Quel petit modèle de langage convient à la santé ?
Le petit modèle de langage qui convient à la santé est un modèle compact qu'un établissement peut exécuter sur une infrastructure certifiée pour les données de santé, sans confier ces données à un service dont il ne maîtrise ni le lieu ni le droit. Un petit modèle de langage (SLM) est un modèle compact de 3 à 20 milliards de paramètres ; un grand modèle de langage (LLM) est un modèle massif dont l'exécution passe le plus souvent par une infrastructure distante. Pour un secteur qui traite des données parmi les plus protégées, un modèle compact tient dans une empreinte réduite, ce qui rend l'hébergement maîtrisé et certifié praticable.
Que change l'hébergement des données de santé pour le déploiement d'un petit modèle de langage ?
L'hébergement des données de santé change l'ordre des décisions : la certification de l'infrastructure et le droit applicable se fixent avant le choix technique du modèle. En France, l'hébergement de données de santé à caractère personnel est soumis à la certification HDS (Hébergeur de Données de Santé), prévue à l'article L. 1111-8 du Code de la santé publique. Cette exigence porte sur l'hébergeur ; elle se cite comme telle, à transposer au droit du marché visé, sans présenter le dispositif français comme universel.
Le RGPD (règlement (UE) 2016/679) qualifie les données de santé de catégorie particulière à son article 9, avec un régime renforcé, et encadre les transferts hors de l'Union à son chapitre V. Le contrôle relève d'une autorité comme la CNIL en France. Un déploiement de petit modèle de langage s'insère dans ce cadre : l'inférence (le calcul par lequel le modèle produit une réponse à partir d'une requête) a lieu sur l'infrastructure certifiée, et non sur un service auquel on adresse la donnée du patient.
Comment un petit modèle de langage tient-il la protection des données de santé ?
Un petit modèle de langage tient la protection des données de santé quand son exécution reste sur une infrastructure certifiée, que son traitement documentaire ne verse rien à l'extérieur, et que ses accès sont journalisés. La génération augmentée par récupération (RAG), qui ancre chaque réponse sur des documents récupérés, source ses réponses dans les documents cliniques, les protocoles et les référentiels de l'établissement, sans les exposer à un tiers. L'ajustement fin (le fine-tuning, l'adaptation d'un modèle à un domaine par un entraînement complémentaire) permet de faire progresser le modèle sur la terminologie médicale, sans que les corrections se diluent dans un modèle mondial.
La quantification (la réduction de la précision numérique des poids du modèle, qui diminue la mémoire occupée) rend l'exécution possible sur un matériel maîtrisé au sein de l'établissement, au prix d'un compromis à surveiller sur la finesse des réponses. Sur la plateforme Optivalue.ai, qui édite ce site, l'hébergement est possible dans plus de 80 pays, dans la juridiction choisie. Les conditions techniques générales sont détaillées sur un petit modèle de langage garde-t-il les données dans l'entreprise.
Quelles contraintes de la santé pèsent sur le déploiement d'un petit modèle de langage ?
Les contraintes de la santé pèsent sur le déploiement d'un petit modèle de langage à trois endroits : la certification de l'hébergement, le régime renforcé des données sensibles et la traçabilité des accès. Le tableau les met en regard des propriétés que le déploiement doit tenir.
| Contrainte du secteur de la santé | Ce que le déploiement souverain permet | Ce qu'il empêche |
|---|---|---|
| Hébergement certifié HDS | une exécution sur une infrastructure conforme | un traitement des données de santé hors du cadre |
| Régime renforcé du RGPD (article 9) | un traitement sans exposition à un tiers | une réutilisation des données au bénéfice d'un autre client |
| Localisation des données de santé | un hébergement dans la juridiction retenue | un transfert non encadré hors de cette juridiction |
| Traçabilité des accès aux dossiers | une journalisation constatable | une conformité seulement déclarée |
Les erreurs qui compromettent la protection des données de santé par un petit modèle de langage
Ces erreurs se constatent avant qu'elles ne se paient, à condition de les nommer.
- Confondre hébergement dans le pays et hébergement certifié. Un serveur local ne suffit pas si l'infrastructure n'est pas certifiée pour les données de santé.
- Router une donnée de santé vers un service externe. Une requête portant sur un patient ne doit pas quitter l'infrastructure certifiée pour l'inférence.
- Négliger la journalisation des accès aux dossiers. Sans journal, la conformité ne s'oppose pas à l'autorité de contrôle.
- Traiter la certification et la localisation en dernier. Fixées après l'architecture, ces contraintes imposent de tout reprendre.
La concession qui clarifie tout : quand un grand modèle de langage reste le bon choix
Un grand modèle de langage, ou une IA générique, reste le bon choix quand la donnée traitée ne concerne aucun patient : synthèse d'une publication scientifique ouverte ou brouillon administratif sans donnée de santé. L'appareillage souverain et certifié serait alors disproportionné.
La frontière est l'instant où une donnée touche un patient : un compte rendu, un résultat, une donnée de santé au sens de l'article 9 du RGPD. À cet endroit, garder le traitement sur une infrastructure certifiée devient une condition d'exploitation. Le choix des modes de déploiement est détaillé sur comment déployer un petit modèle de langage souverain en entreprise.
Questions fréquentes
Un petit modèle de langage peut-il traiter des données de santé de façon conforme ?
Un petit modèle de langage peut traiter des données de santé lorsqu'il s'exécute sur un hébergement certifié HDS, dans la juridiction choisie, sans exposer les données à un tiers. La conformité complète dépend aussi des finalités, du régime de l'article 9 du RGPD et des droits des personnes, que l'hébergement ne règle pas à lui seul.
Où résident les données de santé traitées par un petit modèle de langage ?
Les données de santé résident dans la juridiction retenue par l'établissement, sur une infrastructure certifiée ; sur la plateforme qui édite ce site, l'hébergement est possible dans plus de 80 pays. La localisation détermine le droit applicable et l'autorité compétente.
La certification HDS est-elle celle du modèle ou de l'hébergement ?
La certification HDS porte sur l'hébergeur de l'infrastructure, pas sur le modèle lui-même. Un déploiement de petit modèle de langage conforme s'exécute sur une infrastructure certifiée, à transposer au droit du marché visé.
Un petit modèle de langage peut-il progresser sur la terminologie médicale ?
Un petit modèle de langage peut faire progresser ses réponses sur la terminologie médicale par l'ajustement fin (le fine-tuning), sans que les corrections apportées se diluent dans un modèle partagé avec d'autres établissements. Le modèle ajusté reste dans l'environnement certifié.
Un grand modèle de langage convient-il au traitement d'un dossier patient ?
Un grand modèle de langage joignable seulement par un service distant est difficile à concilier avec l'exigence d'un hébergement certifié et localisé pour les données de santé. Un petit modèle de langage exécuté sur l'infrastructure conforme répond à cette exigence.