ModAstera

Qu’est-ce que ModAstera ?

ModAstera est une plateforme de développement d’IA de ModAstera Inc., destinée aux secteurs médical, manufacturier et à d’autres workflows réglementés. Le produit phare, MAEA, intègre la préparation des données, leur annotation, l’entraînement, l’évaluation, la gouvernance et le déploiement au sein d’un même processus traçable.

Ce n’est ni un outil de messagerie destiné aux utilisateurs ordinaires, ni un raccourci pour obtenir automatiquement l’approbation des dispositifs médicaux. La valeur de la plateforme réside dans la réduction des ruptures entre les données, les essais, les preuves de validation et le transfert de production ; l’usage final, la validation clinique et les responsabilités réglementaires restent à la charge de l’organisation utilisatrice.

Fonction principale

• Préparation des données : importation d’images médicales, d’images de contrôle industriel, de flux de capteurs, de notes d’experts et d’étiquettes existantes, ainsi que mise en ordre des métadonnées et de la généalogie des ensembles de données. Avant l’entraînement, il est encore nécessaire de vérifier les autorisations, le déshumiliation, l’intégrité et les biais.
• Annotation assistée par l’IA : génération de masques préliminaires, de boîtes de détection, de classifications ou de points clés à partir d’un petit nombre d’exemples ; des experts corrigent ensuite en masse les limites et les échantillons complexes. Cela permet de réduire le travail d’annotation repetitive, mais ne peut pas remplacer une vérification professionnelle.
• Apprentissage actif : Soumettre en priorité aux experts les cas les plus incertains du modèle, afin de concentrer le temps limité alloué à l’étiquetage sur des échantillons contenant plus d’informations. Les règles de sélection peuvent modifier la distribution des échantillons ; il convient de consigner la stratégie utilisée à chaque tour.
• Révision et version : enregistrer l’auteur des annotations, la date, les modifications, les raisons, la version du jeu de données et l’historique des vérifications, afin de créer un historique reconstituable pour l’entraînement ultérieur et les audits.
• Chaîne de langage naturel : Les chercheurs peuvent décrire les objectifs et indicateurs de prédiction, tandis que MAEA aide à configurer les expériences, le traitement des données et la recherche de modèles. La configuration générée doit être vérifiée par un technicien.
• Recherche automatique de modèles : entraînement et comparaison des hyperparamètres parmi des candidats tels que les CNN, les Vision Transformers ou des squelettes personnalisés, avec des expériences parallèles utilisant des GPU.
• Entraînement répétable : enregistrement de snapshots de données, de code ou de configuration, de dépendances, de paramètres, d’indicateurs et de produits de modèle, afin de faciliter la comparaison des versions et le retrait.
• Vérification et vérification des sous-groupes : suivi des indicateurs globaux, de la performance des sous-groupes, des écarts, du contexte de dérive et des contraintes connues, afin d’éviter de ne pas se fier uniquement au taux de précision.
• Carte de modèle et dossier de preuves : Associer l’arbre des données, les expériences, la validation, l’environnement de déploiement, les journaux d’audit et la carte de modèle pour former un document transmissible. Le dossier de preuves facilite l’examen, mais ne prouve pas automatiquement le respect des réglementations.
• Déploiement en un clic : publier les modèles validés sur des points d’entrée contrôlés, tout en conservant le contexte API, le contrôle de l’environnement et les historiques de déploiement. Un examen de sécurité, une surveillance, une possibilité de rollback ainsi qu’une responsabilité claire restent nécessaires pour un déploiement en production réelle.
• Edge, cloud et entraînement fédéré : la page liste les options de déploiement en edge ou dans le cloud ainsi que l’entraînement fédéré, adaptées aux projets où les données ne doivent pas être transférées de manière centralisée. La topologie spécifique, les environnements pris en charge et les forfaits doivent être confirmés lors d’une démonstration.
• Surveillance du modèle : suivi de la qualité des entrées, de la distribution des sorties, des délais, des erreurs, des résultats des flux de travail et des retours humains, avec liaison des signaux de dérive aux décisions de révision et de reformation.
• Workflow de fabrication : Créer des processus de détection des défauts, de contrôle qualité et de déploiement en production à partir d’images de contrôle, de signaux de processus et de données de fiabilité.
• Produits professionnels Hebra : basés sur MAEA, ils offrent aux cliniques spécialisées indépendantes un point d’accès aux patients avec une marque propre, une collecte structurée des données et une préparation aux consultations ; il ne s’agit pas d’un EHR généraliste, d’une plateforme de télémédecine ou d’un marché pour médecins.

