Formation en IA générative

Leçon 1 • L'écosystème de l'IA générative aujourd'hui

Cartographie le paysage actuel des fournisseurs, des projets libres et des plateformes de déploiement. Aide les apprenants à naviguer parmi les choix d'outils pertinents pour leur contexte professionnel.

Leçon 2 • Histoire et évolution de l'IA générative

Retrace le développement depuis les premiers modèles de langage statistiques jusqu'aux modèles fondateurs modernes. Fournit le contexte pour comprendre les capacités et les limites actuelles.

Leçon 3 • Ce qu'est en fait l'IA générative

Définit l'IA générative en la contrastant avec les systèmes discriminatifs et fondés sur des règles. Établit le vocabulaire précis utilisé tout au long du cours.

Leçon 1 • Tokenisation et représentation textuelle

Explique comment le texte brut est converti en jetons et en plongements numériques. Ancre les décisions ultérieures en ingénierie des requêtes dans une compréhension du format d'entrée du modèle.

Leçon 2 • Mécanismes d'attention et transformeurs

Démystifie l'auto-attention et le bloc transformeur sans nécessiter de calcul différentiel. Explique comment la taille de la fenêtre de contexte affecte la cohérence et le rappel.

Leçon 3 • Inférence, échantillonnage et contrôle des sorties

Couvre la façon dont les modèles génèrent des jetons au moment de l'inférence et comment les paramètres d'échantillonnage façonnent les sorties. Permet aux apprenants de régler la température et d'autres contrôles de manière ciblée.

Leçon 4 • Préentraînement et réglage fin

Fait la distinction entre le préentraînement sur de grands corpus et le réglage fin spécifique à une tâche. Clarifie ce qu'un modèle sait par défaut par rapport à ce qui nécessite un entraînement supplémentaire.

Leçon 1 • Requêtes de chaîne de pensée et de raisonnement

Présente des techniques qui suscitent un raisonnement étape par étape pour améliorer la précision sur des tâches complexes. Relie les requêtes de raisonnement à des gains mesurables de qualité des résultats.

Leçon 2 • Anatomie d'une requête efficace

Décompose les composants d'une requête bien formulée : instruction, contexte, données d'entrée et format de sortie. Établit une structure reproductible pour tout le travail de requête ultérieur.

Leçon 3 • Requête sans exemple et avec peu d'exemples

Met en contraste la sollicitation sans exemple avec celle fournissant des démonstrations. Enseigne quand chaque approche est appropriée et comment sélectionner des exemples de haute qualité.

Leçon 4 • Itération et test des requêtes

Établit un processus systématique pour diagnostiquer les échecs de requête et itérer vers des résultats fiables. Présente des méthodes d'évaluation légères applicables sans outils formels d'apprentissage automatique.

Leçon 1 • Interfaces d'IA générative sans code et à faible code

Examine les environnements de bac à sable, les outils d'automatisation des flux de travail et les fonctionnalités d'IA intégrées dans les logiciels de productivité. Permet une application immédiate sans écrire de code.

Leçon 2 • Gestion des coûts, de la latence et des limites de débit

Quantifie les compromis de coût et de vitesse des différents modèles et configurations de requêtes. Équipe les apprenants pour prendre des décisions de déploiement économiquement judicieuses.

Leçon 3 • Concepts d'API pour non-ingénieurs

Explique les API REST, l'authentification et les cycles requête-réponse en termes accessibles. Supprime la barrière technique pour expérimenter directement les services d'IA générative.

Leçon 4 • Structuration des requêtes API pour les GML

Couvre les champs de message système, de message utilisateur et d'historique de conversation utilisés dans les API d'achèvement de clavardage. Enseigne comment la structure du message affecte le comportement du modèle.

Leçon 1 • Stratégies de récupération et reclassement

Compare la récupération dense, la récupération parcimonieuse et les approches hybrides. Présente le reclassement pour améliorer la pertinence du contexte récupéré avant la génération.

