IA générative et sciences de la vie

Ce billet de blog sera le premier d'une série consacrée à l'IA générative et aux sciences de la vie, en particulier ses implications sur le domaine et les services de traduction en sciences de la vie. Nous nous pencherons sur les technologies d'IA générative, comme ChatGPT et la MT neuronale. Nous exposerons également l'état actuel, puis livrerons un aperçu des cas d'utilisation d'IA générative potentiels dans nos secteurs.

L'état actuel de l'IA générative et des sciences de la vie

Vos connaissances sur l'IA générative sont probablement plus étendues que vous ne le pensez. Vous avez certainement entendu parler de ChatGPT, qui fait les gros titres depuis fin 2022. Il est également fort probable que vous ayez déjà interagi avec des chatbots alimentés par l'IA, même sans vous en rendre compte. Si vous avez « discuté » en ligne avec un agent d'un service client récemment, il ne s'agissait peut-être pas d'un humain.

Selon certaines estimations, environ 70 % des interactions avec un service client sont désormais entièrement gérées par l'IA. Facebook Messenger possède plus de 300 000 chatbots actifs. Cette tendance est particulièrement prononcée dans les secteurs tels que la vente en ligne. Nous allons voir pourquoi. Dans ces contextes, les requêtes des clients sont souvent :

• Simples
• Répétitives
• Relativement urgentes

Pour les demandes plus complexes, le savoir-faire et le jugement humains restent nécessaires. Cependant, les chatbots sont suffisamment doués en conversation pour effectuer une sorte de filtrage. Seuls les clients qui ne peuvent pas obtenir une réponse rapide et satisfaisante de l'IA bénéficieront d'une assistance humaine supplémentaire.

Les chefs d'entreprise et les investisseurs sont très attentifs à ces évolutions. Malheureusement, certains tirent des conclusions incorrectes. Les premières expériences semblent indiquer que l'IA peut être déployée dans des rôles limités, améliorant ainsi la disponibilité du service et les choix proposés aux clients. Malgré tout, il existera toujours des clients avec des problèmes complexes ou des préférences strictes. Une intervention humaine sera donc toujours nécessaire. Vous pouvez répartir les coûts plus efficacement grâce à l'IA, mais vous ne pouvez pas les éliminer.

Dans les sciences de la vie, les contraintes réglementaires et la culture axée sur la sécurité retardent habituellement l'adoption des nouvelles technologies. Cependant, l'innovation est l'élément vital du secteur. Pour les innovateurs comme pour les actionnaires, la technologie de l'IA, au potentiel de transformation impressionnant, ne peut être ignorée. L'IA pourrait-elle être utilisée pour atteindre les patients et les marchés plus rapidement ? Peut-elle être intégrée en toute sécurité ?

Lionbridge, un prestataire de services linguistiques travaillant auprès d'organisations leaders des sciences de la vie, se penche activement sur la question. Il s'avère que nous bénéficions d'un avantage important. Des outils tels que ChatGPT ont fait les gros titres récemment. Toutefois, les technologies sous-jacentes, les grands modèles de langage (LLM) et l'IA générative, ne datent pas d'hier. D'ailleurs, Lionbridge les utilise depuis des années. Nous avons accumulé une expérience considérable sur ce que ces technologies peuvent faire et ne pas faire. Nous explorons également activement ce qui pourrait bientôt être possible.

L'avenir de l'IA générative et des sciences de la vie

Nous avons appris de nombreuses leçons importantes au cours des années que nous avons passées à intégrer l'IA à des processus axés sur la qualité. À présent, nous voyons apparaître des schémas familiers dans d'autres secteurs. Là encore, les chatbots de service client constituent un exemple intéressant. Comme le découvrent les organisations qui déploient ces solutions, l'IA atteint son efficacité maximale lorsqu'elle élimine les frictions et accélère les décisions stratégiques par des experts humains.

Cela signifie-t-il que les outils d'IA ne peuvent pas être déployés sans une surveillance rapprochée ? Pas du tout. Cela signifie simplement qu'il faut faire des choix conscients. Il faut faire ces choix d'après la nature du contenu et les besoins de l'audience ciblée. Nous adoptons naturellement une approche classique si cette audience comprend des patients ou des organismes de régulation. Lorsque les résultats sont moins critiques, nous leur proposons des choix appropriés. Cette approche nous a été très utile et nous estimons qu'elle peut être répliquée à plus grande échelle.

Voici certains des domaines que nous allons explorer.

Analyse et classification de grands ensembles de contenu : les LLM et les systèmes de TA sont conçus pour détecter des schémas pertinents dans les volumes de données importants. Les chercheurs examinent déjà certaines applications relativement évidentes de ces technologies. Dans le domaine de l'imagerie de diagnostic, il est de plus en plus prouvé que l'apprentissage automatique peut tenir un rôle important. Plutôt que de remplacer la prise de décision des cliniciens experts dans ces contextes, l'IA est plus susceptible de la faciliter.

Rendre les données cliniques plus accessibles : récemment, les organismes de régulation et les groupes de défense des patients ont fait d'importants progrès pour s'assurer que les patients et les non initiés puissent accéder aux données cliniques et les comprendre, pour informer les décisions réglementaires et les choix de traitement des patients. La production d'informations fiables dans la langue appropriée, notamment, requiert des compétences spécialisées en communication scientifique et des connaissances sur les normes et bonnes pratiques pertinentes. Là encore, les systèmes d'IA sont peu susceptibles de remplacer bientôt cette expérience. Ils peuvent aider à augmenter l'étendue et le type de contenu accessible.

Découvrir ce que nous ne savons pas : la réalisation de méta-analyses de multiples études scientifiques est reconnue depuis longtemps comme un moyen de parvenir à des résultats statistiquement fiables à partir de plusieurs études dont les tailles d'échantillon, les méthodes ou les biais sont souvent sujets à controverse. L'une des limites évidentes de la méta-analyse est qu'elle ne peut trouver que les modèles qu'elle recherche intentionnellement. Les systèmes d'apprentissage automatique ont le potentiel d'identifier des schémas pertinents au-delà de ceux mesurés ou corrélés à dessein.

Détection de contenu et classification : l'un des défis que Lionbridge et ses clients rencontrent fréquemment est que les différents types de contenu requièrent différents services linguistiques. Ce défi est particulièrement présent dans les sciences de la vie. De nombreux services effectués pour le contenu réglementé (par exemple, avis de cliniciens experts) ne sont pas pertinents pour le texte marketing en ligne ou les manuels de formation internes. La classification et l'orientation de ces contenus vers les canaux de service appropriés nécessitent beaucoup de temps et de ressources qualifiées. Lionbridge se penche déjà sur l'élimination de ces inefficacités à l'aide de technologies d'IA. Ces évolutions devraient s'accélérer au cours des mois à venir.

Contactez-nous

Vous souhaitez en savoir plus sur l'IA générative et les sciences de la vie ? Vous souhaitez évoquer des cas d'utilisation potentiels de l'IA générative pour votre organisation ? Vous avez des besoins en matière de traduction pour le domaine des sciences de la vie ? Nous avons l'expérience, les connaissances et la technologie nécessaires pour vous aider. Contactez-nous dès aujourd'hui pour en savoir plus sur les services de Lionbridge en matière de traduction en sciences de la vie.