Les données sont essentielles au fonctionnement des solutions basées sur l’intelligence artificielle. Mais ce n’est pas seulement le volume de données : ce sont aussi tous les éléments contextuels qui comptent.
« Les organisations qui traitent les données comme un inventaire brut seront à la traîne par rapport à celles qui les affinent en informations exploitables », comme le dit un blog de Google Cloud. « La clé est de comprendre la signification de ces données et de les appliquer à de véritables décisions commerciales. »
Voici cinq questions qui peuvent aider à clarifier pourquoi le contexte des données est un ingrédient clé du succès de l’IA.
1. Quelle est la différence entre les « mauvaises données » et les données sans contexte ?
Les mauvaises données sont visiblement brisées : valeurs erronées, signes vitaux manquants ou doublons. Les données sans contexte sont exactes mais néanmoins trompeuses. Il efface toutes les règles de validation que vous avez : par exemple, une température de 102 degrés Fahrenheit signifie une chose chez un tout-petit vacciné mais une autre chez un patient immunodéprimé sous chimiothérapie. Cette fausse confiance constitue le problème de gouvernance le plus difficile.
2. Quels types d’informations contextuelles manquent le plus souvent ?
Il s’agit principalement de données que personne ne saisit discrètement. Il existe des codes de facturation médicale pour le logement, le transport, les soins et la pression sur les coûts : les cliniciens les capturent sous forme de texte libre, mais rarement dans des domaines désignés. Les chercheurs de Harvard ont qualifié les résultats d’erreurs contextuelles : des résultats qui semblent plausibles mais qui manquent d’informations critiques sur le patient ou la situation ; par exemple, un modèle qui recommande un spécialiste à des centaines de kilomètres d’un patient qui ne peut pas voyager.
3. Comment les fournisseurs peuvent-ils garantir que l’IA dispose du contexte dont elle a besoin ?
Arrêtez de traiter l’interopérabilité comme un problème de transport : c’est un niveau de sécurité clinique. HL7 et FHIR lient les vocabulaires aux champs ; des liaisons faibles laissent le sens négociable. Les règles de qualité écrites sans cliniciens produisent des données claires mais inutiles. Gouverner dès l’ingestion, pas après. Si vous ne pouvez pas retracer une entrée avant que le modèle d’IA ne la voie, la sortie n’est pas défendable.
4. Où l’ajout de contexte aux données peut-il améliorer un flux de travail piloté par l’IA ?
C’est partout où une décision nécessite plus d’un type de données. Une opacité pulmonaire ambiguë se lit différemment une fois que le modèle voit une infection respiratoire récente dans les notes et une exposition professionnelle dans l’histoire sociale. Une vue longitudinale révèle des goulots d’étranglement dans les flux et des transferts fragiles dès le début, et chaque recommandation comporte une lignée qu’un évaluateur peut suivre.
5. Comment les dirigeants peuvent-ils donner la priorité aux données complètes tout en protégeant la vie privée des patients ?
La désidentification en vertu de la HIPAA est le point de départ, pas la ligne d’arrivée. Les technologies améliorant la confidentialité maintiennent le contexte là où il se trouve : l’apprentissage fédéré s’entraîne au sein de chaque hôpital et renvoie uniquement les mises à jour du modèle ; la confidentialité différentielle ajoute du bruit au détriment de la précision ; et le chiffrement homomorphe regroupe les mises à jour chiffrées sans déchiffrement. Enregistrez quelle méthode couvrait quel ensemble de données. Ce dossier est l’argument de la confiance.