Le 14 octobre 2026
Ottawa
Cet automne, l’Institut de recherche en IA médicale d’Ottawa (IRIAMO) lance une nouvelle série de séminaires de l’IRIAMO qui réunira des chercheuses et chercheurs, des cliniciennes et cliniciens, des étudiantes et étudiants en médecine, des membres du corps professoral ainsi que d’autres personnes qui s’intéressent au domaine en évolution rapide de l’intelligence artificielle en médecine.
À compter du 14 octobre 2026, les séminaires auront lieu toutes les deux semaines, les mercredis après-midi, de 17 h à 19 h. La série explorera un vaste éventail de sujets liés à l’IA médicale : de l’apprentissage automatique traditionnel aux grands modèles de langage, des données tabulaires et d’imagerie aux données textuelles, et du développement des modèles et de l’évaluation clinique à leur mise en œuvre, ainsi qu’aux méthodes et applications émergentes.
La série commencera par un projet pilote de quatre séances, qui nous permettra de réunir la communauté de l’IA médicale d’Ottawa et de déterminer quels sujets, formats et types d’échanges sont les plus utiles aux personnes participantes. Si l’intérêt est marqué, nous espérons nous appuyer sur ces premières séances et faire de la série un forum permanent pour échanger des idées, présenter des travaux de recherche et créer des liens entre les personnes qui travaillent au croisement de l’IA et de la médecine. Lors du séminaire d’ouverture, le professeur Khaled El Emam présentera la série et la Dre Fida Dankar sera notre première conférencière.
Cette première présentation, intitulée Dans les coulisses de ChatGPT : comment les grands modèles de langage fonctionnent, apprennent et répondent, propose une introduction accessible au fonctionnement de ChatGPT et d’autres grands modèles de langage. Elle commence par situer l’IA générative dans l’histoire plus large de l’intelligence artificielle et par présenter les transformeurs. À l’aide d’exemples simples, elle explique comment le texte est converti en représentations numériques, comment le mécanisme d’attention utilise les mots environnants pour en comprendre le sens et comment des modèles comme GPT génèrent du texte en estimant de façon répétée des probabilités et en sélectionnant le prochain jeton. Elle explique également comment les modèles de langage apprennent grâce au préentraînement à grande échelle, à l’ajustement fin à partir d’instructions et à la rétroaction humaine. Enfin, elle présente des méthodes pratiques de rédaction d’instructions et montre comment des consignes claires, des données probantes fiables et une vérification attentive peuvent améliorer les réponses des modèles.