Données de support et tâches

Du données à le déploiement : le processus

1. Définir l’usage prévu, les utilisateurs, l’environnement d’opération, les conséquences des erreurs, les indicateurs de succès et les éléments qui ne peuvent être déterminés par le modèle.
2. Confirmer les droits sur les données, les fondements de la confidentialité, les solutions de déidentification, les règles d’inclusion et d’exclusion ainsi que les stratégies de partitionnement pour l’entraînement ou la validation.
3. Télécharger les données et créer une tâche d’annotation ; l’IA génère un brouillon, des professionnels le corrigent et enregistrent les règles de traitement des litiges.
4. Geler les versions des ensembles de données traçables pour vérifier les échantillons dupliqués, les fuites d’étiquettes, le déséquilibre des catégories et les biais liés aux appareils ou aux régions.
5. Mettre en place des expériences pour comparer les architectures et paramètres candidats, tout en enregistrant la puissance de calcul, le code, la configuration, les indicateurs et les exécutions échouées.
6. Évaluer sur un ensemble de validation indépendant et des sous-groupes clés, en définissant des seuils de performance, des mises à niveau manuelles et des conditions de rejet des résultats.
7. Les cartes de modèles de génération, les preuves de validation et les paquets de déploiement sont approuvés conjointement par les responsables cliniques, de qualité, de sécurité et réglementaires.
8. Publier vers l’endpoint de test pour valider l’authentification, les délais, la capacité, les journaux, le rollback et l’interface avec les systèmes existants.
9. Mise en ligne sur une petite échelle avec un suivi continu des entrées, sorties, dérive, erreurs et décisions manuelles ; suspension ou révalidation lorsque des conditions sont remplies.

Adapté aux utilisateurs et aux scénarios

• Hôpitaux et équipes de recherche médicale : création de jeux de données d’imagerie, de modèles expérimentaux et conservation des archives du processus de recherche.
• Équipe d’IA médicale et de SaMD : intégrer l’étiquetage, les expérimentations, les preuves de validation et la transition vers le déploiement dans un processus commun.
• Équipe des données en pathologie, radiologie, ophtalmologie et spécialités : améliorer les capacités de préparation des données grâce à une révision par des experts associée à une annotation assistée.
• Équipe de qualité de fabrication : création de modèles de défauts visuels, d’anomalies de processus et de fiabilité, ainsi que planification du déploiement en production.
• Équipes de R&D de petite taille : réduction de la charge technique liée à la création d’outils d’annotation, d’infrastructures d’entraînement et de pipelines MLOps.
• Personnel de supervision et de qualité : Consultation des enregistrements de liens entre les données, les modèles, les évaluations, les publications et les vérifications manuelles.
• Il ne faut pas interpréter l’affirmation selon laquelle une page est « HIPAA-ready » ou présente des preuves de qualité comme signifiant que le produit a obtenu une autorisation spécifique pour un dispositif médical.

Prix et forfaits

La page principale des produits et la page des applications présentent des différences concernant les niveaux gratuits, les abonnements Starter et Team, ce qui peut correspondre à des entrées différentes, à des étapes de compte variées ou à des mises à jour récentes. Il ne faut pas considérer les quotas affichés sur l’une ou l’autre page comme étant le standard unique pour tous les comptes ; il convient de se référer à la page du forfait après inscription, au facturation réelle ou à une offre écrite.

La page publique ne mentionne pas les montants pour Team, Organization et Enterprise, et n’explique pas en détail les règles relatives aux dépassements de GPU, d’inference, de stockage et aux remboursements. L’essai de 14 jours indique qu’aucun paiement n’est requis, mais la downgrade après la fin de l’essai, la conservation des données et le fait d’être facturé automatiquement doivent être vérifiés dans le compte.

