La préparation des grands événements du secteur de la santé, comme HIMSS et ViVe, s’avère plus complexe qu’il n’y paraît, même pour les experts. Un journaliste spécialisé a tenté d’utiliser l’intelligence artificielle pour optimiser l’organisation de son programme, mais a rapidement découvert que le véritable défi réside dans la qualité et la structuration des données elles-mêmes.
Alors que se rapprochent les salons HIMSS et ViVe, la planification devient une nécessité. Pour beaucoup, cela implique de parcourir les programmes, de sélectionner les sessions intéressantes en fonction des intervenants, et d’organiser un emploi du temps détaillé. Un processus fastidieux, qui demande concentration et organisation, et qui peut être facilement perturbé.
L’idée a germé : pourquoi ne pas déléguer cette tâche à un modèle de langage étendu (LLM) comme ChatGPT ? L’objectif était simple : fournir à l’IA l’ensemble des sessions, puis lui demander de générer un programme personnalisé, en tenant compte des éventuels conflits d’horaires et en l’intégrant directement dans un calendrier.
« Vous créez un ensemble de données structurées – une mini base de connaissances – sur laquelle un LLM existant peut raisonner », explique l’IA elle-même, comparant le LLM à un analyste, le fichier Excel ou l’agenda à l’ensemble de données, et les requêtes à des questions posées à cet analyste.
Cependant, l’expérience a rapidement révélé des difficultés. Malgré les efforts pour formater les données des programmes de conférences dans un format exploitable par ChatGPT (une feuille de calcul avec des colonnes et des lignes clairement définies), le résultat s’est avéré insatisfaisant. Les pages web des programmes étaient trop hétérogènes, avec des informations réparties sur plusieurs pages, rendant le copier-coller et le formatage inefficaces.
Le retour à une méthode manuelle s’est imposé : parcourir chaque session individuellement, extraire les informations pertinentes et les organiser dans un tableau OneNote. Une tâche chronophage, mais fonctionnelle. « Revue à l’ancienne 1, LLM 0 », a ironisé le journaliste.
Cette tentative, bien que frustrante, a mis en lumière un enjeu crucial pour l’industrie : le défi n’est pas tant de développer des LLM performants, mais de garantir la qualité et la structuration des données qui les alimentent. Caroline Peika, directrice de l’intégration et de l’analyse chez Rady Children’s Health, illustre bien ce problème : les équipes informatiques et de données souhaitent créer des agents ou des robots capables de répondre aux requêtes des utilisateurs internes ou même des patients, mais elles se heurtent à la difficulté de convaincre les services opérationnels d’organiser et de rendre leurs données interrogeables.
La tâche s’avère immense, même pour un simple programme de conférence. L’implémentation à l’échelle d’un établissement de santé, comme le service des ressources humaines, représente un défi d’une ampleur bien supérieure.
Le succès repose donc sur des compétences en leadership et en communication. Il s’agit de convaincre, de former, d’accompagner et de collaborer avec les services opérationnels pour nettoyer et structurer leurs données, afin que les outils d’IA puissent fournir des informations précises et fiables. Car, en fin de compte, le spectacle doit continuer, et la confiance dans les résultats est essentielle. L’IA d’aujourd’hui peut avoir ses limites, mais elle évolue rapidement, et le problème de la qualité des données pourrait bien être résolu dans un avenir proche.
À lire aussi
