, qui associe le modèle à une base de données de connaissances externe. Lorsqu’un utilisateur pose une question, le modèle recherche dans la base de données les informations pertinentes et les traite en même temps que la question afin de fournir une réponse plus précise et plus spécifique. Le Graph RAG, qui utilise des méthodes basées sur les graphes pour optimiser la requête, constitue une amélioration majeure”, explique M. Canzani. C’est crucial pour les secteurs où la précision et la pertinence contextuelle sont essentielles, comme la gestion de la chaîne d’approvisionnement ou le développement de produits.
Les LLM peuvent également être affiné. Cela n’ajoute pas de connaissances, mais introduit de nouveaux modèles de langage, par exemple une terminologie spécifique au domaine des soins de santé ou de la logistique. Toutefois, M. Canzani souligne que “le réglage fin est une tâche délicate car nous modifions les poids de notre modèle, ce qui peut entraîner ce que nous appelons un “oubli catastrophique””.
Canzani : “Ces méthodes permettent d’exploiter la puissance d’un LLM, à condition qu’un cadre d’observabilité soit en place et permette aux organisations de garder le contrôle sur la pertinence, la fiabilité et l’exactitude des informations générées”.
Vous voyez l’abréviation LLM partout, mais ce n’est pas toujours le meilleur choix pour les applications de GenAI.
Elisa Canzani, responsable de la science des données chez Cognizant
L’IA hybride comme base pour de meilleures décisions
Les LLM peuvent produire des résultats impressionnants, mais présentent des limites en termes de connaissances spécifiques au domaine et d’inférence logique. Les systèmes hybrides combinent les forces de l’IA générative avec les techniques classiques de l’IA, telles que les réseaux bayésiens pour l’inférence causale. “Cette combinaison permet non seulement de répondre à des questions ou de générer des données, mais aussi de fournir des informations approfondies sur les relations de cause à effet. Pensez, par exemple, aux problèmes liés aux processus de production ou au contrôle de la qualité.
Un élément clé des systèmes hybrides est le concept de solutions agentiques, où les tâches complexes sont décomposées en sous-tâches plus petites et plus faciles à gérer. Ces sous-tâches sont déléguées à des agents spécialisés, tels qu’un assistant SQL pour la recherche d’informations ou un agent d’analyse des causes profondes qui identifie la cause, par exemple, d’un goulot d’étranglement dans la chaîne d’approvisionnement qui augmente considérablement le délai d’exécution.
“Un tel système agentique agit comme un réseau d’experts qui collaborent, permettant de répondre à des questions très spécifiques à l’aide d’informations précises et contextuelles”, explique M. Canzani. “C’est particulièrement utile dans des secteurs tels que la gestion de la chaîne d’approvisionnement, où de multiples variables et dépendances influencent les résultats finaux.
Un autre aspect important des systèmes hybrides est l’intégration du retour d’information humain. Bien que les agents et les modèles d’IA puissent effectuer de nombreuses tâches de manière indépendante, l’expertise humaine reste cruciale pour les tâches qui nécessitent un haut degré d’interprétation ou des considérations éthiques. En outre, les systèmes agentiques apprennent constamment des interactions avec les utilisateurs et s’améliorent pour fournir des solutions personnalisées.
Un cadre cognitif qui fournit une structure
Le cadre cognitif de Cognizant pour le développement responsable de GenAI fournit une approche structurée pour construire et mettre en œuvre des solutions d’IA dans un contexte commercial. Le cadre encourage une approche itérative. Le processus commence par la cartographie du parcours de l’utilisateur et des fonctionnalités souhaitées, après quoi les solutions d’IA sont continuellement testées, adaptées et mises à l’échelle en fonction des nouvelles connaissances de l’utilisateur et de l’évolution des besoins de l’entreprise.
La phase de développement du cadre se compose de quatre couches :
- La couche d’interaction – collecte les données de l’utilisateur
- La couche générative – traite et génère des résultats
- La couche informatique – effectue des calculs et des raisonnements logiques
- La couche d’information – récupère les données pertinentes
L’un des aspects uniques de ce cadre est la curation dynamique du contexte. La couche d’information doit être continuellement mise à jour avec les données les plus récentes et les plus pertinentes afin que les décisions soient fondées sur des informations exactes et actualisées.
En outre, le cadre permet au LLM de déléguer des sous-tâches à l’IA classique ou à d’autres systèmes experts. Résultat : plus de fiabilité, de précision et d’efficacité, en particulier dans des secteurs tels que la production pharmaceutique ou la gestion de la chaîne d’approvisionnement.
La couche d’observabilité est une couche supplémentaire qui s’ajoute à toutes les autres. Canzani : “Aucun système d’IA ne peut être mis en production sans un solide système de contrôle des performances.”
Ce cadre rend la solution GenAI de Cognizant unique. Il a été conçu par l’équipe BeNeLux et a remporté le premier prix du Cognizant Global Bluebolt GenAI Ideation Challenge, où plus de 3 000 idées ont été soumises. Les personnes qui souhaitent en savoir plus sur les possibilités offertes peuvent consulter cette vidéo.
Exemples pratiques de GenAI
La théorie est importante, mais l’utilisation de la GenAI dans la pratique l’est encore plus. Au cours de sa présentation, Mme Canzani a mis en évidence des possibilités uniques de transformer et d’accélérer les processus dans le domaine des sciences de la vie et de la fabrication. Quelques exemples :
- Découverte de nouveaux médicaments en générant des données synthétiques, ce qui permet de modéliser des bioprocédés complexes et d’accélérer le transfert de technologie de la R&D à la production.
- La conception de molécules, de séquences d’ARN et de structures de protéines est essentielle pour la recherche pharmaceutique. La GenAI réduit considérablement le temps nécessaire à la recherche et aux essais cliniques, ce qui permet de développer plus rapidement des solutions aux problèmes de santé.
- Optimisation des processus de production et du contrôle de la qualité dans l’industrie manufacturière grâce aux jumeaux numériques et à l’IA agentique.
- Des assistants basés sur l’IA pour les SOP (procédures opérationnelles standard), guidant les opérateurs dans des tâches complexes et garantissant le respect de réglementations strictes.
Compte tenu de la complexité des chaînes d’approvisionnement dans le secteur des sciences de la vie, la GenAI peut apporter des solutions puissantes à des problèmes tels que les retards et l’inefficacité. Canzani montre comment une solution multi-agents peut fournir des informations sur la chaîne d’approvisionnement, analyser les délais globaux et recommander le bon moyen de transport pour équilibrer les coûts et les délais de livraison.
GenAI : plus qu’un simple battage médiatique ou un mot à la mode
“La GenAI est souvent évoquée en même temps que les biais, les hallucinations et les risques pour la vie privée. Ces préoccupations doivent être prises en compte grâce à des cadres cognitifs solides, à la transparence et à des lignes directrices éthiques telles que la loi européenne sur l’IA“, explique M. Canzani.
La GenAI n’est pas un battage médiatique, mais une technologie fondamentale qui transforme les processus, offre de nouvelles perspectives et stimule la croissance durable. L’avenir réside dans la combinaison de la puissance technique de l’IA avec l’expertise humaine pour construire des solutions innovantes et responsables.
Il s’agit d’un éditorial réalisé en collaboration avec Cognizant. Pour plus d’informations sur les applications spécifiques de GenAI dans le domaine des sciences de la vie, cliquez ici.