#86 – IA collaborative et application médicale avec Mathieu Even (INRIA INSERM)

Parles-moi d'Ia.

Mesdames et messieurs, bonjour.

Je suis un super-ordinateur Karl,

cerveau analytique de recherche et de liaison.

C'est une machine qui ressent les choses.

On nous raconte n'importe quoi sur L'IA.

Alors, qu'est-ce que tu en dis, Kit ?

Moi, je n'en dis rien du tout.

La créativité, elle reste du côté de l'humain.

Parles-moi d'l'IA présentée par Serge Abidoul.

Bonjour à toutes et à tous.

Je suis au micro pour l'animation de cette émission.

Je suis encore un peu en rodage.

Alors, soyez tolérants pour les nombreuses bêtises

que je vais sûrement accumuler.

Aujourd'hui, on va parler d'apprentissage automatique fédéré.

C'est normal si vous n'avez aucune idée de ce que c'est.

Nous allons le faire avec un spécialiste du domaine,

Mathieu Even, qui a passé récemment une thèse

en mathématiques appliquée et en informatique

à l'École normale supérieure de Paris.

Il fait partie de l'université PSL.

Alors, accordez-vous 30 minutes pour interroger une nouvelle fois

ce que provoque l'éruption de l'intelligence artificielle

dans nos vies d'un point de vue social,

culturel, éthique, technique, politique et tout.

Cause Commune 93.1 FM.

Vous êtes bien sur Cause Commune, la voie des communs, la voie des possibles.

Vous nous écoutez sur le web cause-commune-o-singulier.fm

et sur son app mobile.

Sur la bande FM à Paris sur 93.1 et sur le DAB+,

en podcast sur votre plateforme préférée.

Chers auditeurs, si vous appréciez Parlez-moi d'IA,

vous pouvez nous aider en likant et en partageant notre émission.

Cela nous fait connaître car ça manipule les algorithmes et...

C'est cool de manipuler un algorithme.

Vous écoutez, parlez-moi d'IA.

Quand on m'a signalé le travail de Mathieu Heven

sur l'apprentissage automatique fédéré,

je me suis dit qu'il fallait qu'on parle de ça.

On critique beaucoup l'hypercentralisation des data centers d'IA,

leur pillage de données même privée, comment y remédier ?

Et bien voilà, Mathieu a des réponses.

Mais attention, ce n'est pas simple et cela conduit à des sujets durs,

notamment d'informatiques distribuées.

Alors, en voiture avec Mathieu Heven, qui est chercheur à Inria, à Montpellier.

Bonjour Mathieu. Merci d'être à distance avec nous.

À Montpellier, pour l'émission « Parlez-moi d'IA ».

Peux-tu nous dire rapidement quel est le parcours

qui t'a conduit à une thèse de maths appliquée et d'informatique ?

C'est bien ça ? Et d'où tu viens ?

Bonjour, je suis Serge.

Merci beaucoup à toi pour l'intérêt de me recevoir.

Je suis bien employé à l'Inria.

Et moi, mon parcours est, somme toute, assez classique en France,

en sciences et en recherche, au moins.

Donc, après, un lycée avec un bac F,

donc je fais pas, et ensuite l'école normale supérieure à Paris,

qui m'a mené à faire une thèse, après des études en maths,

sur les sujets que j'ai mentionnés précédemment.

Et ce qui m'a mené à faire une thèse en particulier,

ça n'est pas venu de suite, mais c'est de fil en aiguille,

les intérêts, les presseurs qui m'ont mené petit à petit vers ça.

On va envoyer les doucement, parce que c'est quand même assez technique.

On va peut-être commencer par un petit rappel.

On peut vraiment pas expliquer ça en détail,

mais rapidement, est-ce que tu pourrais nous rappeler

ce que c'est que l'apprentissage automatique ?

En partant de loin, l'apprentissage automatique,

on peut vous dire, en vu que le nombre d'émissions, c'est, par exemple, l'IA,

c'est une soutage de l'IA.

Si on voit l'IA, l'intelligence artificielle,

comme le domaine qui vise à donner à des systèmes, à des ordinateurs,

une capacité pratique.

