- Santé
- IA
- Cas d'Usage
Utiliser l’IA dans l’analyse de données de brevets pharmaceutiques
Le Client
Groupe pharmaceutique
Contexte et objectifs
Notre client s’est engagé dans une initiative pionnière d’IA Générative dont le but est de traiter de vastes ensembles de données non structurées provenant de la littérature biomédicale.
L’objectif est substantiel, car il s’agit d’accroître le potentiel de découverte de nouveaux traitements pour les pathologies rares ou d’origine génétique.
Les données traitées proviennent de plateformes d’hébergement publiques – l’OEB – Office Européen des Brevets et le WIPO World International Property Organization – où les brevets se comptent en dizaines de milliers.
Résultat
- La solution apporte un gain de temps considérable aux Data scientists attachés au département R&D du groupe pharmaceutique.
- C’est un avantage concurrentiel majeur, car les équipes R&D bénéficient d’une plus value notable pour la recherche de nouveaux traitements.
Démarche / Dispositif
Notre solution IA permet de consolider des données disparates de par leur type, leur provenance ou encore la raison de leur parution dans la littérature biomédicale, en un tout structuré regroupant les informations ciblées.
Nous avons opté pour une solution qui se focalise sur certains pans de la littérature, afin de miser sur la qualité de la donnée structurée fournie aux équipes R&D plutôt que sur son exhaustivité.
Ces données structurées constituent une nouvelle source de connaissance pour les algorithmes utilisés par le service R&D. C’est un véritable levier pour de potentielles découvertes scientifiques.
Etant donné le volume de données – plus de 20 ans de littérature scientifique – la diversité de sources et de typologies, la solution IA ne se résume pas à une interaction simple avec un LLM (Large Language Model). On utilise des techniques d’interaction avec les LLM reposant sur plusieurs agents IA qui forment une équipe, où chacun est assigné à une tâche spécifique et dispose d’outils pour ce faire.
Valeur Ajoutée Silamir Group
Les solutions AI peuvent présenter un risque budgétaire, car elles s’appuient généralement sur l’utilisation d’API payantes. Chez Silamir, nous sommes conscients de cette problématique et adoptons une vision FinOps pour encadrer le coût de nos solutions.
Pour l’hébergement de la solution, nous préconisons des modèles open source pour s’affranchir de la dépendance aux API payantes et maîtriser les coûts.