Plateformes, API et déploiement

API, SDK et statut open source

• La plateforme peut déployer les modèles en tant qu’points d’entrée API, mais aucun API complet pour les développeurs destiné au grand public, SDK, tableau de tarification ou prix pour des interfaces auto-service n’a été confirmé.
• La présentation du produit mentionne que la couche MCP est utilisée pour déléguer les expériences d’apprentissage automatique, mais la page publique ne contient pas de documents suffisants prouvant qu’elle est déjà disponible en tant que fonctionnalité générale pour les clients.
• Il n’existe pas de dépôt officiel open source ni de licence open source pour MAEA, Hebra ou la plateforme de formation et de gouvernance centrale ; ils doivent donc être considérés comme du logiciel propriétaire.
• La possibilité de télécharger les modèles formés par le client, de les déployer en externe, ou de les utiliser dans des articles scientifiques ou des produits commerciaux doit être déterminée séparément en fonction des droits associés au compte, des autorisations relatives aux données et du contrat.
• L’accès API, l’entraînement fédéré, le déploiement edge et les intégrations sur mesure ne signifient pas que le code de la plateforme peut être reproduit ou utilisé à des fins commerciales de manière illimitée.

Confidentialité, sécurité, considérations médicales et commerciales

• La plateforme traite les images médicales, les données industrielles, les étiquettes, les enregistrements de révision, les produits de modèles et les journaux de déploiement ; les projets médicaux doivent être déidentifiés et avoir des autorisations d’accès avant téléchargement.
• La page utilise des termes tels que « prêt pour HIPAA », « prêt pour APPI », chiffrement, journaux d’audit et permissions de rôle, mais aucune politique de confidentialité en anglais ou liste de certifications de sécurité pouvant être vérifiée de manière complète n’a été fournie cette fois-ci.
• L’équipe de supervision doit confirmer par écrit les zones de données, les sous-traitants, la gestion des clés, les sauvegardes, les délais de suppression, la notification des événements et les transferts transfrontaliers.
• L’entraînement fédéré peut réduire la concentration des données brutes, mais les gradients, les mises à jour du modèle, les journaux et les services de coordination nécessitent toujours un modélisation des menaces et une évaluation de la confidentialité.
• La hiérarchie d’audit et les documents SaMD exportables constituent des capacités de gestion des preuves, mais cela ne signifie pas que les autorités de régulation ont examiné et approuvé le modèle ou son utilisation clinique.
• Les modèles médicaux doivent valider les variations liées à la population, aux équipements, aux institutions, au temps et aux flux de travail ; les résultats des exemples affichés ne peuvent pas remplacer la validation externe de ce projet.
• La création de modèles nécessite la définition de stratégies pour les faux positifs, les faux négatifs, les arrêts de production et la sécurité en cas de panne ; les opérations de production ne doivent pas être déclenchées uniquement par des prédictions automatisées.
• La propriété des modèles, des étiquettes et des résultats, la réutilisation des données d’entraînement, le déploiement commercial et les droits de publication ne sont pas suffisamment divulgués ; les contrats d’achat doivent prévoir ces éléments point par point.
• La page des Conditions actuelles est accessible, mais son contenu principal n’est pas affiché de manière stable ; les détails concernant les remboursements, les responsabilités, la résiliation et l’autorisation d’utilisation du contenu ne sont pas encore confirmés.

Avantages et limites

• Avantages : Il relie l’étiquetage, les expériences, l’évaluation, les preuves et le déploiement, ce qui convient pour réduire la fragmentation des outils dans les projets d’IA régulés.
• Avantages : l’annotation assistée, l’apprentissage actif et la révision par des experts permettent de concentrer le temps des professionnels sur les cas complexes.
• Avantages : les sous-groupes, le drift, les cartes de modèle, les journaux d’audit et le retrait sont plus proches d’une gouvernance de production réelle.
• Limites : Les quotas gratuits et ceux réservés aux équipes varient d’une page à l’autre, et le coût réel ainsi que les limites de ressources ne sont pas transparents.
• Limites : les capacités de la plateforme ne peuvent pas éliminer les biais des données, les erreurs de classification, ni les responsabilités en matière de validation clinique et de sécurité de fabrication.
• Restrictions : informations insuffisantes sur la vie privée, l’authentification de sécurité, la documentation API, les SDK, les remboursements et les conditions de propriété des modèles.
• Restrictions : Le produit principal n’est pas confirmé comme étant open source ; le déploiement sur mesure, l’entraînement fédéré et l’intégration d’entreprise peuvent nécessiter des services de vente et de mise en œuvre.

Résumé

ModAstera convient aux équipes qui souhaitent passer des données médicales ou de fabrication brutes à des modèles vérifiables et déployables, tout en conservant des preuves du processus. Lors de l’évaluation, il convient de réaliser un essai bout en bout à l’aide de données réelles, et de vérifier la qualité de l’étiquetage, les performances par sous-groupe, les interfaces de déploiement, la surveillance, les responsabilités en matière de conformité, les quotas de forfait et les contrats de données.