Introduction pratique à l’IA générative pour médecins
L’IA générative est partout : dans nos outils, nos conversations, notre travail et même nos décisions. Mais de quoi parle-t-on vraiment quand on parle d’IA ?
Qu’est-ce que l’IA générative ?
On entend le terme « IA » partout, mais c’est un concept dont les contours restent souvent flous. Sans entrer dans une définition trop formelle ou philosophique, on peut résumer simplement : l’IA est une forme d’apprentissage automatique à partir de données.
Traditionnellement, quand on programme un ordinateur, on lui donne des règles explicites : si telle situation se produit, alors fais ceci. Avec l’IA, l’approche est différente. On ne lui explique pas comment raisonner étape par étape. On lui donne une grande quantité de données et un objectif, et on la laisse apprendre des régularités par elle-même.
L’IA générative est un sous-domaine de cette famille. C’est le type d’IA dont fait partie ChatGPT. Au lieu de simplement classer des données (par exemple : malade / non malade), elle produit du contenu : du texte, des images, du code, etc.
Comment ChatGPT est-il entraîné ?
Le principe de base est étonnamment simple.
On fournit au modèle une quantité massive de textes issus d’Internet. Puis, on lui donne une tâche : prédire le mot suivant dans une phrase à partir du début de la séquence.
Par exemple, si on lui donne :
« Au début elle aura que la… »
Le modèle apprend progressivement quelles suites de mots sont probables en fonction du contexte. En répétant cet exercice des milliards de fois, il capte des relations entre mots, phrases et idées.
On ne rentrera pas plus loin dans la théorie ici, mais deux conséquences importantes découlent de cette méthode :
La tendance à vouloir toujours continuer une phrase ou une idée.
Le modèle est conçu pour compléter des séquences, même quand il ne devrait peut-être pas le faire.
Le problème des hallucinations.
Une hallucination, c’est quand l’IA produit une réponse qui semble plausible… mais qui est factuellement fausse.
Cela arrive notamment quand on lui pose une question sur un sujet très niche, mal documenté ou absent de ses données d’entraînement. Ne « sachant pas » qu’elle ne sait pas, elle va quand même générer une réponse cohérente, quitte à inventer.
(Important : il ne faut pas personnifier l’IA. Elle ne « ment » pas et ne « comprend » pas au sens humain ; elle prédit des suites de mots.)
Il existe aujourd’hui de nombreuses techniques pour améliorer les modèles et réduire ces hallucinations, mais elles ne les éliminent pas complètement.
Des tests que tout le monde devrait faire
Avant de faire confiance aveuglément à l’IA , ou au contraire de la rejeter en bloc, il est utile de la tester soi-même. On peut prévoir, en partie, sur quels sujets elle sera bonne ou non.
1) Des connaissances que l’on maîtrise bien et qui sont largement disponibles en ligne
Par exemple :
traitements standards
médicaments courants
recommandations générales
Ces sujets sont très documentés sur Internet. L’IA restitue souvent ces informations correctement et de manière synthétique. Beaucoup de gens sont alors impressionnés et ont l’impression qu’elle « sait tout mieux qu’eux ».
C’est normal : sur des sujets bien couverts par ses données, elle est très performante.
2) Des connaissances que l’on maîtrise bien, mais qui ne sont pas formalisées en ligne
Ici, on touche aux limites :
raisonnements cliniques acquis avec l’expérience
nuances pratiques apprises « sur le terrain »
situations courantes mais peu décrites dans la littérature
C’est souvent là que l’IA montre ses approximations. Elle peut :
simplifier à l’excès,
manquer de subtilité,
ou même inventer des références si le sujet est trop spécifique.
3) Des domaines difficiles pour nous, mais bien documentés
Par exemple :
textes de loi
réglementation
programmation
Statistiques
C’est à mon avis l’un des usages les plus intéressants de l’IA : elle peut aider à comprendre des domaines complexes, à condition que l’on accepte un certain risque d’erreur.
Comprendre et provoquer les hallucinations
Une compétence clé quand on utilise l’IA est d’apprendre quand et pourquoi elle se trompe.
