> For the complete documentation index, see [llms.txt](https://medomicslab.gitbook.io/medomics-docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://medomicslab.gitbook.io/medomics-docs/v1-fr/fonctionnalites-a-venir.md).
# Fonctionnalités à venir
Explorez les implémentations à venir dans les prochaines versions.
## Superset
[Apache Superset](https://superset.apache.org/) est une plateforme open-source moderne d'exploration et de visualisation des données, riche en options qui facilitent l'exploration et la visualisation des données pour des utilisateurs de tous niveaux, des graphiques linéaires simples aux représentations très détaillées. La plateforme MEDomics intégrera un accès direct à Superset, éliminant le besoin de multiples installations et faisant de MEDomics une solution complète et tout-en-un pour la modélisation et la visualisation de données hétérogènes en médecine.
## MEDfl
Dans les prochaines versions, la plateforme MEDomics proposera une implémentation graphique du [Apprentissage Fédéré](https://en.wikipedia.org/wiki/Federated_learning) package [MEDfl](https://github.com/MEDomics-UdeS/MEDfl). Ce module, faisant partie de la couche de développement, représente le troisième composant majeur de l'ensemble d'outils de MEDomics, permettant l'apprentissage fédéré simulé pour soutenir l'entraînement collaboratif de modèles à travers plusieurs sites sans partager les données brutes. En facilitant l'entraînement décentralisé, ce module renforce la confidentialité et la sécurité des données, permettant aux chercheurs et développeurs de construire, affiner et déployer des modèles d'apprentissage fédéré directement au sein de la plateforme.
**Aspects clés du module d'apprentissage fédéré :**
* **Entraînement décentralisé**: Les modèles sont entraînés sur plusieurs nœuds simulés sans transférer les données brutes.
* **Préservation de la confidentialité**: Utilisation de techniques comme la confidentialité différentielle pour assurer la confidentialité des données.
* **Optimisation des hyperparamètres**: Outils permettant d'ajuster et d'optimiser automatiquement les hyperparamètres des modèles pour améliorer les performances.
* **Apprentissage par transfert**: Permet à l'utilisateur d'utiliser des modèles pré-entraînés pour initialiser le serveur central, améliorant ainsi les performances du modèle.
## MED3pa
La plateforme MEDomics proposera également une implémentation graphique du [**MED3pa** ](https://github.com/MEDomics-UdeS/MED3pa)package. Il est conçu pour répondre aux défis critiques du déploiement de modèles d'apprentissage automatique, en se concentrant particulièrement sur la robustesse et la fiabilité des modèles dans des conditions réelles. Il fournit des outils complets pour évaluer la stabilité et les performances des modèles face à **déplacements de covariables**, **incertitude**, et **profils de données problématiques**.
**Fonctionnalités clés**
* **Détection des déplacements de covariables**: En utilisant le *sous-paquet Detectron* , MED3pa peut identifier des changements significatifs dans les distributions de données qui pourraient affecter les prédictions du modèle. Cette fonctionnalité est cruciale pour des applications telles que la santé, où la détection précoce de changements peut prévenir des décisions erronées.
* **Estimation de l'incertitude et de la confiance**: Via le sous-paquet med3pa, le package mesure l'incertitude et la confiance prédictive au niveau individuel et collectif. Cela aide à comprendre la fiabilité des prédictions du modèle et à prendre des décisions éclairées basées sur les sorties du modèle.
* **Identification des profils problématiques**: MED3pa analyse les profils de données qui conduisent de manière récurrente à de faibles performances du modèle. Cette capacité permet aux développeurs d'affiner les jeux de données d'entraînement ou de réentraîner les modèles pour traiter efficacement ces cas limites.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.
Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:
```
GET https://medomicslab.gitbook.io/medomics-docs/v1-fr/fonctionnalites-a-venir.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
