Formation en IA générative

Leçon 1 • Aperçu des grandes familles de modèles

Examine les GAN, les VAE, les modèles de diffusion et les grands modèles de langage à un niveau conceptuel. Prépare les apprenants à étudier chaque famille en profondeur dans les chapitres suivants.

Leçon 2 • Bref historique des modèles génératifs

Retrace l'IA générative des premiers modèles statistiques aux architectures neuronales modernes. Fournit un contexte historique qui explique pourquoi les outils actuels sont conçus comme ils le sont.

Leçon 3 • Principes d'IA responsable dès le départ

Établit les responsabilités éthiques, les risques de biais et les attentes en matière de transparence avant tout travail pratique. Présente la pratique responsable comme un élément intégral, non facultatif.

Leçon 4 • Ce qu'est réellement l'IA générative

Définit l'IA générative en la contrastant avec les systèmes discriminatifs et fondés sur des règles. Établit la base conceptuelle nécessaire pour chaque chapitre suivant.

Leçon 1 • Évaluation du rendement des modèles de langage

Présente les benchmarks, la perplexité et les méthodes d'évaluation humaine pour évaluer la qualité des LLM. Permet aux apprenants d'interpréter de manière critique les affirmations de comparaison de modèles.

Leçon 2 • Apprentissage par renforcement à partir de la rétroaction humaine

Détaille comment les données de préférences humaines façonnent les résultats du modèle via la modélisation de récompense et l'optimisation des politiques. Explique pourquoi les modèles alignés se comportent différemment des modèles de base.

Leçon 3 • Architecture du transformeur expliquée

Décompose les mécanismes d'attention, les structures encodeur-décodeur et l'encodage positionnel. Ancre les apprenants dans l'architecture qui alimente la plupart des modèles de langage modernes.

Leçon 4 • Tokenisation et plongements

Explique comment le texte est converti en jetons et vecteurs numériques avant le traitement par le modèle. A un impact direct sur la compréhension des fenêtres de contexte et des limites du modèle.

Leçon 1 • Invite zéro-exemple et invite à quelques exemples

Compare l'invite sans exemple à l'utilisation de démonstrations organisées. Enseigne quand chaque approche maximise la qualité et la cohérence des résultats.

Leçon 2 • Flux de travail d'itération et de test d'invites

Présente les tests d'invites systématiques, la gestion de versions et l'évaluation de régression. Transforme l'invite ponctuelle en une pratique d'ingénierie disciplinée.

Leçon 3 • Invites de chaîne de pensée et de raisonnement

Applique des instructions de raisonnement étape par étape pour améliorer la précision du modèle sur des tâches complexes. Étend directement les techniques à quelques exemples avec des échafaudages de raisonnement structurés.

Leçon 4 • Patrons d'invites avancés et anti-patrons

Catalogue les patrons de conception d'invites réutilisables et les modes de défaillance courants à éviter. Équipe les apprenants pour gérer les cas limites et les entrées adverses avec confiance.

Leçon 1 • Synthèse et extraction d'information

Enseigne les techniques de synthèse extractive et abstractive pour les documents longs et les sources riches en données. Permet une synthèse rapide des connaissances à partir de grands volumes d'information.

Leçon 2 • Contenu structuré et données-texte

Génère des sorties structurées telles que des rapports, des tableaux et des récits à partir de données brutes. Relie l'IA générative à l'intelligence d'affaires et aux flux de travail de génération de rapports.

Leçon 3 • Traduction et contenu multilingue

Explore la traduction assistée par IA, la localisation et l'adaptation de contenu translinguistique. Aborde la précision, la nuance culturelle et les flux de travail de postédition.

Leçon 4 • Qualité du contenu et contrôle des hallucinations

Identifie les patrons d'hallucination et applique des stratégies d'atténuation, notamment l'ancrage et la récupération. Assure que les sorties répondent aux normes professionnelles de précision et de fiabilité.

Leçon 1 • Techniques d'invite texte-image

Applique les principes d'ingénierie d'invites spécifiquement à la génération d'images, couvrant les modificateurs de style, de composition et de qualité. Étend les compétences d'invite textuelle au domaine visuel.