Dans cette tâche qu'il y a, l'apprentissage automatique,

c'est un outil qui vise à donner cette capacité à les machines

à apprendre à partir de données.

C'est en quelque sorte une méthode pour l'IA avec plein de domaines en soi.

Et la question du comment du pouvoir de l'apprentissage automatique,

ça se résout en général en plusieurs étapes.

La première, c'est avoir des données.

Et la deuxième, c'est utiliser les données.

C'est-à-dire créer un modèle que l'on peut paramétrer,

c'est-à-dire lui donner une certaine forme.

Et avec les données, l'apprentissage automatique va, en quelque sorte,

modeler cette forme.

Je ne sais pas si une autre forme est la plus adaptée,

faire des mises à jour de cette forme pour, petit à petit,

coller au mieux aux données entre entrée et réponse.

C'est vraiment données.

Et après, il y a pas mal de méthodes qui permettent de nombreuses méthodologies

donc donnent différentes formes.

Et après, on sort que t'as un match entre les entrées et les sorties des données.

Donc, à l'arrivée, on a un logiciel qui est un modèle qui a appris,

le plus possible, à faire comme ce qui est montré dans les données.

On a à peu près compris ça.

Peut-être pas la première fois que les gens l'utilisent,

mais je pense que c'est bien entendre cette notion,

mais c'est bien de la réentendre.

Alors maintenant, on va zoomer un peu sur ton travail à toi.

À l'intérieur de ce domaine de l'apprentissage,

il y a ce que tu as étudié dans ta thèse qui est l'apprentissage fédéré.

Tu peux nous dire un peu ce que c'est ?

Dans l'apprentissage fédéré, il y a un domaine intéressant, en fait.

Entre 2015 et 2020, le terme fédéré a émergé dans l'apprentissage automatique.

Ça permet, du coup, quand on a des données,

de faire en sorte de faire de l'apprentissage automatique

sans avoir à centraliser les données.

Ce qui est hyper intéressant dans l'apprentissage automatique moderne,

car la quantité de données est de plus en plus grosse

et plus on a de données, plus le modège qu'on a entraîné ensuite est efficace.

L'apprentissage automatique fédéré cherche à faire comme si on était

en apprentissage automatique centralisé,

c'est-à-dire on a toutes nos données accessibles sur notre machine.

On peut faire notre apprentissage automatique classique,

ce qui a été fait des décennies avant l'apprentissage fédéré,

mais sans centraliser les données.

Le but, c'est de répondre aux enjeux récents de confidentialité des données.

Les enjeux de confidentialité qui peuvent venir des institutions

avec des lois comme le RGPD ou même des utilisateurs

qui veulent avoir confiance aux institutions qui demandent des données.

Si je comprends bien, j'aime beaucoup l'idée.

On n'a pas tous besoin de mettre toutes nos données

dans un immense data center contrôlé par Google ou Meta ou un autre.

Chacun peut un peu garder ses données et on va arriver collectivement,

si j'ai bien compris, à apprendre à partir de ces données,

à être capable de construire un modèle

comme ce qu'ils font dans leurs gros data centers,

mais en gardant un peu chacun de nos données chez nous.

C'est ça, si j'ai bien compris ?

Exactement, c'est ça la philosophie, c'est un peu l'idéal à atteindre.

Faire comme si on était tous une entité extrêmement forte,

avec énormément de données, sans qu'on s'agrège toutes ces données.

Mais ce n'est pas si simple.

Il y a énormément de difficultés pour arriver à cette idée-là.

La première, la confidentialité, si j'ai un esprit, c'est la confidentialité.

Si on veut vraiment garder les données confidentielles,

on ne devrait pas prendre nos modèles dessus.

Faire apprendre un modèle sur les données,

ça libère des fuites de confidentialité

quand après on donne nos modèles publics.

Par exemple, j'ai signé un...

Maintenant, c'est facile d'expliquer avec des modèles comme l'HGPT

où on peut retrouver des informations qui sont faites, protégées par l'RGPD.

J'ai bien compris. Moi, j'ai mes données personnelles dans mon chez-moi.

Je fais tourner un petit modèle dessus, je vais le passer à mes voisins.

Quand je passe ce modèle à mes voisins,

il y a des risques de faire fuiter mes données.

