Formation en IA générative

Leçon 1 • Ce qu'est réellement l'IA générative

Définit l'IA générative en la contrastant avec l'IA discriminative et les logiciels traditionnels. Établit le vocabulaire utilisé tout au long du cours.

Leçon 2 • Concepts fondamentaux : probabilité et motifs

Présente la nature probabiliste des modèles génératifs sans nécessiter de mathématiques avancées. Relie l'apprentissage des motifs à la génération de production.

Leçon 3 • Bref historique de l'IA et de l'IA générative

Retrace l'IA des systèmes à base de règles aux réseaux neuronaux modernes et aux grands modèles. Fournit un contexte historique qui explique pourquoi les architectures actuelles existent.

Leçon 4 • Contexte éthique et sociétal

Cadre l'utilisation responsable de l'IA comme un état d'esprit fondamental, non comme une réflexion après coup. Couvre les biais, les risques de désinformation et la responsabilité dès le départ.

Leçon 1 • Fenêtres de contexte et limites de mémoire

Explique les implications pratiques des fenêtres de contexte finies pour les tâches réelles. Prépare les apprenants à concevoir des invites et des flux de travail qui respectent ces limites.

Leçon 2 • Pré-entraînement et rôle des données

Explique comment les grands modèles de langage sont entraînés sur des corpus massifs à l'aide de la prédiction du prochain jeton. Explique pourquoi la qualité et l'échelle des données déterminent la capacité du modèle.

Leçon 3 • Essentiels de l'architecture des transformeurs

Explique les mécanismes d'attention, les structures encodeur-décodeur et l'encodage positionnel à un niveau conceptuel. Ancre les techniques d'ingénierie d'invite ultérieures dans la réalité architecturale.

Leçon 4 • Techniques de réglage fin et d'alignement

Présente le réglage fin supervisé et l'apprentissage par renforcement à partir de la rétroaction humaine. Montre comment les modèles pré-entraînés bruts deviennent des assistants utiles et sécuritaires.

Leçon 1 • Anatomie d'une invite efficace

Décompose les composants d'une invite bien formée : instruction, contexte, entrée et format de production. Établit une structure reproductible pour tout le travail d'invite ultérieur.

Leçon 2 • Invite zéro-shot et few-shot

Met en contraste l'invite sans exemples avec celle fournissant des démonstrations. Enseigne quand chaque approche maximise la qualité de la production.

Leçon 3 • Itération et débogage d'invite

Fournit un processus systématique pour diagnostiquer et corriger les invites sous-performantes. Développe une habitude de raffinement des invites fondé sur des données probantes.

Leçon 4 • Invites de chaîne de pensée et de raisonnement

Présente la sollicitation du raisonnement étape par étape pour améliorer la précision sur les tâches complexes. Relie les invites de raisonnement à des gains mesurables de qualité de production.

Leçon 1 • Surveillance et optimisation des coûts

Enseigne les modèles de tarification basés sur les jetons et les stratégies pour réduire les dépenses d'API sans sacrifier la qualité. Prépare les apprenants à un déploiement responsable en production.

Leçon 2 • Création de votre premier script d'IA

Parcourt un script Python complet qui appelle une API LLM et traite la réponse. Fournit un artefact fonctionnel que les apprenants peuvent étendre immédiatement.

Leçon 3 • Notions de base sur les API et l'authentification

Couvre les concepts d'API REST, la gestion des clés d'API et les fondamentaux de la limitation du débit. Établit un accès sécurisé et fonctionnel aux services d'IA.

Leçon 4 • Paramètres fondamentaux de l'API expliqués

Démystifie la température, le top-p, le max de jetons et les séquences d'arrêt avec des exemples pratiques. Permet un contrôle précis du comportement de production du modèle.

Leçon 1 • Ingestion et segmentation de documents

Couvre le chargement, le nettoyage et la division de documents en segments prêts pour la récupération. La qualité à cette étape détermine directement la précision de la récupération en aval.

Leçon 2 • Évaluation et amélioration des pipelines de génération augmentée de récupération

Présente les métriques de fidélité, de pertinence et d'exactitude des réponses pour l'évaluation de la génération augmentée de récupération. Fournit une boucle de rétroaction pour l'amélioration itérative du pipeline.

Leçon 3 • Stratégies de récupération et reclassement

Compare les méthodes de récupération dense, creuse et hybride et présente le reclassement. Enseigne comment maximiser la pertinence du contexte récupéré.

Leçon 4 • Plongements et magasins vectoriels

Explique comment le texte est converti en vecteurs et stocké pour la recherche de similarité. Relie la qualité du plongement à la précision de la récupération.

Leçon 1 • Utilisation d'outils et appel de fonctions

Couvre la manière dont les grands modèles de langage invoquent des outils externes via des appels de fonctions structurés. Permet aux agents d'interagir avec des API, des bases de données et des exécuteurs de code.

Leçon 2 • Cadres de planification et de raisonnement

Présente les architectures d'agents ReAct, planifier-et-exécuter et arbre de pensées. Équipe les apprenants pour sélectionner le bon modèle de raisonnement pour une tâche donnée.

Leçon 3 • Orchestration multi-agents

Couvre les modèles orchestrateur-travailleur, les protocoles de communication entre agents et la délégation de tâches. Prépare les apprenants à construire des réseaux d'agents collaboratifs.

Leçon 4 • Ce qui rend un système agentique

Définit l'agencéité dans les systèmes d'IA par le biais de la planification, de l'utilisation d'outils et des boucles de rétroaction. Distingue les appels uniques aux grands modèles de langage des véritables architectures agentiques.

Leçon 1 • Méthodes de réglage fin économes en paramètres

Présente LoRA, QLoRA et les méthodes d'adaptateur qui réduisent les besoins en calcul. Rend le réglage fin accessible sans infrastructure d'entraînement de modèle complet.

Leçon 2 • Quand le réglage fin est le bon choix

Établit des critères de décision pour choisir le réglage fin plutôt que l'invite ou la génération augmentée de récupération. Empêche les projets de réglage fin coûteux là où des solutions plus simples suffisent.

Leçon 3 • Exécution d'un travail de réglage fin

Parcourt la configuration des hyperparamètres, le lancement de l'entraînement et la surveillance des courbes de perte. Produit un flux de travail de réglage fin reproductible que les apprenants peuvent réutiliser.

Leçon 4 • Évaluation et déploiement de modèles personnalisés

Couvre les métriques d'évaluation spécifiques aux tâches, les tests de régression et le service des modèles réglés finement. Boucle la boucle de l'entraînement au déploiement en production.

Leçon 1 • Sécurité, barrières de protection et modération de contenu

Implémente des barrières de protection d'entrée et de production pour empêcher le contenu nuisible, hors sujet ou violant les politiques. Protège les utilisateurs et les organisations contre les risques d'IA prévisibles.

Leçon 2 • Observabilité et surveillance

Présente les stratégies de journalisation, de traçage et d'alerte spécifiques aux systèmes basés sur les grands modèles de langage. Permet un diagnostic rapide des régressions de qualité et des anomalies de coût.

Leçon 3 • Considérations sur la confidentialité des données et la conformité

Aborde le traitement des renseignements personnels, la résidence des données et la journalisation d'audit pour les environnements réglementés. Prépare les apprenants à déployer l'IA dans le cadre des cadres de conformité organisationnels.

Leçon 4 • Amélioration continue et MLOps

Établit des boucles de rétroaction, des tests A/B et des déclencheurs de réentraînement pour les systèmes d'IA à longue durée de vie. Garantit que les modèles déployés s'améliorent plutôt que se dégradent au fil du temps.