Il est même utile de chercher volontairement des situations où elle hallucine :
informations inventées
amalgames entre concepts
réponses trop catégoriques alors que la science est incertaine
L’importance des sources
On peut, et on devrait demander des sources. C'est comme ça que je l'utilise souvent, un google amélioré qui comprends mieux ce que je cherche.
Mais attention :
il faut vérifier qu’elles existent réellement,
vérifier qu’elles sont pertinentes,
et vérifier qu’elles correspondent exactement à la question posée.
Exemple classique :
Une question sur le risque d’AVC pendant la grossesse peut amener l’IA à citer des articles sur le post-partum, comme si c’était la même population, ce qui est faux.
Règle générale : plus la situation est niche ou spécifique, plus le risque d’hallucination augmente.
Reformuler pour réduire les erreurs
La façon dont on pose une question change profondément la qualité de la réponse.
Exemple :
❌ « Puis-je donner ce traitement dans cette situation clinique ? »
✅ « Quels sont les risques associés à ce traitement dans cette situation ? »
Pour une même problématique, on peut :
reformuler la question,
demander explicitement des sources,
préciser la population, le contexte et le cadre temporel.
Savoir bien formuler une demande (le prompt) devient une véritable compétence, y compris en médecine.
Quelques notions techniques utiles
Zero-shot vs Few-shot
Zero-shot : l’IA répond sans exemple. Elle doit deviner seule le niveau de détail et le format attendu. Par exemple :
Fais-moi une prescription d’Ibuprofène.
Few-shot : on lui donne un ou plusieurs exemples du type de réponse souhaité. Par exemple :
Fais-moi une prescription d’Ibuprofène comme cette prescription de Paracétamol :
“En cas de douleur ou de fièvre (au-dessus de 38,5 °C), prenez 1 comprimé de 1 000 mg ou 2 comprimés de 500 mg toutes les 6h.
La durée du traitement est de 7 jours.”
Comme le modèle fonctionne par prédiction, plus on lui donne d’indications (exemples, format, contraintes), plus sa réponse sera pertinente.
Avec des exemples, l’IA comprend mieux :
le niveau de détail attendu,
le type de raisonnement,
le format de réponse.
Précautions sur les données de santé
Les plateformes généralistes comme ChatGPT ne sont pas conçues pour héberger des données médicales sensibles.
Il est raisonnable de considérer que :
les échanges peuvent être analysés,
certains contenus peuvent être relus,
et une partie des conversations peut servir à entrainer les modèles.
👉 Aucune donnée patient identifiable ne doit être utilisée. Les recherches récentes montrent que le IA mémorisent les données d'entrainement et peuvent les ressortir.
Modèles et systèmes : une distinction importante
Contrairement à ce que l’on croit souvent, ChatGPT n’est pas simplement “une IA”. C’est la combinaison de deux éléments :
1) Le modèle : le « cerveau »
C’est le réseau de neurones entraîné sur des données. Il peut produire des réponses, mais seul, il est assez limité.
2) Le système : les outils autour du modèle
C’est tout ce qu’on ajoute au modèle :
accès à Internet
capacité à manipuler des fichiers (Excel, code, etc.)
plugins ou bases de données spécialisées
Dans la pratique, le système est souvent plus important que le modèle lui-même.
Modèles, tailles et performances
Tous les modèles d’IA ne sont pas équivalents :
Certains sont petits, rapides et économes, mais moins précis.
D’autres sont très grands, plus lents et énergivores, mais plus performants.
Certains modèles utilisent même des mécanismes de raisonnement itératif : ils réévaluent et corrigent leurs propres réponses avant de les donner, ce qui améliore souvent la qualité finale.
Pour résumer
L’IA générative est un outil puissant, mais imparfait.
Elle est particulièrement utile quand :
le sujet est bien documenté,
la question est bien formulée,
et l’utilisateur garde un esprit critique.
Apprendre à tester l’IA, comprendre ses limites, reformuler ses questions et vérifier les sources sont des compétences essentielles, aujourd’hui et pour les années à venir.
Envie de discuter de l’IA, de ce qui n’est pas clair et de ce que vous souhaiteriez voir approfondi :
👉 Discussion