C'est bien ça le cœur du problème ?

Exactement. C'est un des gros problèmes du fédéré,

de l'apprentissage fédéré.

Par exemple, si on apprend un modèle sans tes données

ou un modèle avec tes données, ce n'est pas le même modèle.

Donc en faisant des modèles qui sont quand même très sophistiqués,

on peut retrouver tes données en différenciant les deux scénarios.

Comment on fait pour les protéger ?

Du coup, il y a des notions qui ont été pas mal étudiées entre 2000 et 2010,

vite dans ces années-là,

comme la coût financier différentiel qui, en faisant à la fois du fédéré

et en bruitant un petit peu ce que tu envoies aux autres entités,

tu peux te protéger de ces attaques.

Et l'apprentissage fédéré amplifie en quelque sorte la confidentialité

de tes données à partir du modèle que tu as à la fin.

Mais ça ne risque pas.

Donc je vais mettre du bruit dans les modèles que je passe à mes voisins,

si j'ai bien compris.

Et ça ne risque pas de résulter dans une perte de précision,

dans l'introduction d'erreurs, dans les données ?

Exactement. C'est un des sujets clés en financier différentiel.

C'est comment faire en sorte et optimiser ce trade-off entre utilité,

donc à quel point le modèle que tu apprends marche en quelque sorte,

et confidentialité.

Si tu veux, 0 confidentialité, tu ne mets 0 bruit.

Mais si tu veux, et t'as l'autre extrait,

où tu mets énormément de bruit dans tes données,

ce qui revient à ne pas avoir d'utilité dans ton modèle.

Mais il y a un peu un trade-off optimal entre les deux.

D'accord.

Et plus tu as de données en fait aussi.

Plus tu agrèges le digitiseur, plus le trade-off est bas,

et en fait, plus ça fait comme si on apprenait sans bruit.

D'accord.

Maintenant, je vais essayer de décliner un peu de ce que j'ai lu de ta thèse.

Il y a un sujet qu'on retrouve un peu dans ta thèse,

c'est les questions d'asynchronie et de distribuer.

Tu peux nous dire un petit peu,

c'est possible de faire passer un peu aux auditeurs ces deux notions,

mais comment elles se placent, quelles sont les difficultés

qui s'introduisent avec ces sujets-là ?

La première thèse, ce sont deux points qu'il est de l'apprentissage fédéral.

J'ai parlé avant plutôt de confidentialité différentielle,

car c'est plus naturellement de la question de la confidentialité.

En fait, quand on apprend à partir de données qui sont décentralisées,

sur des utilisateurs décentralisés,

on a besoin de faire plein de communication entre ces entités elles-mêmes,

et entre ces entités, et un serveur central qui centralise un modèle.

Il y en a.

Ça pose plusieurs problèmes, la première est l'asynchronie.

Quand on enseigne un modèle, on fait plein de petites opérations.

Dans l'apprentissage fédéral, toutes ces petites opérations se font

sur chaque utilisateur qui a ses propres données,

qui ensuite, après chaque petite opération,

l'envoient à tous les autres utilisateurs sur une idée centrale.

Si toutes ces opérations sont parfaitement synchrones,

ça fait un peu comme si on était en apprentissage centralisé,

c'est-à-dire qu'on avait toutes les données agrégées au même endroit.

Mais en fait, le fait d'avoir des délais et des opérations non-synchrones

font qu'on a pas mal d'incertitudes, en fait, qu'on a à la fin.

Et on y arrive quand même avec à obtenir un bon modèle

de façon complètement asynchrone ?

Du coup, oui.

On peut, en utilisant les techniques qui permettent de...

En fait, on peut voir que l'asynchronie,

le fait d'avoir des opérations qui ne se font pas en même temps

comme une sorte de bruit.

Mais il y a pas mal de méthodes qui permettent de mitiger ce bruit.

Par exemple, si par exemple, on a une opération qui est vraiment trop en retard,

on peut dire, bon, quelqu'un arrive trop en retard,

on peut juste l'enlever, et après, on a un peu des...

Des schedules qui font qu'à la fois, on peut avoir de l'insynchronie,

mais on enlève tout ce qui fait que notre modèle a la fin de s'appuyer.

