NDAI-NeuroMAP est le premier modèle d'intégration vectorielle dense pour la recherche d'informations de haute précision spécifique aux neurosciences. Il utilise un corpus d'apprentissage volumineux, spécifique à un domaine, composé de 500 000 triplets (configurations requêtes positives-négatives), 250 000 éléments de définition neuroscientifiques et 250 000 triplets de graphes de connaissances structurés, extraits d'ontologies neuroscientifiques faisant autorité. Il utilise une approche de réglage fin sophistiquée qui met en œuvre un cadre d'optimisation multi-objectifs combinant l'apprentissage contrastif et des paradigmes d'apprentissage métrique par triplets, en s'appuyant sur le modèle FremyCompany/BioLORD-2023. Des évaluations complètes sur un ensemble de données de test d'environ 24 000 requêtes spécifiques aux neurosciences démontrent des améliorations significatives des performances par rapport aux modèles d'intégration de pointe, à usage général et biomédicaux. Ces résultats expérimentaux soulignent l'importance des architectures d'intégration spécifiques à un domaine pour les systèmes RAG orientés neurosciences et les applications cliniques de traitement du langage naturel (TALN) associées.
