Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Prochaines étapes et ressources
Ce guide vous aide Services AWS à automatiser les tâches de PNL médicale et d'IA générative pour des applications réelles dans des environnements de production. Il décrit comment vous pouvez utiliser Amazon Comprehend Medical, LLMs pris en charge par Amazon Bedrock, préformé dans le domaine LLMs médical ou LLMs peaufiné pour atteindre vos objectifs commerciaux dans le domaine de la santé et des sciences de la vie. Ce guide décrit les avantages et les limites des approches suivantes :
+ Utiliser Amazon Comprehend Medical de manière indépendante
+ Fournir les résultats d'Amazon Comprehend Medical à un LLM
+ Utilisation d'un LLM général préformé ou d'un LLM médical dans une approche de génération augmentée par récupération (RAG)
+ Perfectionnement d'un LLM général ou d'un LLM médical
Utilisez l'[arbre décisionnel](choosing-approach.md) et les [considérations relatives à la maturité commerciale](choosing-approach.md#business-maturity) de ce guide pour choisir entre ces approches en fonction du niveau de AI/ML maturité de votre organisation. Bien qu'Amazon Comprehend Medical et Amazon LLMs Bedrock proposent de puissantes fonctionnalités, elles ne sont efficaces que si vous les implémentez et les évaluez correctement. Utilisez les [informations d'évaluation](evaluation.md) et [les mesures](evaluation.md#evaluation-metrics) décrites dans ce guide pour valider les performances de votre solution.
Pour les prochaines étapes, nous recommandons aux responsables informatiques, aux architectes et aux responsables techniques du secteur de la santé de travailler avec les AI/ML praticiens pour identifier leur tâche médicale en matière de PNL. Utilisez ce guide pour choisir un chemin de développement, puis utilisez les fonctionnalités appropriées Services AWS pour implémenter avec succès une solution automatisée sur AWS.
## AWS ressources
+ Documentation Amazon Comprehend Medical :
+ [Manuel du développeur](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html)
+ [API Reference](https://docs.aws.amazon.com/comprehend-medical/latest/api/Welcome.html)
+ [Documentation Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html)
+ [Évaluation du modèle Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/model-evaluation.html)
+ [Réglage précis dans Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/custom-model-fine-tuning.html)
+ [Affiner un modèle dans Amazon AI SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-foundation-models-use-studio-updated-fine-tune.html)
+ [Amazon SageMaker Ground Truth](https://docs.aws.amazon.com/sagemaker/latest/dg/sms.html)
+ [Détection de toxicité par Amazon Comprehend](https://docs.aws.amazon.com/comprehend/latest/dg/trust-safety.html#toxicity-detection)
+ [AWS Partenaires spécialisés dans le domaine de la santé](https://aws.amazon.com/health/healthcare-partner-solutions/)
## Autres ressources
+ [Classement Open Medical-LLM](https://huggingface.co/spaces/openlifescienceai/open_medical_llm_leaderboard)
+ [Une enquête sur les grands modèles linguistiques pour les soins de santé : des données, de la technologie et des applications à la responsabilité et à l'éthique](https://arxiv.org/pdf/2310.05694)
+ [Les grands modèles linguistiques sont de mauvais codeurs médicaux — Analyse comparative des requêtes de code médical](https://ai.nejm.org/doi/pdf/10.1056/AIdbp2300040)
+ [Du débutant à l'expert : transformer les connaissances médicales en connaissances générales LLMs](https://arxiv.org/html/2312.01040v3)