Donc ça, c'est un des premiers aspects, donc la synchronie.

Et le deuxième aspect, donc tu parlais de distribuer,

donc c'est données décentralisées,

on peut avoir aussi un modèle décentralisé.

Et dans ce cas-là, on peut voir nos agents comme nos utilisateurs,

comme plein de petits ordinateurs qui se parlent entre eux,

et il n'y a aucune unité centrale qui possède donc un modèle centralisé.

Et dans ce cas-là, c'est comme si on avait une sorte de graphe

d'utilisateurs qui se parlent les uns aux autres,

où on parle, dans ce cas-là, d'algorithmes de comérage,

qui comèrent un peu entre eux,

aux modèles, aux utilisateurs qui sont proches d'eux.

En comérant, en fait, ils arrivent à un consensus,

c'est-à-dire qu'ils apprennent un modèle qui est commun à tout le monde

à partir de nous et tout le monde, comme si on était centralisé.

Donc ça, c'est une couche de difficultés supplémentaires

par rapport aux opérations asynchrones.

Si on ajoute la difficulté supplémentaire,

qu'en fait, on n'a pas d'unité centrale qui possède un modèle

sur lequel tout le monde est d'accord.

Bon, super. Moi, je trouve que ça fait vraiment rêver,

cette idée d'être capable de faire de l'apprentissage automatique

sans avoir des énormes data centers qui concentrent toutes les données du monde.

Ça fait rêver, on pourra en parler pendant beaucoup plus longtemps,

mais il y a une deuxième partie de ton travail que j'aimerais qu'on aborde,

c'est celui que tu fais depuis la fin de ta thèse.

Et donc, peut-être que tu pourrais nous expliquer rapidement ce que tu fais maintenant,

ce que tu as fait en postdoc et ce que tu fais maintenant en ce moment dans ton nouveau travail.

J'ai fait un postdoc d'une année, donc encore à l'INRIA,

mais dans un autre... Ma thèse, j'étais à l'INRIA, à Paris.

Là, je suis à Montpellier, donc dans l'unité Inneria Inserm.

Donc l'Inserm, c'est un centre de recherche comme l'INRIA, donc partout en France,

mais axé sur la médecine et non sur l'informatique.

Et notre équipe de recherche est à l'interface entre informatique,

donc à travers l'INRIA et la médecine, à travers l'Inserm.

Donc j'ai fait mon postdoc dans une équipe entre les deux sur du coup de l'inférence causale,

dont le but, dans le cadre de mon postdoc, est de quantifier le fait d'un traitement.

Alors on va aller doucement, tu vas nous dire un petit peu ce que c'est que cette inférence causale.

Donc l'inférence causale, pour quantifier l'effet d'un traitement,

c'est d'aller au-delà des corrélations.

Donc le principe, c'est qu'on a des patients qui ont été traités ou non traités par un médicament,

et notre but, c'est de quantifier à quel point le traitement est bon ou débité.

Donc pour ça, on pourrait se dire, on va faire la moyenne, par exemple,

compter le nombre de personnes qui ont survécu parmi les traités,

le nombre de personnes qui ont survécu parmi les non traités,

et si c'est significativement supérieur parmi les traités,

le nombre de personnes qui ont survécu à une maladie avec un certain traitement,

alors on peut dire que notre effet de traitement va être positif et on peut quantifier cela.

Sauf que, en fait, ça, c'est de la corrélation, dans le sens où si, par exemple,

le traitement n'a été donné qu'à des personnes jeunes, par exemple,

on pourrait penser à hydroxychloroquine pour le COVID-19,

c'est dans certaines études, le traitement est donné qu'à des personnes jeunes qui répondent bien,

donc on aura un biais, et on peut penser qu'un médicament est bon pour un traitement,

qu'un traitement est bien pour une maladie, alors qu'en fait, il pourrait être délétère.

Donc, c'est là qu'on fait la causalité, où on modélise ceci grâce à des outcomes potentiels,

donc on se crée un monde parallèle dans lequel un patient traité n'aurait pas reçu le traitement,

et on modélise dans ce monde parallèle ce qui se serait passé,

donc un peu avec des outils d'apprentissage automatique,

et ce qui permet de quantifier sans dire, comme je vous le présentais précédemment,

l'effet du traitement. C'est un peu ça, la base de l'inférence causale.

