Fonctionnalités à venir

Découvrez les implémentations à venir dans les prochaines versions.

Superset

Apache Superset est une plateforme open-source moderne d'exploration et de visualisation de données, riche en options qui facilitent pour les utilisateurs de tous niveaux l'exploration et la visualisation de leurs données, des graphiques linéaires simples aux plus détaillés. La plateforme MEDomics intégrera un accès direct à Superset, éliminant la nécessité de multiples installations et faisant de MEDomics une solution complète et tout-en-un pour modéliser et visualiser des données hétérogènes en médecine.

MEDfl

Dans les prochaines versions, la plateforme MEDomics proposera une implémentation graphique du Apprentissage Fédéré package MEDfl. Ce module, faisant partie de la couche de développement, représente le troisième composant majeur de la boîte à outils de MEDomics, permettant l'apprentissage fédéré simulé pour soutenir l'entraînement collaboratif de modèles sur 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 garantir la confidentialité des données.

• Optimisation des hyperparamètres: Outils pour ajuster et optimiser automatiquement les hyperparamètres du modèle afin d’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 offrira également une implémentation graphique du 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 décalages de covariables, incertitude, et profils de données problématiques.

Fonctionnalités clés

• Détection des décalages de covariables : En utilisant le sous-paquet Detectron , MED3pa peut identifier des changements significatifs dans les distributions de données susceptibles d’affecter les prédictions du modèle. Cette fonctionnalité est cruciale pour des applications telles que la santé, où la détection précoce des décalages peut prévenir des décisions erronées.

• Estimation de l'incertitude et de la confiance : Grâce au sous-paquet med3pa, le package mesure l'incertitude et la confiance prédictive aux niveaux individuel et groupé. Cela aide à comprendre la fiabilité des prédictions du modèle et à prendre des décisions éclairées sur la base des résultats du modèle.

• Identification des profils problématiques : MED3pa analyse les profils de données qui conduisent systématiquement à de mauvaises 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.