Leçon 2 • Plongements et magasins de vecteurs

Explique comment le texte est converti en vecteurs denses et stocké pour la recherche de similarité. Fournit des conseils pratiques sur la sélection et la configuration de bases de données vectorielles.

Leçon 3 • Évaluation et amélioration des pipelines GAR

Présente des mesures pour la qualité de la récupération et la fidélité des réponses. Enseigne l'amélioration itérative de chaque composant du pipeline en fonction des résultats d'évaluation.

Leçon 4 • Ingestion et fragmentation de documents

Couvre les stratégies pour diviser les documents en fragments récupérables tout en préservant la cohérence sémantique. A un impact direct sur la précision de la récupération et la qualité des réponses.

Leçon 1 • Préparation de données d'entraînement de haute qualité

Couvre la conservation, le formatage et le filtrage de qualité des ensembles de données pour le réglage fin par instructions. La qualité des données est le principal déterminant du rendement du modèle après réglage fin.

Leçon 2 • Configuration et surveillance de l'entraînement

Couvre la sélection des hyperparamètres, la planification du taux d'apprentissage et la surveillance de la perte pendant les cycles d'entraînement. Équipe les apprenants pour détecter et corriger rapidement l'instabilité de l'entraînement.

Leçon 3 • Évaluation et déploiement de modèles après réglage fin

Établit des protocoles d'évaluation comparant les modèles après réglage fin aux modèles de référence. Couvre la fusion de modèles, la quantification pour le déploiement et la gestion des versions.

Leçon 4 • Méthodes de réglage fin efficaces en paramètres

Présente LoRA, QLoRA et les méthodes basées sur des adaptateurs qui réduisent les besoins en calcul et en mémoire. Rend le réglage fin accessible sans infrastructure GPU à l'échelle de l'entreprise.

Leçon 1 • Stratégies de planification et de raisonnement

Couvre les schémas de planification ReAct, planifier-et-exécuter et arbre-de-pensée pour les tâches autonomes. Relie le choix de la stratégie de planification à la complexité de la tâche et aux exigences de fiabilité.

Leçon 2 • Fiabilité, sécurité et supervision humaine

Identifie les modes de défaillance propres aux systèmes autonomes, notamment les erreurs en cascade et les actions non intentionnelles. Établit des points de contrôle avec intervention humaine et des schémas de barrières de protection.

Leçon 3 • Utilisation d'outils et appel de fonctions

Enseigne comment les agents invoquent des outils externes via des API d'appel de fonctions pour étendre leurs capacités. Couvre la conception de schémas d'outils et les schémas d'exécution sécurisés.

Leçon 4 • Principes fondamentaux de l'architecture d'agent

Définit la boucle de l'agent : percevoir, planifier, agir, observer et recommencer. Fait la distinction entre les architectures à agent unique et multi-agents et leurs cas d'utilisation appropriés.

Leçon 1 • Vie privée, protection des données et consentement

Couvre les risques d'exposition de données personnelles par le biais de requêtes, de données d'entraînement et de sorties de modèles. Établit des pratiques de minimisation des données et d'anonymisation pour une utilisation responsable.

Leçon 2 • Sécurité, mauvais usage et prévention des préjudices

Catalogue les vecteurs de mauvais usage, y compris la désinformation, les hypertrucages et la manipulation automatisée. Enseigne les contrôles techniques et politiques qui réduisent le potentiel de préjudice.

Leçon 3 • Cadres de gouvernance de l'IA et conformité

Examine les principes réglementaires émergents, les normes volontaires et les structures de gouvernance internes. Équipe les apprenants pour bâtir des programmes d'IA conformes au sein de leurs organisations.

Leçon 4 • Biais, équité et représentation

Examine comment les données d'entraînement et la conception du modèle introduisent des biais dans les sorties de l'IA générative. Enseigne les méthodes de vérification des biais et les stratégies d'atténuation applicables à toutes les modalités.