Mais d'un point de vue statistique, le problème, est-ce que c'est pas que

on n'a pas forcément suffisamment de données pour ce qui concerne un type de maladie,

un type particulier de patient, ou un pays particulier ?

C'est pas ça la difficulté d'arriver à trouver de la causalité

quand il n'y a pas forcément suffisamment de données précises ?

Ça, c'est une très très bonne question.

Dans ce qu'on fait de nous, en ce moment, c'est vraiment les données.

On n'a pas assez, et c'est en général, de pas assez bonne qualité.

Le type de données qu'on a, ce sont des données issues d'essais cliniques,

des patients pour lesquels le traitement est tiré au sort,

donc on a un traitement A ou traitement B, donc on tire une pièce.

Donc ça, ce sont des données de très bonne qualité,

dans le sens où il n'y a pas de corrélation entre le traitement et le patient,

comme ce que j'expliquais tout à l'heure avec l'eroxychloroquine, par exemple.

Donc ça, c'est des données de très bonne qualité, mais on en a très peu.

Mais c'est randomisé, c'est en général une dizaine ou une centaine de patients,

c'est pas puissier sur lesquels on ne peut pas forcément faire de panistage automatique.

Donc on a ce type de données, et les données d'hôpitaux,

qu'on appelle Electronical Health Records,

donc c'est toutes les données observationnelles des hôpitaux de patients qui sont venus,

et les données de traitement avant traitement, et ensuite qui se passent ensuite.

Donc ces données, par hôpital, on a un certain nombre de patients,

mais là où la question est très intéressante,

en fait, ça relie un peu la notion d'apprentissage fédéré avant,

dans le sens où par hôpital, le nombre de données est plus grand que, par exemple,

si vous avez un essai randomisé,

mais idéalement, vous allez avoir accès à toutes les données de tous les hôpitaux possibles,

pour avoir un peu comme ce qu'il fait, par exemple, pour entraîner des gros modèles,

donc un jeu de données, c'est gros.

Mais ce n'est en fait pas possible, du coup, en l'État, par exemple, en France,

aujourd'hui en 2025, notamment en raison des questions de confidentialité,

il y a du RGPD qui rend ce genre d'entraîner des données médicales impossibles.

Du coup, heureusement, d'ailleurs, c'est un gros frein, du coup, en termes de données.

D'accord, donc ça, c'est un petit peu...

Alors, peut-être, tu as préempté la question que j'allais te poser après,

c'est, est-ce que ça, ça indique un petit peu pourquoi tu es passé de ta thèse

sur l'optimisation distribuée jusqu'à ton travail maintenant en médecine,

sur l'inférence causale ? C'est un peu ça, l'explication ?

C'est que finalement, les techniques que tu as développées dans ta thèse

sont intéressantes pour cette application particulière ?

Alors, oui et non.

Alors, oui, effectivement, l'apprentissage fédéré, en général,

peu très utile dans notre cas, sur l'inférence causale fédérée.

Donc, on a un peu des axes de recherche là-dessus dans notre équipe à Montpellier.

Mais ce n'est pas forcément ça qui m'a fait aller vers l'inférence causale,

c'est plutôt le fait que l'apprentissage fédéré,

donc les applications médecines de l'apprentissage fédéré,

étaient celles qui motivaient un peu ma thèse, au départ,

mais dans ma thèse, sans toucher aux données,

sans avoir d'application directe.

Ce que je fais depuis mon post-hoc, donc l'apprentissage causale,

l'inférence causale, pardon, c'est être beaucoup plus proche de données,

avoir un peu un aspect plus pratique et avoir plus proche des applications.

Donc, c'est un peu oui et non, j'ai envie de le dire.

OK, on va rester un petit peu dans ce passage

entre l'informatique, l'application médicale.

Quand on fait ce genre de travail, c'est de façon évidente, pluridisciplinaire.

Alors, j'ai une question sur laquelle la réponse peut être rapide,

c'est est-ce que tu as fait des études de médecine ?

