Recherche et Compréhension Théorique

1. • Étude approfondie du modèle GPT-2 et des techniques de fine-tuning.

   • Découverte de méthodes innovantes telles que LoRA pour améliorer l'apprentissage.

Expérimentation Pratique

1. • Implémentation initiale avec la bibliothèque KerasNLP pour intégrer GPT-2, en collaboration avec des coéquipiers.

   • Optimisation du modèle pour répondre efficacement aux requêtes spécifiques du domaine médical.

Collecte et Analyse de Données

1. • Sélection rigoureuse de datasets médicaux pour le fine-tuning, en respectant les exigences éthiques et légales.

   • Utilisation de techniques de visualisation de données (word clouds) pour évaluer la pertinence des données.

Fine-tuning Avancé

1. • Amélioration du modèle GPT-2 à travers différentes phases, en corrigeant des erreurs techniques et en adaptant le modèle aux besoins du projet.

   • Introduction du prompt engineering pour améliorer les réponses du chatbot.

Développement et Déploiement de l'Interface

1. • Utilisation de Gradio pour la création d'une interface utilisateur intuitive et adaptée, permettant des interactions en format question-réponse.

   • Intégration du chatbot sur la plateforme Hugging Face, permettant un accès public et une évaluation en temps réel.