5-9 juin 2023 PARIS (France)
Annotation d'entités cliniques en utilisant les Larges Modèles de Langue
Simon Meoni  1@  , Théo Ryffel  2, *@  , Eric De La Clergerie  1@  
1 : Inria-CWI
Institut National de Recherche en Informatique et en Automatique
2 : Arkhn
Arkhn
* : Auteur correspondant

Dans le domaine clinique et dans d'autres domaines spécialisés, les données sont rares du fait de leur caractère confidentiel. Ce manque de données est un problème majeur lors du fine-tuning de modèles de langue.
Par ailleurs, les modèles de langue de très grande taille (LLM) ont des performances prometteuses dans le domaine médical. Néanmoins, ils ne peuvent pas être utilisés directement dans les infrastructures des établissements de santé pour des raisons de confidentialité des données. Nous explorons une approche d'annotation des données d'entraînement avec des LLMs pour entraîner des modèles de moins grandes tailles mieux adaptés à notre problématique.
Cette méthode donne des résultats prometteurs pour des tâches d'extraction d'information


Personnes connectées : 1 Vie privée
Chargement...