Et surtout, ce qui m'intéresse, c'est comment ça se passe,

les interactions avec les médecins, les interactions avec les patients,

si tu interagis avec les patients, pour un informaticien.

Dans une équipe de recherche qui parle de définition et mixte,

tu m'as dit que c'est une RIAA INSERM, comment ça se passe vraiment ?

Alors, non, je n'ai pas fait médecine.

Et ensuite, pour la suite, c'est un peu plus long, du coup, la réponse.

Notre équipe est une RIAA INSERM, mais on en fait peu de médecins dans l'équipe.

On a de chercheurs INSERM,

mais qui ne sont pas au jour au jour avec nous dans notre laboratoire.

Ils ne sont pas forcément avec eux, qu'on collabore en direct,

mais on collabore en revanche avec des médecins,

avec je pense quand même un vivier en termes de médecins.

C'est-à-dire, ce sont plutôt des médecins qui sont intéressés par ce qu'on fait.

Donc, l'inférence causale,

pour aller un peu plus loin dans le côté informatique de ce qu'ils font.

Et dans les études, pour aller un peu plus loin et quantifier,

et utiliser un peu de l'IA dans ce qu'ils font.

Donc, on a quand même un gros biais.

Et on ne parle pas, en revanche, dans nos projets avec des patients.

Et donc, sur la question comment est-ce que ça se passe, du coup, avec les médecins.

Donc, il y a quand même une différence de langage, en fait,

entre informaticiens et médecins,

dans le sens où on doit parler leur langage

afin de motiver les applications des méthodes que l'on développe.

Donc, c'est un peu, du coup, ce qu'on fait, on doit le faire un peu à deux étages.

Notre travail, c'est développer des méthodologies,

par exemple, c'est un exemple parmi d'autres,

pour quantifier l'effet d'un traitement.

Donc, on le fait de manière mathématique.

Puis, on élève le côté informatique aussi.

Donc, c'est à l'interface entre mathématique appliquée et informatique.

Ensuite, il y a le deuxième travail, en parallèle,

qui est plus un travail de vulgarisation,

si on veut que ce soit accepté par un médecin

ou un deux-statisticiens en hôpital.

Toujours un petit peu dans cette même veine.

Ce qui m'a un peu surpris, quand j'ai regardé ce que tu avais fait,

c'est que pour un jeune chercheur, tu as quand même déjà touché plusieurs sujets,

alors qu'en général, les chercheurs sont quand même plus stables.

Ils commencent à travailler sur un sujet, puis il reste un certain temps.

Toi, tu as déjà touché plusieurs sujets.

Tu as même montré que tu étais quand même assez indépendant dans ta recherche.

Est-ce que tu penses que tu vas continuer comme ça ?

Est-ce qu'il y a d'autres sujets de recherche qui t'attirent ?

Est-ce que tu as envie de continuer à investiguer de nouvelles directions ?

Ou là, tu penses que pendant quelque temps,

tu as un sujet qui est dur, qui va te prendre un peu la tête pendant un certain temps ?

Je pense que je serai plus stable, du coup, dans l'avenir à moyen terme.

Je pense avoir trouvé des sujets qui m'intéressent

et qui puissent m'intéresser pendant un certain temps,

de par leur application et de par le fait que pour les...

afin de les mener pas bien, donc nos histoires de médecine personnalisée,

de quantification à effet de traitement,

ce serait difficile de changer régulièrement de sujets, je pense.

Il y a un peu une histoire de marteler ce qu'on fait.

Ça serait compliqué. C'est pas forcément comme ça qu'il faudrait le formuler.

Il y a un peu de...

De convaincre.

Oui. En gros, il faut convaincre.

Et aussi, le fait que ça m'intéresse beaucoup.

Donc, je pense beaucoup continuer sur ces histoires-là tout en mêlant...

Donc, j'ai des projets de recherche aussi que j'ai lancés récemment

dans de la plus-financialité.

Du coup, comment garder nos données à confidentiel

et comment évaluer la confidentialité permanent.

Donc, c'est un peu ces deux axes-là sur lesquels je travaille,

sur lesquels je compte travailler à l'avenir.

