Comment nous avons sécurisé Camille, l’assistante vocale de plusieurs centres médicaux : une infrastructure locale légère, des modèles de décision à côté du LLM, et des prompts et des connexions optimisés pour répondre en une seconde environ.
Qwen3.8-Flash-Next situe correctement la papille sur 120 décisions sur 120, puis se trompe d’œil sur 51 images sur 60. Le protocole, les chiffres et la correction adoptée.
Un modèle décisionnel qui répond en cent millisecondes ne s’utilise pas comme un modèle de langage qui répond en dix secondes. Boucles de décision, comparaison d’hypothèses, couple générateur et juge, et retour du petit modèle spécialisé : la seconde partie de notre article sur Jev et SemIf.
Depuis trois ans, nous demandons à des modèles faits pour écrire de prendre des décisions. Une nouvelle famille de modèles ne fait que décider. Première partie : ce qu’est un modèle décisionnel, avec Jev et SemIf.
Nous avons automatisé la stratégie de bourse d’un trader. Cet article raconte le travail que le client ne voit pas : ce qu’on retire au premier chiffre avant d’oser le montrer.
Nos audits de parcours patient reposaient sur des durées reconstituées de mémoire. Nous avons construit une application qui suit notre trame existante, chronomètre la visite pendant qu'elle se déroule et vérifie sa liste de contrôle avant d'exporter le rapport.
Retour sur investissement en un à deux ans, exemple chiffré, paiement conditionné aux critères d'acceptation et propriété du code : la seconde partie de notre méthode.
Fourchettes de prix, audit dont le livrable vous appartient et mesure validée ensemble du coût réel de votre processus : la première partie de notre méthode d'évaluation.
Une clinique spécialisée en chirurgie réfractive voulait un simulateur d'éligibilité honnête. Derrière cinq questions se cachent des règles de chirurgien, une logique de prudence et une confidentialité totale.
Pour recruter notre développeur junior, nous avons construit une petite application web qui réunit le contexte du poste, la fiche candidat, la prise de notes d'entretien, l'évaluation et un classement pondéré. Données locales, code ouvert sur GitHub.
Comment une borne d'accueil patient pour cabinet d'ophtalmologie dépasse le simple enregistrement : elle identifie le patient, déduit le type de consultation à partir du dernier suivi et crée automatiquement la liste de travail dans le dossier patient, avec un compagnon mobile sécurisé par la présence physique où le patient suit le retard estimé de son médecin, en auto-hébergé et conforme RGPD. Comparaison avec Phreesia, Clearwave, Qmatic et le marché des bornes d'accueil.
Comment une clinique de rétine médicale saisit les injections d'anti-VEGF en toute sécurité et lit les résultats ETDRS/CST en un coup d'œil, et comment le même moteur s'adapte à la recherche clinique.
Découvrez la méthode de transtorm.ai pour automatiser des processus métier de manière fiable: audit du processus réel, validation humaine sur les décisions importantes, anonymisation complète des données envoyées à des ressources externes, intégrations robustes et amélioration continue.
Nous mesurons l’audience du site avec Google Analytics. Ces cookies ne sont déposés que si vous les acceptez, et le site fonctionne de la même façon si vous refusez.
Lire notre politique de confidentialité