Leçon 2 • Comment fonctionnent les modèles de génération d'images

Explique les modèles de diffusion, les GAN et les modèles d'images autorégressifs à un niveau mécaniste. Fournit les bases conceptuelles nécessaires pour utiliser et dépanner efficacement les outils d'image.

Leçon 3 • Éthique et droits dans l'IA visuelle

Aborde les risques de hypertrucage (deepfake), le consentement, le droit d'auteur et le biais de représentation dans les images générées par IA. Assure que les apprenants appliquent les outils d'IA visuelle dans les limites éthiques et légales.

Leçon 4 • Modèles multimodaux et tâches vision-langage

Présente les modèles qui traitent à la fois le texte et les images pour des tâches telles que la réponse à des questions visuelles et le sous-titrage d'images. Étend la capacité de l'apprenant au-delà des flux de travail à modalité unique.

Leçon 1 • Systèmes de génération augmentée de récupération (RAG)

Construit des pipelines RAG qui ancrent les sorties du modèle dans des bases de connaissances externes. Aborde directement les limites d'hallucination et de coupure de connaissances introduites dans les chapitres précédents.

Leçon 2 • Déploiement et surveillance des applications d'IA

Couvre la conteneurisation, le service API, l'optimisation de la latence et la surveillance en production pour les applications d'IA. Prépare les apprenants à amener les prototypes dans des environnements de production fiables.

Leçon 3 • Agents d'IA et utilisation d'outils

Conçoit des agents autonomes qui planifient, utilisent des outils et exécutent des tâches en plusieurs étapes. Étend l'invite à un seul tour en flux de travail d'IA dynamiques et orientés vers un objectif.

Leçon 4 • Cadriciels et pipelines d'orchestration

Présente les cadriciels pour enchaîner les invites, gérer l'état et orchestrer des flux de travail d'IA complexes. Permet aux apprenants de créer des pipelines d'IA maintenables et prêts pour la production.

Leçon 1 • Curation et préparation d'ensembles de données

Couvre la collecte, le nettoyage, le formatage et le filtrage de qualité des données pour les ensembles de données d'ajustement fin. Des données de haute qualité sont le plus grand déterminant unique du succès de l'ajustement fin.

Leçon 2 • Évaluation et itération des modèles ajustés finement

Applique des métriques d'évaluation spécifiques à la tâche et une révision humaine pour évaluer la qualité des modèles ajustés finement. Ferme la boucle entre l'entraînement et le déploiement avec une itération structurée.

Leçon 3 • Flux de travail d'ajustement fin complet

Parcourt l'ajustement fin supervisé de bout en bout, y compris la sélection des hyperparamètres et les boucles d'entraînement. Développe des compétences d'exécution pratiques pour les scénarios d'ajustement fin standard.

Leçon 4 • Quand et pourquoi effectuer un ajustement fin

Établit des critères de décision pour choisir l'ajustement fin plutôt que l'invite ou le RAG. Empêche une application coûteuse et inappropriée de l'ajustement fin là où des approches plus simples suffisent.

Leçon 1 • Confidentialité et sécurité des données dans les systèmes d'IA

Couvre la minimisation des données, l'anonymisation, les contrôles d'accès et les défenses contre l'injection d'invites pour les systèmes d'IA. Assure que les apprenants protègent les informations sensibles tout au long du cycle de vie de l'IA.

Leçon 2 • Mesure du ROI de l'IA et amélioration continue

Établit des KPI, des cadres de mesure de la valeur et des boucles de rétroaction pour l'amélioration continue des programmes d'IA. Permet aux apprenants de démontrer et de soutenir la valeur commerciale des investissements en IA.

Leçon 3 • Audit de biais et tests d'équité

Applique des méthodes d'audit systématiques pour détecter et réduire les biais dans les sorties d'IA générative. Étend les concepts éthiques fondamentaux à une pratique de test rigoureuse et reproductible.

Leçon 4 • Gestion des risques de l'IA et conformité

Identifie les risques techniques, réputationnels et réglementaires de l'IA générative et cartographie les stratégies d'atténuation. Prépare les apprenants à satisfaire aux exigences de conformité dans tous les secteurs.