Le chimiste développeur de médicaments ressemble à un détective qui cherche la bonne substance parmi des millions de suspects. Les réseaux de neurones modernes accélèrent la recherche, mais se comportent comme un témoin qui dit « c'est lui » sans vouloir s'expliquer. En pharmacie, une telle discrétion est dangereuse : une fausse corrélation peut envoyer un composé toxique à l'étape suivante des essais.
GlassMol change la donne. Au lieu de rendre un verdict immédiatement, le modèle décompose d'abord la molécule en propriétés compréhensibles pour un chimiste — comme un interprète qui note d'abord les mots-clés d'une conversation, puis en fait un résumé. Ces propriétés ne sont pas choisies manuellement, mais automatiquement, grâce à un modèle de langage qui sélectionne les caractéristiques réellement importantes pour la tâche. Cette approche résout trois problèmes majeurs : le manque de données annotées, le choix des caractéristiques pertinentes et la perte de précision due à un « goulot d'étranglement » étroit.
C'est comme une recette où chaque ingrédient est étiqueté : le chef peut faire confiance au plat parce qu'il voit de quoi il est composé. Pour la pharmacie, une telle recette n'est pas un luxe, mais une nécessité. Car lorsque la vie d'un patient est en jeu, on ne veut pas seulement une réponse « oui » ou « non », mais un chemin compréhensible vers cette réponse.
Le terme « boîte noire » vient de l'aviation : c'est ainsi qu'on appelle les enregistreurs de vol qui ne peuvent pas être ouverts sans être endommagés. En apprentissage automatique, il désigne un modèle dont les calculs internes sont trop complexes pour être compris par un humain.
Dans la série « Westworld », les robots-hôtes agissent selon des règles compréhensibles, mais leurs créateurs perdent quand même le contrôle. GlassMol adopte l'approche inverse : la transparence comme moyen de garder le contrôle entre les mains de l'humain.