Guide d’initiation pour les dermatologues : Utiliser l’intelligence artificielle ambiante dans votre pratique

Résumé

La reconnaissance automatique de la parole (RAP) est la technologie de base qui permet de convertir la langue parlée en texte écrit. Parmi ses points forts figurent la capacité à interpréter les voix, à identifier les différents intervenants dans une conversation et à suivre le déroulement d’un dialogue. Avec l’aide de formateurs humains, les systèmes de RAP peuvent encore améliorer et optimiser leurs performances à partir des rétroactions. Cependant, leur efficacité peut être limitée par des facteurs tels que des environnements bruyants, un mauvais positionnement des microphones ou des variations de dialectes et d’accents. Voir l’Annexe 1 pour les définitions des principaux termes liés à l’IA.

Les grands modèles de langage (GML) visent à combler les lacunes laissées par les systèmes de RAP en utilisant le traitement automatique du langage naturel (TALN) pour compléter les éléments manquants d’une conversation. En tant que forme d’IA générative, un GML prédit le mot suivant dans une séquence à partir des schémas appris dans ses données d’entraînement (Figure 1). L’objectif d’un GML est d’imiter le langage humain en identifiant quels mots sont susceptibles de suivre les autres selon le contexte fourni dans l’invite et l’entraînement antérieur. Les GML peuvent générer du contenu original et optimiser leurs sorties à partir d’une entrée humaine. Cependant, comme ils fonctionnent par prédiction de séquences de mots, ils ne savent pas si leurs sorties sont vraies ou fausses. C’est pourquoi, en réponse aux invites, les GML peuvent produire des réponses inexactes ou inventées, communément appelées « hallucinations ».

Les scribes d’IA ambiante, qui utilisent l’apprentissage automatique pour traiter les conversations en temps réel, présentent un potentiel prometteur pour : réduire la charge liée à la documentation, améliorer la qualité des interactions entre médecin et patient et soutenir les cliniciens dans leur pratique quotidienne. Lorsqu’ils sont combinés, les GML et les systèmes de RAP peuvent compenser mutuellement leurs limites, ce qui donne naissance à un scribe d’IA ambiante plus efficace et adapté aux milieux cliniques (Figure 2).