Alors, la question de la médecine personnalisée,

ça fait quand même beaucoup rêver.

On nous présente ça comme un idéal.

Il y a pas mal de gens qui ont l'air de travailler dessus.

Est-ce que tu penses qu'on va pouvoir...

On va voir ça arriver dans les prochaines années,

disons les 4, 5 prochaines années.

Et quels sont les verrous scientifiques les plus difficiles pour toi à lever ?

Alors, oui, il y a énormément de verrous.

Et alors, 4, 5 ans, moi, je pense qu'il y a un peu d'incroyance personnelle.

Moi, je n'y crois pas, du coup, à aussi court terme, en tout cas.

La médecine personnalisée, pour revenir au terme,

c'est en fait, un patient arrive à l'hôpital.

Donc, il donne ses...

À partir de lui, on a des données, on a une maladie,

on sait quel traitement il faut lui donner, avec quel...

Donc, c'est un peu ça, la philosophie derrière la médecine personnalisée.

Enfin, il y a énormément de tâches derrière.

Donc, côté scientifique, il y a pas mal de verrous,

dont le premier serait, je pense, les données.

Donc, comme je l'ai dit avant, on a un peu de données

pour entraîner des modèles d'IA.

Et ensuite, il y a le verrous méthodologique.

Donc, comment est-ce qu'on fait pour donner le bon traitement à la bonne personne ?

Comment est-ce qu'on résout ce type de problème ?

Et ensuite, je pense qu'il y a aussi un gros verrous.

Donc, ensuite, même si les questions peuvent être résolues,

donc le verrous, ensuite, d'acceptabilité.

Donc, est-ce qu'on veut vraiment que ce soit comme ça ou pas ?

Et est-ce que l'idéal peut être atteint ?

Autre question, Mathieu.

Alors là, c'est une question, quand je regarde beaucoup autour de moi,

j'ai vu beaucoup de doctorants, y compris les miens,

partir pour méta au Google

parce qu'on les attire avec des salaires énormes

et puis surtout des conditions de travail qui sont pas si mauvaises que ça.

Est-ce que ça t'a tenté d'aller travailler pour méta au Google ?

Comment tu as choisi de travailler dans un centre de recherche en RIA, INSERM ?

Alors, ce n'était pas forcément évident.

Du coup, en dernière année de thèse,

c'est un peu le gros questionnement de la dernière année de thèse de tout le monde.

Donc, alors, je n'ai pas cherché à travailler chez méta au Google,

mais j'ai contacté pas mal d'entreprises pour travailler dans du privé,

plutôt des entreprises en médecine personnalisée avec applications médicales.

Et en parallèle, du coup, j'ai eu cette opportunité de travailler dans mon équipe à Montpellier,

dans un postdoc qui était en fait un postdoc qui était à la fois

dans un centre de recherche public à Montpellier,

mais aussi en collaboration avec des entreprises, une entreprise en particulier.

C'était un peu entre les deux pour répondre aux questions que je me posais à la dernière année de thèse.

Et donc, la suite, en fait, de travailler dans un institut public,

c'est vraiment, ça qui me plaisait, du coup, comme j'ai eu cette opportunité d'acheter ça.

Bon, c'est l'heure de conclure.

Merci, Mathieu, pour ce partage de tes connaissances, de tes expertises, de tes passions.

Ça a été super sympa de vivre ça avec toi.

J'espère que les auditoristes ont bien dans la tête que pour l'apprentissage automatique,

le chemin pris par CHGPT, l'AMA, Géminy, Mistral et les autres

n'est pas le seul chemin possible, c'est ce que tu as étudié dans ta thèse,

et puis qu'il y a des énormes possibilités en médecine.

Trop merci, Mathieu.

Merci Serge, au revoir.

Merci à vous, chers auditoristes.

Si cette émission vous a plu, n'hésitez pas à utiliser votre grand pouvoir.

Likez et partagez, cela stimule l'algorithme pour nous proposer à d'autres et surtout,

laissez-nous vos commentaires et impressions sur Apple podcast, Spotify ou LinkedIn,

car cela nous fait extrêmement plaisir d'avoir vos retours.

Restez sur 93.1fm sur Cause Commune et à bientôt.