Tous les projets
🏥
Agent IA / LLM Académique

Chatbot Médical RAG

Système de question-réponse médical pour zones sinistrées. Architecture RAG avec modèles HuggingFace et interface Gradio.

Période
Jan. – Mars 2025
Rôle
Projet académique
Stack
6 technos
Python HuggingFace Transformers RAG LangChain Gradio Streamlit

Contexte

Projet académique de fin d’études (Master 2 Machine Learning, Université de Lille) sur la question-réponse médicale en zones sinistrées — contextes où l’accès à un médecin humain est limité, mais où l’accès à internet basique reste possible.

Le problème

Les LLMs généralistes hallucinent en médecine et donnent parfois des informations dangereuses. L’approche RAG permet de contraindre les réponses à une base documentaire validée (guides OMS, protocoles humanitaires, etc.).

Architecture RAG

  1. Corpus médical : ingestion de documents validés (guides cliniques, protocoles)
  2. Chunking & embedding : segmentation sémantique, embeddings via HuggingFace
  3. Vector store : recherche par similarité (top-k chunks)
  4. Génération contextualisée : LLM HuggingFace qui répond uniquement sur la base des chunks récupérés
  5. Refus explicite quand la question dépasse le corpus (safety first)

Interface

Deux interfaces ont été développées : Gradio (rapide pour démo) et Streamlit (plus configurable). L’utilisateur pose sa question, voit la réponse + les sources citées (chunks utilisés).

Apprentissages

  • Importance du prompt engineering pour forcer le LLM à rester dans son contexte
  • Trade-off chunk size / recall : trop petit = perte de contexte, trop grand = bruit
  • Métriques d’évaluation RAG : faithfulness, answer relevancy, context precision

Mon rôle

Conception, choix des modèles HuggingFace, implémentation RAG, conception des interfaces.