Avant d'investir dans un entraînement à l'échelle, nous avons testé l'hypothèse la plus simple : un tokenizer entraîné sur corpus médical français segmente-t-il vraiment mieux le vocabulaire clinique qu'un modèle généraliste ? Résultat mesuré : -32% de tokens nécessaires face au tokenizer Mistral actuel, -21% face à GPT-5.6. Chaque étape est publiée avec les chiffres, pas seulement les promesses.
Poids initialisés aléatoirement, jamais empruntés à un modèle existant. Un vrai modèle propriétaire, pas une couche ajoutée sur les poids de quelqu'un d'autre.
Aucune donnée d'entraînement générée par un LLM propriétaire. Le format règle → cas → résultat vient mécaniquement du texte réglementaire réel, jamais d'une génération synthétique.
BDPM, PubMed FR, NCBI Bookshelf, recherche ouverte. Méthodologie et code reproductibles de bout en bout, sans jamais toucher une donnée patient réelle.
Chaque nombre publié vient d'une exécution réelle sur données réelles — jamais une projection, jamais un chiffre marketing.
Avant d'investir dans un entraînement à l'échelle, nous avons validé l'hypothèse centrale : un tokenizer entraîné sur corpus médical français segmente-t-il réellement mieux le vocabulaire médical qu'un tokenizer généraliste ?
fertility = tokens / mot, agrégée sur 3 254 documents médicaux réels
(fiches RCP complètes, littérature PubMed FR, recherche frontière). Méthodologie et
code source reproductibles de bout en bout — aucune donnée patient utilisée.
Trois piliers, chacun documenté et reproductible.
BDPM, PubMed FR, NCBI Bookshelf, recherche ouverte — zéro donnée patient. Vocabulaire optimisé empiriquement (32k→50k), pas deviné.
Phase 1 — terminéeCell Ontology, UBERON, MeSH — 21 287 concepts réels pour hiérarchiser le corpus, du fondamental à la recherche de pointe.
Phase 1.5 — terminéeChaque fiche RCP découpée mécaniquement selon sa structure réglementaire. Aucune donnée générée par un LLM propriétaire.
Prêt pour Phase 2Au-delà de la performance technique mesurée ci-dessus, le calendrier joue en notre faveur.
La réglementation HDS interdit déjà à OpenAI et Anthropic d'héberger des données patients françaises — un blocage réglementaire, pas technique.
Éditeurs de DPI, RCM et logiciels de codage médical : une infrastructure IA à licencier, pas un produit grand public de plus.
Deux paliers. Le premier valide l'approche à faible coût ; le second est le livrable réel.
Le tokenizer et le pipeline de données sont réels et fonctionnels dès aujourd'hui — pas des slides. Le modèle entraîné (Palier 1) sera disponible pour démonstration une fois l'entraînement réel terminé.