NVIDIA Inception et l’axe R&D de Myukura : modèles spécialisés et intelligence artificielle locale

Quand on parle d’intelligence artificielle appliquée à la santé, une grande partie de la conversation tourne autour des modèles.

En pratique, construire un produit exige de trancher beaucoup d’autres questions : où s’exécute chaque traitement, combien de temps il dure, de quelles données il a besoin, quelles informations doivent quitter l’appareil, comment le résultat est évalué et ce qui se passe quand le système se trompe.

Ce sont des questions d’architecture, et pas seulement d’intelligence artificielle.

Chez Myukura, une partie de ce travail se concentre sur un axe qui associe modèles spécialisés, traitement local et calcul accéléré par GPU.

Notre appartenance à NVIDIA Inception s’inscrit précisément là.

Qu’est-ce que NVIDIA Inception

NVIDIA Inception est le programme de NVIDIA destiné aux startups qui développent des produits fondés sur l’intelligence artificielle et d’autres technologies de calcul accéléré.

Selon NVIDIA, le programme donne accès à des ressources techniques, à des formations via le Deep Learning Institute, à des outils et des SDK, à certains avantages sur les produits et services de l’écosystème et à des opportunités de mise en relation avec son réseau.

Le programme n’exige ni participation au capital ni droit d’entrée.

Pour Myukura, pourtant, l’un de ses effets les plus concrets est apparu en dehors d’une plateforme ou d’un crédit technologique.

C’est grâce à NVIDIA Inception que nous avons connu l’appel à candidatures du 8e MareNostrum Hackathon du Barcelona Supercomputing Center.

Du programme au MareNostrum Hackathon

Notre sélection au hackathon nous a permis de travailler plusieurs jours sur une infrastructure de calcul haute performance et de bénéficier de l’appui technique des mentors participants.

L’objectif de notre équipe était d’étudier un problème précis : la reconnaissance automatique de la parole en contexte clinique et en espagnol.

Pendant le hackathon, nous avons entraîné et évalué nos propres modèles et comparé différentes configurations afin de mieux comprendre les limites qui apparaissent lorsqu’on travaille avec un vocabulaire clinique et différentes façons de parler.

Ce type de travail est particulièrement précieux car il oblige à abandonner la perception abstraite selon laquelle « le modèle fonctionne » pour la transformer en questions mesurables :

Où se trompe-t-il ?

Avec quels types de mots ?

Que se passe-t-il avec les médicaments ?

Que se passe-t-il quand l’accent change ?

Quel coût de calcul représente l’amélioration du résultat ?

Pourquoi nous développons des modèles spécialisés

Une partie de la recherche de Myukura porte sur le développement et l’évaluation de modèles propres pour des tâches cliniques précises.

Notre travail aborde des problèmes tels que la reconnaissance vocale en espagnol clinique, l’identification de la terminologie médicale, des médicaments, des doses et d’autres expressions particulièrement sensibles aux erreurs de transcription, ainsi que la variabilité introduite par les différents accents et façons naturelles de parler.

Mais la taille d’un modèle n’est pas, en elle-même, une mesure de son utilité.

Pour certaines tâches, nous étudions des architectures spécialisées capables d’offrir un meilleur contrôle sur le comportement du système, ses besoins de calcul et la façon dont il peut être évalué.

Cela devient particulièrement important lorsque l’objectif est d’exécuter l’intelligence artificielle près de l’endroit où les données sont générées.

Un modèle spécialisé et optimisé peut réduire les besoins en mémoire et en calcul, améliorer la latence et faciliter le déploiement sur une infrastructure locale.

L’architecture de Myukura part précisément de cette idée : il n’existe pas de modèle unique adapté à tous les problèmes.

Différentes tâches peuvent exiger des modèles, des tailles et des stratégies d’exécution différents. Notre travail consiste à étudier cette combinaison et à déterminer quelle architecture offre le bon équilibre entre précision, efficacité, confidentialité et capacité de supervision.

L’autre axe : l’intelligence artificielle locale

Un second domaine de travail est Myukura Edge.

L’objectif de cet axe est d’étudier des architectures dans lesquelles certains traitements peuvent s’exécuter sur une infrastructure située dans l’environnement même de l’organisation.

En santé, le lieu du traitement n’est pas une question purement technique.

Il peut affecter la latence, la dépendance à la connectivité, la maîtrise de l’infrastructure et le parcours de certaines données.

C’est pourquoi nous étudions une architecture qui ne dépende pas nécessairement d’une seule forme de calcul.

Le cloud et le traitement local peuvent avoir des fonctions différentes au sein d’un même système.

Une architecture avant un modèle

L’expérience de ces derniers mois a renforcé une idée que nous jugeons centrale chez Myukura.

L’intelligence artificielle clinique ne devrait pas être envisagée comme une course à l’intégration du dernier modèle à la mode.

Pour construire un système utile, il faut décider où chaque technologie apporte de la valeur et où elle introduit de nouveaux risques ou de la complexité.

Notre travail avec NVIDIA, l’accès à une infrastructure GPU et l’expérience du MareNostrum Hackathon font partie de cet apprentissage.

Nous ne cherchons pas à ce que la technologie remplace le jugement du professionnel.

Nous cherchons à construire des outils capables d’aider à réduire le travail administratif en gardant le professionnel dans le processus de relecture.

Cette combinaison de spécialisation, d’architecture et de supervision humaine restera l’une des bases de la R&D de Myukura.

NVIDIA, le logo NVIDIA et NVIDIA Inception sont des marques commerciales ou des marques déposées de NVIDIA Corporation aux États-Unis et dans d’autres pays.