Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
Sofya
Sofya affine des modèles Llama pour alléger la paperasse des médecins au Brésil
Sofya, entreprise brésilienne d’IA pour la santé, a affiné les modèles Llama de Meta, à poids ouverts, pour structurer les dossiers patients et assister les médecins pendant les consultations. Les modèles tournent sur une infrastructure Oracle Cloud dédiée au Brésil. Sofya indique jusqu’à 30 % de temps en moins consacré à la documentation et aux tâches administratives par consultation, et un CSAT moyen de 90 %.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
jusqu’à 30 %
Réduction du temps consacré à la documentation et aux tâches administratives par consultation, selon Sofya1
90 %
Score moyen de satisfaction client (CSAT), selon Sofya1
Ce que cela a demandé
Le coût, la taille de l’équipe et le calendrier ne sont pas communiqués dans les sources.
Le problème
Les médecins consacrent une grande part de leur journée à la paperasse des dossiers médicaux électroniques plutôt qu’aux patients. Sofya, entreprise brésilienne d’IA pour la santé, voulait rendre ce temps aux médecins et aux hôpitaux du Brésil et d’Amérique latine.
Ce qu’ils ont construit
Sofya a développé un ensemble d’outils d’IA pour les prestataires de soins. Ces outils structurent les données issues des consultations, repèrent les éléments nommés dans les textes cliniques et répondent à des questions. La page d’étude de cas de Llama décrit un assistant clinique qui guide les médecins dans le recueil de l’historique du patient, signale les points d’attention et aide à rédiger des plans de soins. Llama est la famille de modèles à poids ouverts (open-weight) de Meta, c’est-à-dire que les fichiers du modèle peuvent être téléchargés et exécutés sur vos propres serveurs.
Comment ils s’y sont pris
Sofya a utilisé Llama 3.1 405B, le plus grand modèle, comme enseignant. Il a généré des données d’entraînement synthétiques de haute qualité, grâce à une technique appelée distillation des connaissances, associée à des consignes d’autoréflexion. Sofya a ensuite affiné, sur ces données, des modèles Llama plus petits de 70B, 8B et 3B. Affiner un modèle, c’est poursuivre son entraînement sur vos propres exemples. Les modèles plus petits répondent assez vite pour un usage en temps réel. Les modèles tournent sur des instances Oracle Cloud hébergées au Brésil, ce que Sofya présente comme une mesure de sécurité supplémentaire. Sofya prévoit aussi un agent Llama 70B qui utilise des outils et la recherche d’information, présenté comme n’étant pas encore en service.
Résultats
Sofya indique une réduction pouvant aller jusqu’à 30 % du temps consacré à la documentation et aux tâches administratives par consultation, et un CSAT moyen de 90 %. Elle affirme que les prestataires constatent de meilleurs processus de travail et une meilleure prise en charge des patients, et que Llama a apporté des économies et une plus grande précision, mais sans donner de chiffres pour ces points.
Enseignements pour votre projet
Utilisez un grand modèle pour en entraîner de petits. Sofya a employé son plus gros modèle Llama pour générer des données d’entraînement, puis a affiné des modèles plus petits qui répondent assez vite pour un usage en direct.
Gardez la maîtrise des données des patients. Les modèles à poids ouverts ont permis à Sofya de travailler sur ses propres instances cloud au Brésil, ce qu’elle considère comme une mesure de sécurité supplémentaire.
Visez une tâche que les cliniciens supportent déjà mal. Sofya s’est attaquée à la paperasse, qui occupe plusieurs heures de la journée de travail de nombreux médecins.
Considérez les résultats publiés par un fournisseur comme des affirmations. Demandez le point de départ et la méthode derrière un chiffre de gain de temps avant de bâtir un dossier de décision dessus.
Réserves
- Les deux sources sont publiées par Meta, éditeur de Llama. Meta précise que tous les résultats sont déclarés par l’entreprise elle-même et ne sont pas reproductibles de façon identifiable. Aucune partie indépendante ne confirme les chiffres.
- Le blog de Meta ne donne ni taille d’échantillon ni méthode pour les chiffres de 30 % et de 90 %. Le chiffre de 30 % est une borne supérieure (« jusqu’à »).
- La page d’étude de cas de Llama formule le gain de temps ainsi : 30 % de temps en moins sur la paperasse pendant les consultations. Cette fiche reprend la formulation du blog, qui comporte la précision « jusqu’à ».
- Le blog indique que Sofya est en passe d’atteindre 1 million de consultations par mois. C’est un objectif, pas un résultat, et il n’est pas utilisé comme indicateur.
- La date de déploiement est la date de publication du blog. Les sources n’indiquent pas quand les modèles ont été mis en service.
- Les versions de Llama proviennent de la page d’étude de cas. Le blog ne cite que les tailles des modèles.
Sources
- How Sofya is taking clinical reasoning to the next level with Llama
AI at Meta · 2025-03-05 · Étude de cas de l’éditeur · ai.meta.com
- Sofya | Llama case studies
Meta Llama · Sans date · Étude de cas de l’éditeur · llama.com
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.